地下儲(chǔ)藏作物（塊莖和根），如木薯、甘薯、芋頭、山藥或馬鈴薯，是淀粉和其他碳水化合物的重要來源，不僅有助于全球糧食安全，而且還提供多樣化和重要的副產(chǎn)品。根和匍匐莖形態(tài)和根系構(gòu)型的遺傳和表型表征是需要解決的最大挑戰(zhàn)之一，為未來的育種、作物管理和產(chǎn)量提供知識(shí)基礎(chǔ)。
 

近日，Plant Phenomics在線發(fā)表了Forschungszentrum Jülich GmbH等單位題為Assessing the Storage Root Development of Cassava with a New Analysis Tool的研究論文。
 

本研究開發(fā)了一種能夠自動(dòng)分析根部直徑分布的方法，具體分為兩大模塊。第一個(gè)模塊是Root Segmentation包含根莖（次根莖檢測(cè)）、根系統(tǒng)架構(gòu)（RSA 分割）和其他目標(biāo)（如 QR 碼標(biāo)簽）的語義分割過程。第二個(gè)模塊Root Width Analysis對(duì)分割結(jié)果應(yīng)用脊檢測(cè)方法(ridge detection approach)，從而識(shí)別根中心并分析根系統(tǒng)架構(gòu)的寬度分布。但是Root Width Analysis模塊無法在不遮蓋背景的情況下從原始 RGB圖像數(shù)據(jù)中正確提取與根脊相關(guān)特征（Figure 1）。本研究以木薯根系為研究對(duì)象，根據(jù)其基因表達(dá)和直徑將其分為不同的根類型：須根、過渡根、早期儲(chǔ)存根和儲(chǔ)存根，分別對(duì)應(yīng)以下最大直徑：類型Ⅰ：<2 mm；類型Ⅱ：2-6 mm；類型Ⅲ：6-20 mm；類型Ⅳ：>20 mm（Figure 2）。
 

Figure1 Flowchart of the image processing pipeline for a single image or video frame
 

Figure 2 OpenSimRoot models and real root systems

實(shí)驗(yàn)結(jié)果表明：使用迭代脊檢測(cè)（iterative ridge detection）方法自動(dòng)量化根直徑分布，可以分析在根寬和根大量聚集方面表現(xiàn)出強(qiáng)烈變化的根系；該方法通過已知幾何形狀的虛擬根（OpenSimRoot軟件模擬根系生長(zhǎng)）模型進(jìn)行了驗(yàn)證。隨后對(duì)根系的時(shí)間序列進(jìn)行測(cè)試（Figure 5），結(jié)果表明由于類型Ⅰ（須根）的圖像分辨率差，其直徑被嚴(yán)重低估。類型Ⅱ和類型Ⅲ的直徑在每個(gè)生長(zhǎng)階段顯示模擬參數(shù)和分析結(jié)果高度一致性。類型Ⅳ直徑出現(xiàn)在第10周，但首次在第9周檢測(cè)到，這對(duì)應(yīng)于類型Ⅲ的直徑在同一周被高估。
 

Figure 5 Validation with simulated time-series of root system growth for different diameter classes

本研究估計(jì)了木薯真實(shí)根直徑分布的應(yīng)用，在整個(gè)時(shí)間跨度中，類型Ⅰ持續(xù)下降，而類型Ⅱ先增加至第8周隨后下降，類型Ⅲ急劇上升，類型Ⅳ沒有檢測(cè)到，但類型Ⅳ從第9周開始的箱線圖中出現(xiàn)了一些異常值，可能是由于存在早期階段的儲(chǔ)存根（Figure 8）。總而言之，本文提出的自動(dòng)分析根部直徑的分布的方法，可以定性和定量地監(jiān)測(cè)根系動(dòng)態(tài)生長(zhǎng)，能快速且穩(wěn)健地分析復(fù)雜的根系，從而適用于高通量表型分析和未來育種。

Figure 8 Root class-specific growth dynamics of excavated root systems

論文鏈接：

https://doi.org/10.34133/2022/9767820

——推薦閱讀——

Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline

https://doi.org/10.34133/2022/9758532

Plant Phenomics | 基于深度學(xué)習(xí)的微根管圖像自動(dòng)化分析方法

bjective Phenotyping of Root System Architecture Using Image Augmentation and Machine Learning in Alfalfa (Medicago sativa L.)

https://doi.org/10.34133/2022/9879610

Plant Phenomics | 基于圖像增強(qiáng)和機(jī)器學(xué)習(xí)的苜蓿根系表型研究

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、�？�發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

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(guó)科學(xué)促進(jìn)會(huì)（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。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。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(jī)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(shí)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(jì)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DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄�？祁Ｎò睯CR2021影響因子為6.961，位于農(nóng)藝學(xué)、植物科學(xué)，遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)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+排版：王慧敏（南京農(nóng)業(yè)大學(xué)）

審核：孔敏、王平