高通量表型平台在温室和田间的可及性，以及相对低成本的无人飞行器，为研究人员在整个生长季节表征大量种群提供了有效的手段。这些纵向表型可以为植物的发育和对环境的反应提供重要的信息。尽管这些新的表型分析方法在植物育种中的使用越来越多，但对主要作物品种使用纵向表型的基因组预测模型仍然是有限的。

用随机回归预测纵向表型的交叉验证方案的图示

本研究的目的是证明使用勒让德多项式的随机回归（RR）模型用于水稻（Oryza sativa）芽生长轨迹的基因组预测的效用。利用基于图像的温室表型平台，对357份不同水稻品种进行了为期20天的茎生物量估算，即投影茎面积（PSA）。包括固定的二阶勒让德多项式，用于加性遗传效应的随机二阶勒让德多项式，用于环境效应的一阶勒让德多项式，并使用异质残差对PSA轨迹进行建模。RR模型在单个时间点(TP)方法上的效用通过四个预测场景显示，其中PSA在每个时间点都是独立匹配的。在第一个场景中，使用RR和TP方法对缺乏表型数据的一组行进行PSA预测。RR法预测准确率比TP法提高11.6%。这种改善在很大程度上可以归因于RR方法捕获的更大的附加遗传变异。剩下的情景集中在使用表型数据的已知品系的早期时间点的子集预测未来表型，以及缺乏表型数据的新品系。在所有情况下，可以高精度地预测PSA（对于已知和未知的品系，r分别为0.79-0.89和0.55-0.58）。

预计拍摄面积（PSA）在20天的成像

每个时间点之间的表型和遗传相关性

本研究首次将RR模型应用于水稻纵向性状的基因组预测，并证明与TP方法相比，RR模型可以有效地用于提高复杂性状基因组预测的准确性。

来源：Plant Direct.Wiley Online Library.Utilizing random regression models for genomic prediction of a longitudinal trait derived from high‐throughput phenotyping.Malachy Campbell,Harkamal,Walia  Gota Morota.