Sustainable barley (Hordeum vulgare L.) production will require access to diverse ex-situ conserved collections to develop varieties with high yields and capable of overcoming the challenges imposed by major abiotic and biotic stresses. This study aimed at searching efficient approaches for the identification of new sources of resistance to barley leaf rust (Puccinia hordei Otth). Two subsets, Generation Challenge Program Reference set (GCP) with 188 accessions and leaf rust subset constructed using the filtering approach of the Focused Identification of Germplasm Strategy (FIGS) with 86 accessions, were evaluated for the seedling as well as the adult plant stage resistance (APR) using two barley leaf rust (LR) isolates (ISO-SAT and ISO-MRC) and in four environments in Morocco, respectively. Both subsets yielded a high percent of accessions with a moderately resistant (MR) reaction to the two LR isolates at the seedling stage. For APR, more than 50% of the accessions showed resistant reactions in SAT2018 and GCH2018, while this rate was less than 20% in SAT2017 and SAT2019. Statistical analysis using chi-square test of independence revealed the dependency of LR reaction on subsets at the seedling (ISO-MRC), as well as at the APR (SAT2017 and SAT2018) stage. At seedling stage, the test of goodness of fit showed that GCP subset yielded higher percentages of resistant accessions than FIGS-LR in case of ISO-MRC isolate but the two subsets did not differ for ISO-SAT. At APR, FIGS approach performed better than GCP in yielding higher percentages of accessions in case of SAT2017 and SAT2018. Although some of the tested machine learning models had moderate to high accuracies, none of them was able to find a strong and significant relationship between the reaction to LR and the environmental conditions showing the needs for more fine tuning of approaches for efficient mining of genetic resources using machine learning.

可持续的大麦 ( Hordeum vulgare L.) 生产将需要获得各种异地保存的收藏品，以开发高产并能够克服主要非生物和生物胁迫带来的挑战的品种。本研究旨在寻找有效的方法来鉴定抗大麦叶锈病（Puccinia hordei）的新来源。哦）。两个子集，具有 188 个种质的世代挑战程序参考集 (GCP) 和使用 86 个种质的重点鉴定种质策略 (FIGS) 的过滤方法构建的叶锈病子集，评估了幼苗和成株阶段的抗性(APR) 使用两种大麦叶锈病 (LR) 分离株（ISO-SAT 和 ISO-MRC），分别在摩洛哥的四种环境中进行。两个子集在幼苗阶段产生了对两种 LR 分离株具有中等抗性 (MR) 反应的高百分比种质。对于 APR，SAT2018 和 GCH2018 中超过 50% 的种质显示出抗性反应，而这一比率在 SAT2017 和 SAT2019 中不到 20%。使用独立性卡方检验的统计分析揭示了 LR 反应对幼苗 (ISO-MRC) 子集的依赖性，以及APR（SAT2017和SAT2018）阶段。在幼苗阶段，拟合优度检验表明，在 ISO-MRC 分离株的情况下，GCP 子集产生的抗性种质百分比高于 Fig-LR，但两个子集对于 ISO-SAT 没有差异。在 APR 上，在 SAT2017 和 SAT2018 的情况下，无花果方法在产生更高百分比的种质方面表现优于 GCP。尽管一些经过测试的机器学习模型具有中到高的准确度，但没有一个能够发现对 LR 的反应与环境条件之间存在强烈而显着的关系，这表明需要对有效挖掘遗传资源的方法进行更精细的调整使用机器学习。拟合优度检验表明，在 ISO-MRC 分离株的情况下，GCP 子集产生的抗性种质百分比高于 FIG-LR，但两个子集对于 ISO-SAT 没有差异。在 APR 上，在 SAT2017 和 SAT2018 的情况下，无花果方法在产生更高百分比的种质方面表现优于 GCP。尽管一些经过测试的机器学习模型具有中到高的准确度，但没有一个能够发现对 LR 的反应与环境条件之间存在强烈而显着的关系，这表明需要对有效挖掘遗传资源的方法进行更精细的调整使用机器学习。拟合优度检验表明，在 ISO-MRC 分离株的情况下，GCP 子集产生的抗性种质百分比高于 FIG-LR，但两个子集对于 ISO-SAT 没有差异。在 APR 上，在 SAT2017 和 SAT2018 的情况下，无花果方法在产生更高百分比的种质方面表现优于 GCP。尽管一些经过测试的机器学习模型具有中到高的准确度，但没有一个能够发现对 LR 的反应与环境条件之间存在强烈而显着的关系，这表明需要对有效挖掘遗传资源的方法进行更精细的调整使用机器学习。在 SAT2017 和 SAT2018 的情况下，无花果方法在产生更高百分比的种质方面表现优于 GCP。尽管一些经过测试的机器学习模型具有中到高的准确度，但没有一个能够发现对 LR 的反应与环境条件之间存在强烈而显着的关系，这表明需要对有效挖掘遗传资源的方法进行更精细的调整使用机器学习。在 SAT2017 和 SAT2018 的情况下，无花果方法在产生更高百分比的种质方面表现优于 GCP。尽管一些经过测试的机器学习模型具有中到高的准确度，但没有一个能够发现对 LR 的反应与环境条件之间存在强烈而显着的关系，这表明需要对有效挖掘遗传资源的方法进行更精细的调整使用机器学习。