在高通量、規(guī)�；�的植物/作物表型平臺(tái)中，各種無損的表型成像分析技術(shù)是必不可少的。葉綠素?zé)晒狻⒍喙庾V熒光、紅外熱成像、高光譜成像等成像分析技術(shù)已經(jīng)是目前最先進(jìn)也最重要的無損植物表型檢測(cè)與分析技術(shù)，尤其適用于植物各種生物與非生物脅迫的檢測(cè)、預(yù)報(bào)與響應(yīng)機(jī)理研究。

同時(shí)，這些技術(shù)也可以直接用于種子本身的病蟲害檢測(cè)與抗性品種篩選。
江蘇農(nóng)科院與易科泰生態(tài)技術(shù)公司Ecolab生態(tài)實(shí)驗(yàn)室合作，利用相關(guān)技術(shù)進(jìn)行了綠豆豆象蟲害的快速檢測(cè)，并對(duì)不同品系綠豆的病蟲害抗性進(jìn)行定量鑒定。

在被豆象或病害侵染后，由于侵染植物或植物種子與未侵染植物或植物種子的光譜響應(yīng)差異，可據(jù)此研究分析植物的病蟲害感染生理生態(tài)過程與防治，并實(shí)現(xiàn)病蟲害侵染的快速檢測(cè)鑒定。在實(shí)驗(yàn)中，我們通過WIC植物紅外熱成像儀發(fā)現(xiàn)，由于豆象本身生理代謝以及綠豆被侵染后代謝紊亂，造成綠豆樣品間的溫度差異變化，由此可作為綠豆受侵染程度的檢測(cè)依據(jù)。
 
綠豆紅外熱成像分析，根據(jù)不同光照條件下的熱響應(yīng)，研究分析綠豆豆象侵染的早期檢測(cè)
不同品系綠豆的病蟲害抗性鑒定實(shí)驗(yàn)主要通過FluorCam多光譜熒光成像系統(tǒng)完成。這一系統(tǒng)是目前唯一有能力實(shí)現(xiàn)了一臺(tái)儀器上同時(shí)完成葉綠素?zé)晒�、多光譜熒光、NDVI歸一化植被指數(shù)以及GFP、YFP、BFP、RFP、CFP、DAPI等熒光蛋白與熒光染料的成像分析功能。同時(shí)也可以加裝RGB真彩成像和熱成像模塊。如果在搭配上高光譜成像模塊，其成像分析功能已經(jīng)幾乎可與PlantScreen高通量植物表型分析系統(tǒng)的成像單元相媲美。多光譜熒光成像技術(shù)非常適用于研究各種脅迫造成植物次生代謝與葉綠素含量變化。這一系統(tǒng)已經(jīng)廣泛應(yīng)用于植物病害、干旱、氮素缺乏等脅迫響應(yīng)研究。
  左：FluorCam多光譜熒光成像系統(tǒng)；右：感染白粉病的西葫蘆葉片：（a）RGB成像；（b）熱成像；（c）多光譜熒光F440成像；（d）多光譜熒光F520/F680成像

由于豆象侵染激活了綠豆本身的防御機(jī)制，同時(shí)正常的生化過程被打亂，從而合成了大量的次生代謝物。多光譜熒光成像正是無損定量檢測(cè)次生代謝水平的最佳工具。下圖中為間隔排列的不同品系綠豆對(duì)照組與豆象侵染的處理組，最左側(cè)一列為一種綠豆突變體，綠豆表面的白點(diǎn)為豆象蟲卵。通過右側(cè)的多光譜熒光成像圖可以明顯的看到豆象侵染顯著提高了綠豆次生代謝水平，而不同品系綠豆之間的本底次生代謝水平和抗性都有明顯差異。
 
下圖中左側(cè)柱狀圖為F440，反映綠豆的次生代謝總體水平；右側(cè)為F690，反映葉綠素相對(duì)濃度。每個(gè)品系處理左側(cè)為對(duì)照組，右側(cè)為豆象侵染的處理組。誘變處理左側(cè)為野生型對(duì)照，右側(cè)為誘變后的突變體。由圖中可見，品系3在豆象侵染前后的次生代謝水平都是最低的，同時(shí)豆象侵染幾乎沒有影響其葉綠素濃度。這可能表明其對(duì)豆象侵染的抗性最強(qiáng)。而誘變處理的綠豆無論是次生代謝水平還是葉綠素濃度都遠(yuǎn)低于野生型對(duì)照，其具體功能還需進(jìn)一步研究。
 
后續(xù)我們還準(zhǔn)備使用Specim IQ智能高光譜成像儀測(cè)量提取綠豆蟲害發(fā)生時(shí)的特征光譜曲線與定量參數(shù)，為綠豆蟲害快速檢測(cè)與抗性品種篩選提供理論依據(jù)。最終通過綜合分析各種表型數(shù)據(jù)，研究建立綠豆的快速表型鑒定體系，以指導(dǎo)優(yōu)良品種育種與生產(chǎn)實(shí)踐。
  左：Specim IQ智能高光譜成像儀；右：通過Specim高光譜成像技術(shù)鑒定綠豆正常種子與硬種子

參考文獻(xiàn)：

1. Pineda M, et al. 2017. Use of multicolour fluorescence imaging for diagnosis of bacterial and fungal infection on zucchini by implementing machine learning. Functional Plant Biology, https://doi.org/10.1071/FP16164
2. Phuangsombut K, , et al. 2018. Near-infrared hyperspectral imaging for classification of mung bean seeds, International Journal of Food Properties, 21(1): 799-807