預測植物的生長發(fā)育是植物生理學中一個長期的目標，它涉及兩個相互交織的組成部分：連續(xù)生長和生長階段的進展（即物候學）。作物生長模型作為分析和預測植物生長的多功能工具，在生物學的真實性和模型的簡潔性之間需要做出平衡。常見的建模方法是對時間進行溫度補償，從而使用基于物種特異性的固有溫度生長響應來“線性化”持續(xù)生長和物候期，但是也有證據(jù)表明物候與品種特異性的溫度響應有關。
 

2024年4月，Plant Phenomics 在線發(fā)表了ETH Zürich題為From neglecting to including cultivar-specific per se temperature responses: Extending the concept of thermal time in field crops 的研究論文。
 

在現(xiàn)有的大多數(shù)作物生長模型都普遍使用特定于物種的固有溫度生長響應（圖1-c）來“線性化”持續(xù)生長（圖1-e）和物候期（圖1-b）的背景下，他們提出了一個假設，認為品種特異性對溫度的響應對物候學有顯著影響。為了調(diào)查這一假設，在多年內(nèi)收集了冬小麥和大豆的基于田間的生長和物候數(shù)據(jù)（圖2），使用了從線性到神經(jīng)網(wǎng)絡的多種模型來評估不同性狀和協(xié)變量水平上對溫度的生長響應。結果表明品種特異性的非線性模型最能解釋與品種-環(huán)境相互作用有關的物候相關性（圖3）。

圖1 以冬小麥的生成生長為例，作物建模中補償溫度波動的策略示意圖。植物隨時間的生長呈現(xiàn)出非線性（a），并顯示出不規(guī)則的、可能與品種和環(huán)境相關的生長速率模式（d）。用溫度補償函數(shù)的物候期（b）和生長速率（e）隨時間變化。溫度補償函數(shù)可以基于品種水平的劑量反應曲線（c）或品種特異的劑量反應曲線（f）。
 

圖2 對冬小麥和大豆的評估數(shù)據(jù)集。（a）分別使用葉片長度跟蹤儀和葉片生長跟蹤儀測量小麥和大豆的葉片伸長和生長情況。（b）使用田間表型平臺采集 RGB 圖像，然后將圖像分割成顯示植物和土壤的像素。（c）使用基于表型平臺的陸地激光掃描儀和無人機運動結構技術測量植物高度。評估了四個參數(shù)劑量反應模型（d）和兩個半?yún)��?shù)劑量反應模型（e）。
 

圖3 冬小麥最佳物種特異性模型和品種特異性模型的性能概覽。物種特異性熱時間模型按品種特異性內(nèi)在生長率縮放，品種特異性的雙線性模型（Bi-linear）和漸進模型（Asym）則分別針對每個品種進行擬合。在未見的生長數(shù)據(jù)集（b）和未見的物候數(shù)據(jù)集（c）上對模型進行了測試，以顯示其預測生長和減少物候估計 G×E 的潛力。

該研究提出的田間表型工具的使用允許將特定品種的溫度響應函數(shù)納入未來的植物生理學研究中，這將加深對影響植物發(fā)育的關鍵因素的理解。因此，這項工作對作物育種和在不利氣候條件下的栽培具有重要意義。

論文鏈接：

‍https://doi.org/10.34133/plantphenomics.0185

——推薦閱讀——

Panicle-Cloud: An Open and AI-Powered Cloud Computing Platform for Quantifying Rice Panicles from Drone-Collected Imagery to Enable the Classification of Yield Production in Rice

‍https://doi.org/10.34133/plantphenomics.0105

Plant Phenomics | Panicle-Cloud: 一種基于開放式人工智能的稻穗云計算平臺

Determination of Fᵥ/Fₘ from Chlorophyll a Fluorescence without Dark Adaptation by an LSSVM Model

‍https://doi.org/10.34133/plantphenomics.0034

Plant Phenomics | 基于LSSVM 模型的無暗適應葉綠素a熒光Fᵥ/Fₘ的測定

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(fā)布會等高質量活動。

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》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領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，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學、植物科學、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
撰稿：周欽陽（南京農(nóng)業(yè)大學）
排版：張婕（上海交通大學）
審核：孔敏、王平