Horticultural Science and Technology 원예과학기술지 ISSN:1226-8763(Print) 2465-8588(Online)

본 연구는 국내 육성 사과인 ‘루비에스’, ‘아리수’, ‘황옥’, ‘피크닉’, ‘컬러플’ 등 5품종을 대상으로 전분이 소실되는 패턴을 확인하고 코넬대학교 전분지수(starch pattern index: SPI, 1-8)에 따른 과실품질 평가, 성숙정도, 수확시기 구명 및 국내 활용을 위한 SPI 차트를 만들고자 하였다. SPI에 따른 수확 시 과실품질을 보면, 5개 품종 모두에서 SPI가 증가함에 따라 과중과 가용성 고형물 함량은 증가한 반면에, 경도와 산 함량은 감소하였다. 과피의 색 변화는 황색사과인 ‘황옥’ 사과를 제외한 모든 품종의 사과에서 전분지수가 증가할수록 색의 밝기를 나타내는 L* 값과 황색도를 나타내는 b* 값은 감소하였으나 적색도를 나타내는 a* 값은 증가하였다. 에틸렌 발생량은 SPI가 증가함에 따라 다소 증가하는 경향을 보였으나 그 발생량은 미미하였다. 각 품종별 SPI는 모두 radical 패턴을 나타내었으며, 수확시기가 빠른 기준으로 ‘루비에스’, ‘아리수’, ‘황옥’, ‘피크닉’, 그리고 ‘컬러플’ 사과의 SPI가 6에서 7로 변화되는데 소요기간은 각각 3일, 4일, 5일, 7일, 10일이, SPI가 7에서 8로 변화되는데 소요기간은 각각 7일, 5일, 7일, 7일, 10일이 소요되어 품종에 따라 SPI가 변화되는 소요 일수는 많은 차이를 보였다. 따라서 본 연구결과는 국내 육성품종의 SPI 차트개발에 따른 과실의 성숙도 평가와 수확시기를 설정할 수 있는 기초자료로 활용될 수 있을 것으로 판단되었다.

본 연구는 fatty alcohol(FA)과 6-benzyladenine(6-BA) 처리가 ‘후지/M.9’ 사과의 착과와 과실품질에 미치는 영향을 조사하였다. FA 처리 농도는 500배로 정화 중심화 80% 개화시 1회와 정화 중심화 80% 개화 + 액화 60–80% 개화 시 2회를 각각 처리하였고, 6-BA는 처리 농도 1,000배와 500배를 중심과 8mm 일 때 각각 처리하였다. 그리고 FA + 6-BA 혼용처리는 FA 1회 + 6-BA 1,000배와 FA 2회 + 6-BA 500배를 각각 처리하였고, carbaryl은 800배를 중심과 8mm 일 때 처리하였다. 과총당 총 착과율을 보면, 무처리구는 정화아는 61.0%였고, 액화아는 37.3%였지만 약제처리구들은 정화아는 35.2–50.6%, 액화아는 9.7–23.8%로 감소하였다. 그리고 정화아 중심과 착과율은 무처리구는 92.6%였고, 약제처리구들은 65.2–94.4%였으나, 액화아의 무처리구는 78.9%였으나 약제처리구들은 17.6–48.7%로 현저히 감소하였다. 정화아의 과총당 무착과율은 무처리구는 2.9%였지만, 약제처리구는 7.5–14.2%로 높았고, 1과 착과율의 경우도 무처리구는 14.1%였으나 약제처리구들은 20.6–33.9%로 높았다. 그리고 액화아는 무착과율이 무처리구는 19.6%였으나, 약제처리구들은 32.2–69.0%로 현저히 높았다. 그리고 수확시 과실품질은 과중을 제외하고는 모든 처리구들에서 차이를 보이지 않았다. 따라서 FA와 6-BA 처리에 따른 ‘후지’ 사과의 착과율을 현저히 감소시키는 효과를 보였다.

본 연구는 왁스플라워 삽목시 K-IBA 완전침지와 삽목 후 엽면살포처리로 발근율과 묘소질을 향상시킬 목적으로 수행하였다. 완전침지는 삽수 전체를 K-IBA 500, 1,000, 2,000, 4,000mg·L^-1 용액에 30초, 1, 2, 4분간 담근 후 삽목하였고, 엽면살포는 삽목 후 동일한 농도의 용액을 1주간격으로 1, 2, 4, 8주간 약액이 엽면에서 흘러내릴 정도로 살포하였다. 왁스플라워 ‘Mars’는 5월 삽목시 K-IBA 2,000, 4,000mg·L^-1 용액에 2분간 완전침지 후 삽목하였을 때 발근율이 40% 이상까지 높아졌으며, 9월 삽목에서는 K-IBA 500, 1,000mg·L^-1 용액을 엽면살포하였을 때 발근율이 50% 이상까지 증가하였다. ‘Early Nir’는 10월 삽목시 완전침지 처리는 K-IBA농도가 증가할수록 생존율과 발근율을 향상시켰으며, 농도와 처리시간 증가에 따른 역효과는 나타나지 않았다. K-IBA 2,000, 4,000mg·L^-1 용액에 2, 4분간 침지하면 발근율이 50% 이상으로 향상되었으며, 엽면살포 처리도 생존율과 발근율을 대조구에 비해 향상시켰으나 최대 발근율은 40% 이하로 낮았으며 살포횟수가 증가할 수록 효과는 감소하였다. 위의 결과로부터 생존율, 발근율, 묘소질을 종합적으로 고려할 때 ‘Mars’는 9월 삽목 시 K-IBA 500, 1,000mg·L^-1 용액을 엽면살포하고, ‘Early Nir’는 10월 삽목시 삽수를 4,000mg·L^-1 용액에 2, 4분간 완전침지하는 것이 삽목 증식효율을 각각 높일 수 있을 것으로 판단되었다.

본 연구는 작물 생장 모형과 빅데이터 분석을 위한 동적 생육자료 확보를 위해 스탠다드 절화 국화 ‘백마’와 ‘백선’의 시계열에 따른 생육량 측정값을 Gompertz와 expolinear 생장모델을 이용하여 주요 생육지표를 분석하고자 수행되었다. 일장조건은 삽목 이후부터 50일 동안 16시간 장일처리 하였고, 이후 실험 종료일까지 주간의 길이를 11.5시간으로 단일처리 하였다. 시계열에 따른 초장, 엽면적, 절간 수의 변화는 sigmoid형 생육 패턴을 나타냈다. Gompertz 생장 모델의 최대 값(y_max), 상대 생장률(k), 최대 절대 생장률에 도달한 정식 후 일수(t_inf), intercept(y₀)의 매개변수와 함께 초장, 절간 수, 엽면적 측정값의 98% 이상을 유의적으로 설명하였다. 국화의 시계열에 따른 총생체중의 변화는 지수적 생장 이후 선형적으로 증가하여, 지수선형함수의 파라미터인 최대 절대 생장률(c_m), 최대 상대 생장률(r_m), 지수생장에서 선형 생장으로 변화되는 정식 후 일수(t_b)와 함께 측정된 값의 98% 이상 유의적으로 설명할 수 있었다. 결론적으로 품종에 관계없이 시계열에 따른 초장, 엽면적, 절간 수의 다이내믹한 변화는 Gompertz 생장함수의 파라미터를 이용하여 유의적으로 묘사할 수 있었고, 두 품종의 생육 특성을 분석과 요약하는데 적합한 통계적 도구로 활용할 수 있었다. 또한 품종에 따른 총 생체중의 변화는 expolinear 생장함수의 매개변수를 이용하여 요약하고 생장률을 분석할 수 있었다. 본 연구에서 사용된 스탠다드 절화 국화의 동적 생육에 대한 생장함수와 각 함수의 파라미터는 절화 국화 생산현장에서 정식 일 수에 따른 중요한 생육 지표로 이용될 수 있을 것으로 판단된다.

작물의 재배에서 실시간으로 생육상태를 측정하는 것은 중요하다. 완전제어형 식물공장에서는 정확한 환경관리와 재배식물의 균일한 생육으로 인해 정식 후 일수(DAT)가 생육상태의 지표가 될 수 있다. 본 연구는 폐쇄형 식물공장 시스템에서 인공지능 모델을 이용하여 상추의 DAT를 이미지 데이터를 통해 추정하기 위해 수행되었다. 사용된 종묘는 Nunhems사의 청상추 ‘Thimble’품종으로, DAT별 이미지 데이터를 수집하였고 재배시스템은 NFT 시스템[240×60×200cm(L×W×H)]이었으며 LED 조명 RGB의 비율은 8:1:1로 세팅하였고 12시간 일장으로 광량은 265(±50)µmol·m^-2·s^-1로 조절하였다. 재배 환경은 온도 19–21°C, 상대습도 55–65%, CO₂ 500–800µmol·mol^-1였다. 동일한 환경에서 수행한 3번의 실험을 통해 총 12개체의 ‘Thimble’에서 DAT별 이미지를 촬영하였다. 모든 실험에서 정식 4일, 8일, 12일, 15일, 18일과 22일 후에 중복으로 이미지 데이터를 확보하였다. 수집된 DAT별 이미지 데이터 중 10개체에서 촬영된 총 240장의 이미지 데이터는 학습에 사용하였고, 학습에 사용되지 않은 2개체의 총 48장의 이미지 데이터는 인공지능 모델의 정확도를 검정하기 위해 사용하였다. 파이썬의 텐서플로를 활용하여 생성한 합성곱 신경망(CNN)을 통해 생성된 인공지능 모델은 검정 정확도가 91.7%였으며, 티처블 머신을 통해 생성한 인공지능 모델은 86.7%의 검정 샘플에서 정확한 정식 후 일수를 최대확률로 예측하였다. 본 실험의 경우, 적은 수의 이미지 데이터로 생성한 인공지능 모델이지만, 생육 환경을 정밀하게 조절할 수 있고 재배 식물의 생장 상태가 균일하여 규격화된 이미지 데이터가 생산되는 식물공장의 특성에 의해 통계적으로 유의미한 정확도를 보였다. 데이터가 많아질수록 모델의 정확도가 상승하는 인공신경망의 특성으로 미루어 추후 실험들을 통하여 더 많은 이미지 데이터를 수집한다면 인공지능 모델이 보다 더 정밀해질 것으로 보인다. 이를 통해 식물공장 재배 현장에 인공지능 예측, 판별을 도입하여 재배 식물의 생장을 실시간으로 확인하고 피드백할 수 있는 시스템을 갖출 수 있을 것으로 생각된다.

작물 생산성은 다양한 병원균에 의해 크게 위협받고 있다. 이를 해결하기 위한 방법으로 식물-병 상호작용 전사체 활용을 통해 저항성 기작 및 핵심 인자 규명 연구가 활발히 진행되고 있다. NGS기법을 통한 핵심인자 발굴은 다양한 연구에서 사용되어지고 있지만 복잡하고 다양한 프로그램으로 인해 최적화된 분석 파이프라인은 알려지지 않았다. 본 연구에서는 고추-감자역병 상호작용 전사체를 기반으로 핵심 유전인자 선발을 위한 핵심분석을 위한 사용자 편의성 증대 분석 파이프라인(pipeline of simplified and effective RNA-seq analysis, PoRAS)을 제시하고 고추와 감자역병균 상호 반응 유전자 전체에 대한 프로파일링을 수행했다. 구축된 전사체 분석 파이프라인을 활용하여 총 39개의 전사체를 대상으로 데이터 preprocessing 및 quality check을 수행했고, 각 데이터에서 84.87–92.38%의 고품질 서열이 남은 것을 확인하였다. 이후 DEG 분석을 통해 2,594개의 DEG를 확보하였으며 이후 GSEA를 통한 유전자 군집의 기능을 확인하였다. 그 결과 defense response, response of biology stimulus 및 recognition of pollen 등의 기능이 가장 유의하게 나타난 것을 확인할 수 있었다. 이를 통해 본 연구에서 제시한 분석 파이프라인, PoRAS는 대량의 RNA-seq 정보를 대상으로 기본에서 핵심 분석 단계를 통해 유의미한 정보를 확보할 수 있으며 이는 전사체 분석을 통한 핵심 유전인자의 확보를 위한 전략으로 사용될 수 있다.