高通量表型平台在温室和田间的可及性，以及相对低成本的无人飞行器，为钻研人员在整个成长季节表征大量种群提供了有效的伎俩。这些纵向表型可以为植物的发育和对环境的反映提供沉要的信息。只管这些新的表型分析步骤在植物育种中的使用越来越多，但对重要作物种类使用纵向表型的基因组预测模型依然是有限的。

用随机回归预测纵向表型的交叉验证规划的图示

本钻研的主张是证明使用勒让德多项式的随机回归（RR）模型用于水稻（Oryza sativa）芽成长轨迹的基因组预测的效用。利用基于图像的温室表型平台，对357份分歧水稻种类进行了为期20天的茎生物量估算，即投影茎面积（PSA）。蕴含固定的二阶勒让德多项式，用于加性遗传效应的随机二阶勒让德多项式，用于环境效应的一阶勒让德多项式，并使用异质残差对PSA轨迹进行建模。RR模型在单个功夫点(TP)步骤上的效用通过四个预测场景显示，其中PSA在每个功夫点都是独立匹配的。在第一个场景中，使用RR和TP步骤对不足表型数据的一组前进行PSA预测。RR法预测正确率比TP法提高11.6%。这种改善在很大水平上能够归因于RR步骤捕获的更大的附加遗传变异。剩下的情景集中在使用表型数据的已知品系的早期功夫点的子集预测未来表型，以及不足表型数据的新品系。在所有情况下，能够高精度地预测PSA（对于已知和未知的品系，r别离为0.79-0.89和0.55-0.58）。

预计拍摄面积（PSA）在20天的成像

每个功夫点之间的表型和遗传有关性

本钻研初次将RR模型利用于水稻纵向性状的基因组预测，并证明与TP步骤相比，RR模型能够有效地用于提高复杂性状基因组预测的正确性。

起源：Plant Direct.Wiley Online Library.Utilizing random regression models for genomic prediction of a longitudinal trait derived from high‐throughput phenotyping.Malachy Campbell,Harkamal,Walia  Gota Morota.