Dissecting and modeling the phenotypic components of plant growth and drought responses based on high-throughput image analysis

Abstract

In dieser Arbeit wird ein umfassendes System für die Analyse phänotypischer Daten vorgestellt, welche im Rahmen der Hochdurchsatz-Phänotypisierung generiert wurden. Das System ermöglicht die Extraktion und Zerlegung einer Liste von phänotypischen Merkmalen, welche auf Bildzeitreihen von Pflanzen basieren. Das System wird angewendet, um phänotypische Komponenten von Trockenstressreaktionen in Gerste während des vegetativen Wachstums zu untersuchen. Eine erweiterte Liste von phänotypischen Merkmalen wird definiert. Die verschiedenen Merkmalsgruppen zeigen stark unterschiedliche Muster von genotypischen und umweltbedingten Effekten während des Pflanzenwachstums. Unterschiedliche Wachstumsmodelle werden getestet, um die Entwicklung der Pflanzen zu bestimmen. Eine Vielzahl von Parametern, welche die biologische Interpretation von Pflanzenwachstum und Stresstoleranzermöglichen, wurden von den Modellen abgeleitet. Weiter wird gezeigt, dass die Biomasse sehr präzise auf Basis der extrahierten bildbasierten Parameter vorhergesagt werden kann. Dazu wurde der Random Forest Algorithmus verwendet. Zusammenfassend lässt sich festhalten, dass die bildbasierten Merkmale und modellbasierten Parameter für eine nachfolgende genetische Kartierung genutzt werden können. Dies ermöglicht die Entschlüsselung des genetischen Hintergrundes für komplexe agrarwissenschaftlich relevante Merkmale.

In this thesis, we present a comprehensive framework for high-throughput phenotype data analysis in plants, which enables the extraction and dissection of a high-dimensional list of phenotypic traits from non-destructive plant imaging over time. The framework is applied to investigate the phenotypic components of the drought responses of a core set of barley cultivars during vegetative growth. An extended list of phenotypic traits are defined and different trait groups show largely different patterns of genotype and environmental effects during plant growth. Various growth models are tested topredict plant growth patterns. Several relevant parameters that support biological interpretation of plant growth and stress tolerance are derived from the models. We further show that plant biomass can be accurately predicted from image-based parameters using a random forest model. In summary, these image-based traits and model-derived parameters are promising for subsequent genetic mapping to uncover the genetic basis of complex agronomic traits.