KẾT HỢP XỬ LÝ ẢNH VÀ NGHIÊN CỨU LIÊN KẾT TRÊN TOÀN HỆ GEN ĐỂ PHÁT HIỆN CÁC LÔ-CUT TÍNH TRẠNG SỐ LƯỢNG LIÊN QUAN ĐẾN KÍCH THƯỚC CỦA HẠT THÓC

Trần Giang Sơn; Nguyễn Quỳnh Hoa; Chu Bảo Minh; Lê Chu Như Hiệp; Tô Thị Mai Hương

doi:10.34238/tnu-jst.11646

KẾT HỢP XỬ LÝ ẢNH VÀ NGHIÊN CỨU LIÊN KẾT TRÊN TOÀN HỆ GEN ĐỂ PHÁT HIỆN CÁC LÔ-CUT TÍNH TRẠNG SỐ LƯỢNG LIÊN QUAN ĐẾN KÍCH THƯỚC CỦA HẠT THÓC

Thông tin bài báo

Ngày nhận bài: 03/12/24 Ngày hoàn thiện: 27/03/25 Ngày đăng: 28/03/25

Các tác giả

1. Trần Giang Sơn, Trường Đại học Khoa học và Công nghệ Hà Nội - Viện Hàn lâm Khoa học và Công nghệ Việt Nam
2. Nguyễn Quỳnh Hoa , Trường Đại học Khoa học và Công nghệ Hà Nội - Viện Hàn lâm Khoa học và Công nghệ Việt Nam
3. Chu Bảo Minh, Trường Đại học Khoa học và Công nghệ Hà Nội - Viện Hàn lâm Khoa học và Công nghệ Việt Nam
4. Lê Chu Như Hiệp, Trường Đại học Khoa học và Công nghệ Hà Nội - Viện Hàn lâm Khoa học và Công nghệ Việt Nam
5. Tô Thị Mai Hương, Trường Đại học Khoa học và Công nghệ Hà Nội - Viện Hàn lâm Khoa học và Công nghệ Việt Nam

Tóm tắt

Nghiên cứu liên kết toàn hệ gen (GWAS) là phương pháp tiềm năng để tìm ra các lô-cut tính trạng số lượng (QTL) liên kết tới tính trạng kích thước hạt thóc. Tuy nhiên, phần lớn các phân tích kiểu hình hiện nay sử dụng các phép đo thủ công, đòi hỏi nhiều công sức, thời gian và dễ xảy ra lỗi. Nghiên cứu kết hợp giữa kỹ thuật xử lý ảnh chi phí thấp và phân tích GWAS để xác định các gen ứng viên liên quan đến kiểu hình kích thước của hạt thóc. Phương pháp xử lý ảnh cho phép tự động trích xuất kích thước hạt thóc từ ảnh kỹ thuật số màu. Kích thước sau đó được sử dụng làm dữ liệu đầu vào cho phân tích GWAS. Kết quả cho thấy sử dụng cả hai bộ dữ liệu được đo thủ công và được tính toán đều có khả năng xác định các QTL quan trọng như GS3, GW6 và GL7. Đáng chú ý, bộ dữ liệu tính toán cho thấy độ nhạy cao hơn, phát hiện thêm được các QTL quan trọng như GS5 và GW5 mà bộ dữ liệu đo thủ công không phát hiện được. Kết quả mở ra hướng đi triển vọng trong việc ứng dụng các kỹ thuật xử lý ảnh tiên tiến có chi phí thấp để tự động trích xuất các kiểu hình định lượng khác của lúa.

Từ khóa

Kiểu hình hạt thóc; Gen ứng viên; Lô-cut tính trạng số lượng; Nghiên cứu liên kết toàn hệ gen; Xử lý ảnh

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] T. Mark and P. Langridge. "Breeding technologies to increase crop production in a changing world," Science, vol. 327, no. 5967, pp. 818-822, 2010, doi: 10.1126/science.1183700.

[2] W. Michelle et al., "Phenotyping: new windows into the plant for breeders," Annual review of plant biology, vol. 71, pp. 689-712, 2020, doi: 10.1146/annurev-arplant-042916-041124.

[3] S. Dawei et al., "Advances in optical phenotyping of cereal crops," Trends in plant science, vol. 27, no. 2, pp. 191-208, 2022, doi: 10.1016/j.tplants.2021.07.015.

[4] H. Chenglong et al., "Development of a whole-feeding and automatic rice thresher for single plant," Mathematical and Computer Modelling, vol. 58, no. 3-4, pp. 684-690, 2013, doi: 10.1016/j.mcm.2011.10.033.

[5] W. P. Alex et al., "GrainScan: a low cost, fast method for grain size and colour measurements," Plant methods, vol. 10, pp. 1-10, 2014, doi: 10.1186/1746-4811-10-23.

[6] Y. Wanneng et al., "Crop phenomics and high-throughput phenotyping: past decades, current challenges, and future perspectives," Molecular plant, vol. 13, no. 2, pp. 187-214, 2020, doi: 10.1016/j.molp.2020.01.008.

[7] W. Dong et al., "The development of a vision-based phenotypic analysis algorithm for measuring spikelet-related traits in rice," Plant Physiology Journal, vol. 58, no. 5, pp. 957-971, 2022, doi: 10.13592/j.cnki.ppj.200009.

[8] S. Lin and P. Chen, "A method for characterizing the panicle traits in rice based on 3D micro-focus X-ray computed tomography," Computers and Electronics in Agriculture, vol. 166, 2019, Art. no. 104984, doi: 10.1016/j.compag.2019.104984.

[9] H. Weijuan et al., "Nondestructive 3D image analysis pipeline to extract rice grain traits using X-ray computed tomography," Plant Phenomics, 2020, doi: 10.34133/2020/3414926.

[10] Y. Lejun et al., "An integrated rice panicle phenotyping method based on X-ray and RGB scanning and deep learning," The Crop Journal, vol. 9, no. 1, pp. 42-56, 2021, doi: 10.1016/j.cj.2020.06.009.

[11] L. Yuwei et al., "High-throughput and separating-free phenotyping method for on-panicle rice grains based on deep learning," Frontiers in Plant Science, vol. 14, 2023, Art. no. 1219584, doi: 10.3389/fpls.2023.1219584.

[12] N. T. P. Mai, L. T. T. Nguyen, and H. T. M. To, “Genome-wide association studies for identification of genes and QTLs controlling the palmitic acid content in rice bran oil,” Vietnam Journal of Biotechnology, vol. 21, no. 2, pp. 337-345, 2023, doi: 10.15625/1811-4989/18607.

[13] N. T. P. Mai, Q. K. Le, T. Q. A. Chu, and H. T. M. To, “Genome wide association studies analysis of the natural ability of uptaking the phosphate in Vietnamese rice landraces,” Vietnam Journal of Biotechnology, vol. 19, no. 4, pp. 677-686, 2021, doi: 10.15625/1811-4989/15374.

[14] N. T. P. Mai, L. T. T. Nguyen, S. G. Tran, et al., “Genome-wide association study reveals useful QTL and genes controlling the fatty acid composition in rice bran oil using Vietnamese rice landraces,” Funct. Integr. Genomics, vol. 23, article no. 150, 2023, doi: 10.1007/s10142-023-01080-6.

[15] G. S. Tran, Q. H. Nguyen, L. T. T. Nguyen, et al., “Unraveling New Genetic Elements Associated with the Morphological Changes and Relative Silicon Content in Rice Using Genome-Wide Association Studies (GWAS),” J. Plant Biol., vol. 67, pp. 467-480, 2024, doi: 10.1007/s12374-024-09448-2.

[16] N. T. P. Phung, C. D. Mai, P. Mournet, et al., “Characterization of a panel of Vietnamese rice varieties using DArT and SNP markers for association mapping purposes,” BMC Plant Biol., vol. 14, article no. 371, 2014, doi: 10.1186/s12870-014-0371-7.

[17] B. M. Chu, H. T. M. To, and G. S. Tran, "Rice Grain Trait Estimation Using Color Space Conversion and Deep Learning-based Image Segmentation," TNU Journal of Science and Technology, vol. 229, pp. 133-140, 2024, doi: 10.34238/tnu-jst.10191.

[18] P. J. Bradbury, Z. Zhang, D. E. Kroon, T. M. Casstevens, Y. Ramdoss, and E. S. Buckler, “TASSEL: Software for association mapping of complex traits in diverse samples,” Bioinformatics, vol. 23, pp. 2633-2635, 2007, doi: 10.1093/bioinformatics/btm308.

[19] R Core Team, "R: A language and environment for statistical computing," 2024. [Online]. Available: https://www.R-project.org/. [Accessed December 4, 2024].

[20] K. Yoshihiro et al., "Improvement of the Oryza sativa Nipponbare reference genome using next generation sequence and optical map data," Rice, vol. 6, pp. 1-10, 2013, doi: 10.1186/1939-8433-6-4.

[21] C. Fan, Y. Xing, H. Mao, T. Lu, B. Han, C. Xu, X. Li, and Q. Zhang, “GS3, a major QTL for grain length and weight and minor QTL for grain width and thickness in rice, encodes a putative transmembrane protein,” Theor. Appl. Genet., vol. 112, pp. 1164-1171, 2006.

[22] C. Xu, Y. Liu, Y. Li, X. Xu, C. Xu, X. Li, J. Xiao, and Q. Zhang, “Differential expression of GS5 regulates grain size in rice,” J. Exp. Bot., vol. 66, pp. 2611-2623, 2015.

[23] J. Weng, S. Gu, X. Wan, H. Gao, T. Guo, N. Su, C. Lei, X. Zhang, Z. Cheng, X. Guo, et al., “Isolation and initial characterization of GW5, a major QTL associated with rice grain width and weight,” Cell Res., vol. 18, pp. 1199-1209, 2008.

[24] C. L. Shi, N. Q. Dong, T. Guo, W. W. Ye, J. X. Shan, and H. X. Lin, “A quantitative trait locus GW6 controls rice grain size and yield through the gibberellin pathway,” Plant J., vol. 103, no. 3, pp. 1174-1188, 2020, doi: 10.1111/tpj.14793.

[25] Y. Wang, G. Xiong, J. Hu, L. Jiang, H. Yu, J. Xu, Y. Fang, L. Zeng, E. Xu, J. Xu, et al., “Copy number variation at the GL7 locus contributes to grain size diversity in rice,” Nat. Genet., vol. 47, pp. 944-948, 2015.

DOI: https://doi.org/10.34238/tnu-jst.11646

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ