通过小麦对时间进程的感知来表征产量：一种多组学植物时间扭曲方法

摘要 为了解决食品安全挑战，需要更好地理解作物在不同和变化的环境条件下的表现。植物时间扭曲（PTW）是一种深度学习模型，将高通量田间表型数据与基因组和环境信息结合，以预测小麦产量。PTW利用图像时间序列、遗传标记和环境协变量学习基因型特异性的生理反应，以应对温度和水蒸气压亏缺。与单纯的基因组预测模型相比，PTW在预测欧洲48个地点的未见环境中的产量时表现优越。PTW模型捕捉了与物候阶段变化的非线性生长反应，并识别出与产量表现和稳定性相关的独特模式。具体而言，具有更高产量稳定性的品种对1.5 kPa左右的水蒸气压亏缺表现出较低的敏感性，并在萌发和衰老期间具有独特的温度反应。学习到的反应模式能够进行回顾性和前瞻性的产量预测，为基于地点的品种推荐和针对性育种策略提供基础。表型、基因组和环境组学数据的整合有潜力显著推动作物生产气候适应策略的研究，从而解决向新环境条件预测的一般化挑战。