SorBOOM basiert auf der Hypothese, dass neu verfügbare, qualitativ hochwertige Genomsequenzen zusammen mit digitalen, zerstörungsfreien Phänotypisierungsansätzen, gekoppelt mit den neuesten Umwelt- und Wachstumsmodellen sowie biostatistischen Methoden des maschinellen Lernens (ML), den Weg für eine effizientere Züchtung von Sorghum als bisher eher vernachlässigte Kulturpflanze ebnen. 
Der Schwerpunkt des Projekts liegt dabei auf der Überwindung von Hindernissen wie der Kälteanfälligkeit im Jugendstadium und der späten Reife von Körnersorghum, sowie der Toleranz gegenüber Trockenheit und anderen abiotischen Stressfaktoren in kritischen Entwicklungsstadien. Hochwertige Genome von bis zu 70 Zuchtlinien werden zu einem Pangenom und einem Pan-Methylom zusammengestellt, und Transkriptom und Methylom von Testhybriden bereitgestellt. Diese einzigartigen Ressourcen werden in Assoziationsstudien genutzt, um genetische, epigenetische und transkriptomische Determinanten agronomisch relevanter Merkmale in noch nie dagewesener Detailgenauigkeit zu identifizieren. Die identifizierten ultrahochauflösenden Marker werden in Vorhersagemodelle einfließen. In diesem Zusammenhang wird SorBOOM die Möglichkeiten der Modellierung des Pflanzenwachstums verbessern und nutzen, um die gezielte Sorghum-Züchtung auf verschiedenen Ebenen durch Envirotyping und Ideotyping zu unterstützen. Mit Hilfe von Modellierungstechniken, die auf den Daten von 200 Testhybriden basieren, die pro Jahr in sieben stark kontrastierenden Umwelten angebaut werden, adressieren wir zentrale Herausforderungen von Körnersorghum. Dafür nutzen wir die phänomische Selektion auf der Grundlage von NIR-Spektroskopie mit hohem Durchsatz und multispektralen Informationen aus der UAV-Bildgebung während der gesamten Vegetationsperiode. Für die integrierte genomische/phänomische Selektion werden wir klassische und ML-basierte Methoden vergleichen und gezielt mit der Wachstumsmodellierung verknüpfen.