自動化表型和遺傳分析方法在八倍體草莓形態(tài)性狀研究上的應(yīng)用

Plant Phenomics | 對八倍體草莓形態(tài)的自動化表型和遺傳分析

人口壓力和氣候變化是人類在21世紀(jì)所面臨的兩個重要挑戰(zhàn)。未來全球人口預(yù)計將繼續(xù)呈指數(shù)增長，并在2050年高達98億。由溫室氣體排放引發(fā)的氣候變化可能是未來最大的威脅，因為它會導(dǎo)致極端天氣、加劇干旱和物種滅絕等。在這種不利情況下，糧食產(chǎn)量需要大大增加，且僅增加糧食產(chǎn)量還不夠，在育種中還需要在完成目標(biāo)的同時兼顧食品安全和環(huán)境保護。

人工育種技術(shù)的發(fā)展，是過去的一個多世紀(jì)中糧食產(chǎn)量大增的主要原因。育種的主要目標(biāo)是利用復(fù)雜性狀的遺傳變異，提高生長性能并優(yōu)化資源利用。植物育種涉及基因組學(xué)和表型組學(xué)，需要研究在給定環(huán)境中基因組的表達。目前，植物育種中的主要瓶頸是在各種不同的環(huán)境條件下，評估數(shù)百個品系，盡管已實現(xiàn)了對基因組的常規(guī)化分析，高通量表型分析仍是一項艱巨的任務(wù)。實現(xiàn)高通量表型分析，進一步實現(xiàn)自動化表型測量，可加快人工選育的進程。

機器人技術(shù)、電子技術(shù)和計算機科學(xué)的不斷發(fā)展，為表型分析領(lǐng)域的發(fā)展提供了更多的可能性：主觀、費時且常常具有破壞性的人工數(shù)據(jù)采集已被小型、性價比更高的傳感器、數(shù)碼相機、手機、無人機和質(zhì)譜儀等取代，難點則在于開發(fā)更先進的分析工具，從海量的表型數(shù)據(jù)中提取有價值的信息。

在與水果育種相關(guān)的表型分析中，形態(tài)性狀是一個重要的考慮點，因為外觀會影響消費者的購買意愿。通常，形態(tài)性狀是由手動或半自動的方式獲得的，因此可以使用數(shù)字圖像處理和完全自動化的分析方法，實現(xiàn)性價比更高的水果形態(tài)評估。

近日，Plant Phenomics在線發(fā)表了西班牙農(nóng)業(yè)基因組學(xué)研究中心（CRAG）Laura M. Zingaretti題為Automatic Fruit Morphology Phenome and Genetic Analysis: An Application in the Octoploid Strawberry的研究論文。

在該文中，作者提出了一種自動化的方法，用于對草莓內(nèi)部和外部圖像中提取出的形態(tài)性狀進行全面的表型和基因型分析。該方法對圖像進行分割、分類和標(biāo)記（Figure 1），并提取線性（面積、周長、圓形度等）和多元的（傅里葉橢圓分量等）結(jié)構(gòu)特征，并使用自動編碼器獲取內(nèi)部顏色特征，使輸出圖像更平滑。此外，文中還提出了一種變分自動編碼器，能夠自動檢測可能性最大的底層性狀數(shù)量，還使用貝葉斯模型估計了所有性狀的加性效應(yīng)和顯性效應(yīng)（Figure 2，3）。結(jié)果表明，正如預(yù)期那樣，結(jié)構(gòu)性狀是可以遺傳的；有趣的是，大多數(shù)性狀的顯性變異高于加性組成部分（Figure 7）。簡而言之，該文表明了水果的形狀和顏色性狀能夠以快速、自動化的方式被評估，并且具有一定的遺傳性。文中算法還可應(yīng)用于其他水果的分析中，相關(guān)代碼已在文章的GitHub（https://github.com/lauzingaretti/DeepAFS）中開源提供。

Figure 1: Workflow for automatic segmentation and label recognition from strawberry images: (a) feature extraction; (b) feature preprocessing and database generation.

Figure2: Data analysis workflow.

Figure3: Autoencoder architectures: (a) architecture of convolutional autoencoder applied to the internal fruit images; (b) architecture of convolutional variational autoencoder applied to external fruit.

Figure 7: Estimation of additive (h2a, in pink) and dominance (h2d, in green) variance fractions for measured traits.

論文鏈接
https://spj.sciencemag.org/journals/plantphenomics/2021/9812910/

——推薦閱讀——
Latent Space Phenotyping: Automatic Image-Based Phenotyping for Treatment Studies
https://spj.sciencemag.org/journals/plantphenomics/2020/5801869/
Plant Phenomics | 潛在空間表型：用于抗性研究的自動化圖像表型
Semantic Segmentation of Sorghum Using Hyperspectral Data Identifies Genetic Associations
https://spj.sciencemag.org/journals/plantphenomics/2020/4216373/
Plant Phenomics | 利用高光譜數(shù)據(jù)對高粱進行語義分割可識別遺傳關(guān)聯(lián)

About Plant Phenomics
《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被CABI、CNKI、DOAJ、PMC和Scopus數(shù)據(jù)庫收錄。

說明：本文由《植物表型組學(xué)》編輯部負責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：王棟（實習(xí)）
編輯：鞠笑、孔敏
審核：尹歡