Fenotipizzazione dall'alto: i kernel ambientali basati su droni superano i dati genomici nei test su campioni sparsi di patate.

Con l'intensificarsi dei cambiamenti climatici e l'aumento della variabilità meteorologica interannuale, i selezionatori di piante sono sotto pressione per valutare un maggior numero di genotipi in ambienti diversi, mantenendo al contempo i costi di fenotipizzazione gestibili. I test sparsi, che valutano solo un sottoinsieme di genotipi per località, offrono una soluzione pratica, ma richiedono modelli predittivi robusti per colmare i dati mancanti. Un nuovo studio pubblicato su Rapporti scientifici Questo studio dimostra che la fenotipizzazione ad alto rendimento (HTP) da immagini acquisite con droni può rappresentare un valido sostituto delle informazioni genomiche in tali scenari. I ricercatori, lavorando con 256 cloni di patate in tre ambienti svedesi (due località tra il 2020 e il 2021), hanno estratto indici di vegetazione integrati nel tempo, copertura della chioma e altezza delle piante da immagini RGB acquisite con droni. Utilizzando l'analisi delle componenti principali (PCA) su questi tratti derivati ​​dalle immagini, hanno costruito un "kernel ambientale" (E-kernel) che quantifica la somiglianza tra i siti di prova e ne hanno confrontato le prestazioni predittive con la matrice di relazione genomica standard (G-kernel) in presenza di livelli di scarsità di dati compresi tra il 10% e il 66%.

I risultati sono sorprendenti: in scenari a due ambienti con una completezza dei dati del 50%, l'E-kernel ha superato significativamente sia il G-kernel che la loro combinazione per tutti i caratteri, aumentando l'accuratezza della previsione per la resa totale dei tuberi del 60% e per la frazione di dimensioni 50-60 mm del 62%. Con una completezza del 33%, il contenuto di amido è stato l'unico carattere con r² > 0.5 e solo l'E-kernel ha raggiunto tale livello. Il kernel genomico si è dimostrato più robusto solo in condizioni di estrema scarsità (10-20%), mentre le covariate meteorologiche convenzionali hanno mostrato una capacità limitata di discriminare tra località vicine. In particolare, la combinazione dei kernel G ed E non ha migliorato le previsioni, suggerendo una sovrapposizione di informazioni. Gli autori riconoscono i limiti – dimensioni del campione modeste e dispersione ambientale – ma sottolineano che i kernel ambientali basati su immagini sono convenienti, scalabili e particolarmente preziosi per colture a ciclo lento come la patata tetraploide. Questo approccio offre un percorso pragmatico per accelerare il progresso genetico nei programmi di miglioramento genetico con risorse limitate, soprattutto per i caratteri legati alla resa, riducendo al contempo l'onere della fenotipizzazione grazie a dati HTP riutilizzabili.