Vorhersagegestützte Normalisierung der Entwicklungsheterochronie bei parallelen molekularen und phänomischen Studien in Pflanzen

• Antragstellerin: Dr. Kerstin Neumann
• Fachliche Zuordnung: Pflanzenphysiologie ; Allgemeine Genetik und funktionelle Genomforschung ; Bioinformatik und Theoretische Biologie ; Pflanzenbau, Pflanzenernährung, Agrartechnik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 504808160

Die unterschiedlichen Entwicklungs- und Signalprozesse in Pflanzen erfordern eine spezifische Planung der Probenahmezeit und eine Anpassung für die Genotypen, die sich in der Entwicklung unterscheiden. Überraschenderweise gibt es weder etablierte Methoden für eine dynamische Planung der Probenahme, noch Werkzeuge für die Echtzeitüberwachung von Entwicklungsstadien verschiedener Genotypen. Wir werden statistische und maschinelle Lernmethoden für die Überwachung von Pflanzenentwicklungsstadien unter Verwendung eines Hochdurchsatzphänotypisierungssystems entwickeln und Werkzeuge für die dynamische Planung der Probenahme solchen Experimenten bereitstellen. Unsere Haupthypothese ist, dass wir durch die Anpassung der Versuchspläne an die in den Versuchen tatsächlich beobachtete Pflanzenentwicklung eine höhere statistische Aussagekraft bei der Verknüpfung von Phänotypen mit molekularen Parametern ermöglichen und die Effizienz der Schätzung genetischer Effekte verbessern werden. Wir bezeichnen das Phänomen, dass Pflanzen unterschiedlich auf Umweltsignale reagieren und zu unterschiedlichen Zeitpunkten in Entwicklungsstadien eintreten, als (Entwicklungs-)Heterochronie. Unsere Hauptforschungsfrage lautet: Wie können phänotypische und umweltbezogene Daten, die in Echtzeit verarbeitet, als Input für ein Entscheidungshilfesystem dienen, das eine dynamische Planung der Probenahme für Assays auf molekularer Ebene in Anwesenheit von Entwicklungsheterochronie ermöglicht. Wir schlagen Methoden der Datenverarbeitung und -integration vor, die für eine dynamische Versuchsplanung unter Verwendung zweier statistischer Ansätze erforderlich sind: multivariate lineare gemischte Modelle und funktionale Datenanalyse. Wir werden eine Echtzeit-Klassifizierung der Entwicklungsstadien mit Hilfe einer auf Deep Learning basierenden Bildanalyse erreichen. Wir werden die auf statistischem und maschinellem Lernen basierenden Methoden in Echtzeit als Hilfsmittel für Planungsentscheidungen bei Experimenten einsetzen. Wir werden die entwickelten Algorithmen für die Analyse von Datensätzen aus einer Reihe von früheren Experimenten in verschiedenen Weizen- und Gerstenpanels verifizieren. Außerdem werden wir die Methoden auf der Grundlage neu generierter molekularer und phänomischer Daten validieren und weiter optimieren. Das Projekt wird erhebliche Auswirkungen auf die quantitative Genetik, die Pflanzenzüchtung und die Analyse phänotypischer Daten haben, da es sich mit wichtigen, aber bisher weitgehend übersehenen Aspekten der Versuchsplanung, der Datenmodellierung und der Entwicklung der Infrastruktur für Phänotypisierungsdaten befasst. Nicht zuletzt werden die vorgeschlagenen Proof-of-Concept-Experimente ein neues Licht auf zeitliche Aspekte der Trockentoleranz von Gerste werfen und neue, einzigartige Daten über die Interaktion zwischen genetischen Determinanten der Stresstoleranz, der Pflanzenentwicklung und dem Zeitpunkt des Auftretens von Stress liefern.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Polen
• Kooperationspartner: Professor Pawel Krajewski, Ph.D.