The next generation of gene-based crop models offers the potential of predicting crop vegetative and reproductive development based on genotype and weather data as inputs. Here, we illustrate an approach for developing a dynamic modular gene-based model to simulate changes in main stem node numbers, time to first anthesis, and final node number on the main stem of common bean (Phaseolus vulgaris L.). In the modules, these crop characteristics are functions of relevant genes (quantitative trait loci (QTL)), the environment (E), and QTL × E interactions. The model was based on data from 187 recombinant inbred (RI) genotypes and the two parents grown at five sites (Citra, FL; Palmira, Colombia; Popayan, Colombia; Isabela Puerto Rico; and Prosper, North Dakota). The model consists of three dynamic QTL effect models for node addition rate (NAR, No. d− 1), daily rate of progress from emergence toward flowering (RF), and daily maximum main stem node number (MSNODmax), that were integrated to simulate main stem node number vs. time, and date of first flower using daily time steps. Model evaluation with genotypes not used in model development showed reliable predictions across all sites for time to first anthesis (R2 = 0.75) and main stem node numbers during the linear phase of node addition (R2 = 0.93), while prediction of the final main stem node number was less reliable (R2 = 0.27). The use of mixed-effects models to analyze multi-environment data from a wide range of genotypes holds considerable promise for assisting development of dynamic QTL effect models capable of simulating vegetative and reproductive development.

中文翻译：

---

下一代作物模型：模拟普通豆 (Phaseolus vulgaris L) 早期营养和生殖发育的模块化方法

下一代基于基因的作物模型提供了基于基因型和天气数据作为输入预测作物营养和生殖发育的潜力。在这里，我们说明了一种开发基于动态模块化基因模型的方法，以模拟普通豆 (Phaseolus vulgaris L.) 主茎上的主茎节数、首次开花时间和最终节数的变化。在模块中，这些作物特征是相关基因（数量性状基因座（QTL））、环境（E）和 QTL × E 相互作用的函数。该模型基于来自 187 个重组近交 (RI) 基因型的数据以及在五个地点（佛罗里达州西特拉；哥伦比亚帕尔米拉；哥伦比亚波帕扬；伊莎贝拉波多黎各；以及北达科他州 Prosper）生长的两个亲本的数据。该模型由三个节点添加率的动态QTL效应模型（NAR，No. d− 1)、从出现到开花的每日进展速度 (RF) 和每日最大主茎节数 (MSNODmax)，它们被整合以模拟主茎节数与时间的关系，以及使用每日时间步长的第一朵花的日期. 模型开发中未使用基因型的模型评估显示，所有位点对首次开花时间 (R2 = 0.75) 和节点添加线性阶段 (R2 = 0.93) 期间的主茎节数都有可靠的预测，同时预测最终主茎节点数不太可靠（R2 = 0.27）。使用混合效应模型来分析来自各种基因型的多环境数据，对于协助开发能够模拟营养和生殖发育的动态 QTL 效应模型具有相当大的潜力。和每日最大主茎节数 (MSNODmax)，它们被整合以模拟主茎节数与时间的关系，以及使用每日时间步长的第一朵花的日期。模型开发中未使用基因型的模型评估显示，所有位点对首次开花时间 (R2 = 0.75) 和节点添加线性阶段 (R2 = 0.93) 期间的主茎节数都有可靠的预测，同时预测最终主茎节点数不太可靠（R2 = 0.27）。使用混合效应模型来分析来自各种基因型的多环境数据，对于协助开发能够模拟营养和生殖发育的动态 QTL 效应模型具有相当大的潜力。和每日最大主茎节数 (MSNODmax)，它们被整合以模拟主茎节数与时间的关系，以及使用每日时间步长的第一朵花的日期。模型开发中未使用基因型的模型评估显示，所有位点对首次开花时间 (R2 = 0.75) 和节点添加线性阶段 (R2 = 0.93) 期间的主茎节数都有可靠的预测，同时预测最终主茎节点数不太可靠（R2 = 0.27）。使用混合效应模型来分析来自各种基因型的多环境数据，对于协助开发能够模拟营养和生殖发育的动态 QTL 效应模型具有相当大的潜力。和使用每日时间步长的第一朵花的日期。模型开发中未使用基因型的模型评估显示，所有位点对首次开花时间 (R2 = 0.75) 和节点添加线性阶段 (R2 = 0.93) 期间的主茎节数都有可靠的预测，同时预测最终主茎节点数不太可靠（R2 = 0.27）。使用混合效应模型来分析来自各种基因型的多环境数据，对于协助开发能够模拟营养和生殖发育的动态 QTL 效应模型具有相当大的潜力。和使用每日时间步长的第一朵花的日期。模型开发中未使用基因型的模型评估显示，所有位点对首次开花时间 (R2 = 0.75) 和节点添加线性阶段 (R2 = 0.93) 期间的主茎节数都有可靠的预测，同时预测最终主茎节点数不太可靠（R2 = 0.27）。使用混合效应模型来分析来自各种基因型的多环境数据，对于协助开发能够模拟营养和生殖发育的动态 QTL 效应模型具有相当大的潜力。而最终主干节点数的预测不太可靠（R2 = 0.27）。使用混合效应模型来分析来自各种基因型的多环境数据，对于协助开发能够模拟营养和生殖发育的动态 QTL 效应模型具有相当大的潜力。而最终主干节点数的预测不太可靠（R2 = 0.27）。使用混合效应模型来分析来自各种基因型的多环境数据，对于协助开发能够模拟营养和生殖发育的动态 QTL 效应模型具有相当大的潜力。