Plant Phenomics | 基于图像的水稻全生育期表型数据获取与解析策略

水稻（Oryza sativa L.）作为世界上种植最广泛的作物之一，是全球50%以上人口的主食和热量摄入来源, 尤其以亚洲发展中国家为主，其比例甚至超过60%。近年来，随着世界人口不断增长和气候环境的急剧变化，全球粮食系统将面对愈加严峻的压力，如何在减少环境破坏的前提下，持续性强化粮食生产对人类社会的福祉和繁荣举足轻重。随着分子生物学的快速发展，下一代测序技术和高通量SNP分子标记等基因分型方法可以快速准确地实现对水稻种质资源的鉴定，水稻基因组重测序数据的快速积累也为水稻数量性状位点和分子标记的开发提供了大量的多态基因组序列，深入推进了有关水稻重要农艺性状的遗传基础的了解，迅速扩大了我们对水稻遗传变异的认知。大量水稻基因组重测序数据的快速积累，探索如何将基因型与表型联系起来成为水稻育种研究的重中之重。

然而，传统的表型采集主要依靠人工进行，耗时、效率低、劳动力需求高，不仅极大增加了测量成本，而且因人为主观性因素的存在也无法保证采集的表型数据质量。另外，表型参数的人工测量大多以破坏性测量为主，且通常只能在固定时间点进行采样，无法对同一植株的动态发育过程及变化特征进行连续性测量。传统的表型获取方式局限性较大且缺乏规范统一的表征标准，无法切实满足实际需求，表型测量技术的匮乏和创新型技术研发的滞后已成为作物育种研究发展的瓶颈之一。随着光学成像系统和图像处理技术不断更新和发展，从图像层面对作物生长发育情况进行分析的表型采集方式已逐渐得到育种学家的认可。基于光学成像技术，可快速高效完成作物表型参数的获取，同时可在无损的前提下对同一植株生长发育相关性状进行连续测量，打破了传统表型测量的局限性，配合自动化智能化农业设施，实现在稳定一致的环境条件下，高通量、准确、无损地对作物表型进行获取。

高通量植物表型分析平台作为作物育种研究解决方案的出现，弥合了作物基因型和表型分析之间的发展差距。人们普遍认识到，可以在高通量表型设施的基础上评估植物生长和发育的动态过程。植物表型定量的方法和标准逐渐引起育种研究者的广泛关注。近年来，随着机器学习等创新人工智能方法的出现，在表型分析的图像处理中得到广泛应用，由于此类方法强大的适应性和图像处理能力，取得了令人瞩目的成就。

2023年6月，中国科学院遗传与发育生物学研究所作物表型组学研究中心和华中农业大学杨万能团队在Plant Phenomics杂志上联合发表了题为“A Strategy for the Acquisition and Analysis of Image-Based Phenome in Rice during the Whole Growth Period”的研究论文。该文通过高通量可见光成像平台对水稻全生育期图像进行获取，提出一种基于图像的水稻全生育期时空表型组获取及解析策略，并对获取得到的时空多维度表型性状信息进行解读分析，挖掘表型和基因型之间的关联。研究选用93 个来自不同地区的水稻主栽品种（包括 32 个籼稻品种和 61 个粳稻品种）作为实验材料，于统一环境条件下进行培育，共4个重复。使用中国科学院遗传与发育生物学研究所的温室型高通量植物表型成像系统(LemnaTec GmbH, Germany)完成实验材料的自动化运输和图像自动采集工作，保证培育条件统一、采集方式统一、采集位置统一。通过提出的策略获取和分析了水稻整个生长期的58个基于图像的性状（i-raits）。这些i-raits可以解释高达84.8%的水稻产量表型变异。共检测到285个i-raits的推定数量性状位点（QTL），并在i-raits的基础上，在时间和器官维度上应用主成分分析，同时进行全基因组关联研究，分离QTL。此外，不同基因型群体结构和不同选育稻区之间在表型性状方面的差异表现出良好的环境适应性，作物生长发育模型在选育稻区纬度方面也表现出高度融合。

总之，本文主要提出了一种关于处理水稻全生育期图像的提取和解析策略，该策略同样具有在其他作物进行运用的潜力，为作物育种研究提供新的思考方向。

—— 文献原文 ——

Tang Z, Chen Z, Gao Y, et al. A Strategy for the Acquisition and Analysis of Image-Based Phenome in Rice during the Whole Growth Period[J]. Plant Phenomics, 2023, 5: 0058.

转自：“植物生物技术Pbj”微信公众号

如有侵权，请联系本站删除！