A latent factor approach to hyperspectral time series data for multivariate genomic prediction of grain yield in wheat
利用高光谱时间序列潜在因子进行小麦产量的多变量基因组预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：研究对象是作物表型和基因组预测，潜在因子与时间序列术语不足以支持所列经济金融分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用高光谱时间序列潜在因子进行小麦产量的多变量基因组预测
- 研究问题
- 如何从高维高光谱表型时间序列提取有用特征，将其纳入小麦产量基因组预测，并理解不同生长阶段的信息价值？
- 方法与思路
- 作者对高光谱表型的遗传相关矩阵进行因子分析和 Procrustes 旋转，将潜在变量用于不同灌溉处理下的多变量基因组预测。
- 材料陈述的贡献
- 摘要称，在所述试验内，相比单变量预测，预测相关系数提高了 0.1 至 0.3，并揭示部分测量时点与生长阶段的联系。
- 阅读关注点
- 应核对遗传相关矩阵和旋转的估计方式、交叉验证中的特征提取流程，以及预测增益能否推广到其他试验和环境。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；结果针对试验内预测，摘要未说明跨年份、跨地点的外部验证。
原文摘要
High-dimensional time series phenotypic data is becoming increasingly common within plant breeding programmes. However, analysing and integrating such data for genetic analysis and genomic prediction remains difficult. Here we show how factor analysis with Procrustes rotation on the genetic correlation matrix of hyperspectral secondary phenotype data can help in extracting relevant features for within-trial prediction. We use a subset of Centro Internacional de Mejoramiento de Maíz y Trigo (CIMMYT) elite yield wheat trial of 2014-2015, consisting of 1,033 genotypes. These were measured across three irrigation treatments at several timepoints during the season, using manned airplane flights with hyperspectral sensors capturing 62 bands in the spectrum of 385-850 nm. We perform multivariate genomic prediction using latent variables to improve within-trial genomic predictive ability (PA) of wheat grain yield within three distinct watering treatments. By integrating latent variables of the hyperspectral data in a multivariate genomic prediction model, we are able to achieve an absolute gain of .1 to .3 (on the correlation scale) in PA compared to univariate genomic prediction. Furthermore, we show which timepoints within a trial are important and how these relate to plant growth stages. This paper showcases how domain knowledge and data-driven approaches can be combined to increase PA and gain new insights from sensor data of high-throughput phenotyping platforms.