Zuchtwert Mustererkennung in Hybridkulturarten (BreedPatH)


In einem kommerziellen Hybridzüchtungsprogramm ist die Auswahl geeigneter Inzuchtlinien zur Erzeugung neuer Hybriden ein äußerst schwieriger und langwieriger Prozess. So müssen zunächst heterotische Pools gebildet werden, die Inzuchtlinien mit hohem Zuchtwert enthalten. Die Inzuchtlinien werden in aufwändigen zeit- und kostenintensiven Ertragsversuchen geprüft, um diejenigen zu identifizieren, die einen hohen Zuchtwert besitzen und sich für neue Kreuzungen eignen. BreedPatH zielt darauf ab, neue heterotische Pools für die Rapshybridzüchtung zu entwickeln und ein völlig neues Prinzip der Zuchtwertschätzung in Hybrid-Pflanzen zu implementieren. In iterativen Zuchtzyklen werden ausgewählte Rapsgenotypen mit hohem Zuchtwert (Founderlinien) in zwei verschiedenen heterotischen Pools rekombiniert. Die Bildung der heterotischen Pools wird durch ein systemisches Vorhersagemodell für Hybridleistung unter Einbeziehung quantitativ genetischer sowie genomischer und epigenetischer Faktoren erlaubt. Methoden des erweiterten maschinellen Lernens werden angewandt, um innovative Prognosemodelle für die Zuchtwert Mustererkennung in einem Hybridzuchtprogramm zu implementieren. Des Weiteren sollen neue biometrische Ansätze der Hybridzuchtmethodik zum weiteren Aufbau und zu nachhaltiger Erhaltung der heterotischen Pools entwickelt werden, um eine schnelle, Genomik-gestützte Trennung von heterotischen Pools für die Hybridzüchtung zu erzielen. Durch Anwendung der Vorhersage-Modelle können diejenigen Linien selektiert werden, die hohe Zuchtwerte und gute Kombinationseigenschaften vorweisen. Insbesondere sollen die Vorhersage-Modelle es ermöglichen, gezielt Kreuzungen durchzuführen, die zu einer schnellen Kombination positiver Allele für das Merkmal Heterosis bzw. Ertrag führen. Des Weiteren sollen sich diese Vorhersage-Modelle eigenständig nach Erfassung von Veränderungen anpassen, um eine verbesserte Vorhersage und somit auch eine effizientere Ressourcennutzung zu gewährleisten. Hierdurch kann neben einer Zeitersparnis im Zuchtvorgang auch eine Reduktion der notwendigen Feldprüfungen bzw. bei gleichem Prüfaufwand eine höhere Selektionseffizienz und damit ein höherer Zuchtfortschritt in Bezug auf die untersuchten Merkmale erreicht werden.


Projektleitung
Kloft, Marius Prof. Dr. (Details) (Maschinelles Lernen (J))

Mittelgeber
BMBF

Laufzeit
Projektstart: 09/2016
Projektende: 08/2019

Forschungsbereiche
Interaktive und intelligente Systeme, Bild- und Sprachverarbeitung, Computergraphik und Visualisierung

Zuletzt aktualisiert 2022-08-09 um 19:07