Phänotypisierung aus der Luft: UAV-basierte Umweltdaten übertreffen Genomdaten bei spärlichen Kartoffeltests

Da der Klimawandel die jährlichen Wetterschwankungen verstärkt, stehen Pflanzenzüchter unter Druck, mehr Genotypen in unterschiedlichen Umgebungen zu evaluieren und gleichzeitig die Kosten für die Phänotypisierung überschaubar zu halten. Sparsames Testen – die Untersuchung nur einer Teilmenge der Genotypen pro Standort – bietet eine praktikable Lösung, erfordert aber robuste Vorhersagemodelle, um fehlende Daten zu ergänzen. Eine neue Studie, veröffentlicht in Wissenschaftliche Berichte Die Studie zeigt, dass Hochdurchsatz-Phänotypisierung (HTP) anhand von Drohnenbildern in solchen Szenarien eine leistungsstarke Alternative zu Genominformationen darstellen kann. Forscher, die mit 256 Kartoffelklonen an drei schwedischen Standorten (zwei Standorte in den Jahren 2020–2021) arbeiteten, extrahierten zeitlich integrierte Vegetationsindizes, die Kronenbedeckung und die Pflanzenhöhe aus UAV-basierten RGB-Bildern. Mithilfe einer Hauptkomponentenanalyse (PCA) dieser bildbasierten Merkmale erstellten sie einen „Umweltkernel“ (E-Kernel), der die Ähnlichkeit zwischen den Teststandorten quantifiziert, und verglichen dessen Vorhersageleistung mit der Standard-Genom-Verwandtschaftsmatrix (G-Kernel) bei Datensparsamkeiten von 10 % bis 66 %.

Die Ergebnisse sind beeindruckend: In Zwei-Umgebungs-Szenarien mit 50 % Datenvollständigkeit übertraf der E-Kernel sowohl den G-Kernel als auch deren Kombination bei allen Merkmalen deutlich. Die Vorhersagegenauigkeit für den Gesamtertrag der Knollen wurde um 60 % und für die Größenfraktion 50–60 mm um 62 % gesteigert. Bei 33 % Vollständigkeit war der Stärkegehalt das einzige Merkmal mit einem r²-Wert > 0.5, und nur der E-Kernel erreichte dieses Niveau. Der genomische Kernel erwies sich nur bei extrem geringer Datendichte (10–20 %) als robuster, während herkömmliche meteorologische Kovariaten nur begrenzt zwischen benachbarten Standorten unterscheiden konnten. Bemerkenswerterweise verbesserte die Kombination von G- und E-Kernel die Vorhersagen nicht, was auf überlappende Informationen hindeutet. Die Autoren räumen Einschränkungen ein – geringe Stichprobengröße und Umweltdatenverlust –, betonen aber, dass bildbasierte Umweltkernel kostengünstig, skalierbar und besonders wertvoll für langsam wachsende Kulturpflanzen wie die tetraploide Kartoffel sind. Dieser Ansatz bietet einen pragmatischen Weg, um den genetischen Fortschritt in ressourcenbeschränkten Zuchtprogrammen zu beschleunigen, insbesondere bei ertragsbezogenen Merkmalen, und gleichzeitig den Aufwand für die Phänotypisierung durch wiederverwendbare HTP-Daten zu reduzieren.