Geben Sie einen Suchbegriff ein
oder nutzen Sie einen Webcode aus dem Magazin.

Geben Sie einen Begriff oder Webcode ein und klicken Sie auf Suchen.
Blattfallkrankheit an Äpfeln

Anfälligkeit von Apfelgenressourcen bewerten

Die Blattfallkrankheit des Apfels nimmt in Europa zu. Für Züchtungsprogramme ist es daher wichtig, potenzielle Toleranz- oder gar Resistenzeigenschaften der Elternsorten zu kennen, um geeignete Eltern auszuwählen. Wissenschaftler haben nun eine Methode zur Bewertung der Elternsorten entwickelt.

von Red/JKI erschienen am 02.02.2025
Artikel teilen:
© Masterovoy/shutterstock.com

Die Blattfallkrankheit des Apfels nimmt in Europa zu. Sie wird verursacht vom pilzlichen Erreger Diplocarpon coronariae. Für Züchtungsprogramme ist es daher von Bedeutung, potenzielle Toleranz- oder gar Resistenzeigenschaften der Elternsorten zu kennen, um geeignete Eltern auszuwählen.

Eine Methode, die genutzt wird, um genetische Ressourcen hinsichtlich ihrer potenziellen Toleranz- oder Resistenzeigenschaften zu bewerten, ist die digitale Phänotypisierung. Nun haben Forschende der der JKI-Obstzüchtung eine digitale Phänotypisierungsmethode entwickelt, mit der sich die Anfälligkeit von genetischen Ressourcen des Apfels gegenüber dem Erreger der Blattfallkrankheit bewerten lässt.

Digitale Phänotypisierung

Bei der digitalen Phänotypisierung werden die Eigenschaften oder Merkmale (“Phänotyp“) einer Pflanze mithilfe moderner Technologien automatisch analysiert. So lassen sich z. B. Rückschlüsse auf den Befall mit Pilzen ziehen. Doch zunächst muss man herausfinden, was genau man für ein aussagekräftiges Ergebnis messen muss. So muss bekannt sein, welcher genetische Mechanismus eine bestimmte Veränderung im Erscheinungsbild der Pflanze verursacht. Erst dann können Sensoren die Veränderung messen und daraus wiederum Rückschlüsse auf die genetischen Ressourcen ziehen.

Dazu wurden im Labor Inokulationstests durchgeführt, bei denen die Äpfel mit dem Krankheitserreger konfrontiert wurden. Dann wurden Farbbilder befallener Blätter 7, 9 und 13 Tage nach Inokulation aufgenommen. In jedem Bild wurden die Krankheitssymptome gelabelt. Der 927 Bilder umfassende Datensatz diente anschließend zum Training des KI-Modells YOLOv5s.

Das trainierte Modell, das mit künstlicher Intelligenz arbeitet, erreichte dabei eine Genauigkeit von 95 % bei der Vorhersage von Symptomen. Damit kam es zu einem besseren Ergebnis als die händische Erfassung der Blattfall-Symptome, die „nur“ 91 % erzielte.

Damit ist das Modell zuverlässig und effizient und kann künftig für die digitale Phänotypisierung in Laboruntersuchungen eingesetzt werden, um die Anfälligkeit gegenüber D. coronariae zu bewerten.

0 Kommentare
Was denken Sie? Artikel kommentieren

Zu diesem Artikel liegen noch keine Kommentare vor.
Schreiben Sie den ersten Kommentar.

Artikel kommentieren
Was denken Sie? Artikel kommentieren