Рис является одной из самых важных сельскохозяйственных культур в мире и составляет основной источник пищи для более чем половины населения Земли. Поэтому защита рисовых плантаций от болезней является важной задачей современного сельского хозяйства. Из многих патогенов, которые могут поражать растения риса, бактерия Xanthomonas oryzae, вызывающая бактериальный ожог (BB), является одной из самых опасных. Каждый год из-за BB теряется урожай на сотни миллионов долларов, и миллионы долларов тратятся на профилактические меры и исследования.
Одной из наиболее плодотворных стратегий борьбы с BB и другими болезнями сельскохозяйственных культур является выращивание генетически устойчивых сортов. Однако, поскольку патогены могут быстро развиваться, исследователи должны постоянно исследовать новые гены которые дают устойчивость и применяют их при разведении. Следовательно, им приходится регулярно отбирать несколько проб. рисовые растения в разное время года и измерить их реакцию на бактериальную инфекцию, что представляет собой ручную интенсивную и трудоемкую работу.
Но что, если бы мы использовали современные технологии, чтобы значительно упростить этот процесс? В недавнем исследовании, опубликованном в Феномика растений, исследовательская группа под руководством доктора Сюпинга Фэна из Чжэцзянского университета, Китай, разработала инновационную стратегию, которая сочетает в себе дроны и машинное обучение как для оценки вспышек BB в полевых условиях, так и для выявления потенциально устойчивых генов.
Исследователи создали два экспериментальных участка в провинции Чжэцзян, Китай, где они выращивали более 60 сортов риса с разной устойчивостью к ББ. С использованием беспилотные летательные аппараты (БПЛА, более известные как «дроны»), оснащенные обычными и мультиспектральными камерами, они фотографировали участки посевов на разных стадиях развития растений риса. После этого они объединили эти изображения с БПЛА с накопленными данными о температуре (AT) и использовали их для обучения модель глубокого обучения оценить тяжесть ББ.
Стоит отметить, что объединение данных AT с данными изображений БПЛА, полученными на разных стадиях роста растений риса, было уникальной стратегией для этого исследования. Команда обнаружила, что этой информации достаточно, чтобы обученная модель могла делать точные прогнозы о серьезности BB. Кроме того, исследователи также проверили, может ли модель, обученная на данных, собранных на одном сайте, снабжаться небольшим количеством обучающих данных, собранных на другом сайте, чтобы улучшить свои прогнозы на последнем.
К счастью, их результаты были очень многообещающими, как отмечает д-р Фэн: «Учитывая стоимость полевого отбора проб, мы обнаружили, что передача только 20% новых данных была полезной и рентабельной стратегией обновления модели для получения надежных прогнозов ББ. серьезность на разных сайтах».
Затем исследователи попытались использовать этот новый метод для эффективного измерения тяжести BB с использованием БПЛА для картирования локусов количественных признаков (QTL).
«QTL отмечает место в геноме, где ген контролирует определенные количественные признаки, такие как предрасположенность к заболеванию. Сопоставление QTL с реакцией сельскохозяйственных культур на стресс от патогенов может помочь селекционерам определить функции или признаки сельскохозяйственных культур, которые контролирует данный набор QTL», — объясняет д-р Фэн. Проще говоря, картирование QTL включает в себя анализ генома нескольких образцов организма и попытку точно определить, какие гены могут отвечать за целевой признак, включая устойчивость к болезням.
В этом исследовании команда определила тяжесть болезни BB в культурах косвенно, используя изображения БПЛА, и объединила эту информацию с результатами генетического анализа нескольких образцов риса, взятых на разных стадиях роста и из разных сортов. Благодаря этому подходу исследователям удалось обнаружить как ранее идентифицированные QTL, связанные с устойчивостью к BB, так и три новых!
Как показали результаты, общая стратегия, изложенная в исследовании, может реально сэкономить время при исследованиях сельскохозяйственных болезней. «По сравнению с ручным измерением тяжести заболевания методы дистанционного зондирования БПЛА позволяют нам быстро собирать крупномасштабную фенотипическую информацию, что обеспечивает техническую поддержку для ускорения исследований по разведению», — заключает доктор Фэн. Что наиболее важно, хотя этот подход был разработан и протестирован специально для риса и ББ, его можно было адаптировать и к другим культурам и болезням.
