基于轻量化深度学习模型LeafPoseNet的小麦旗叶角度精准测量与遗传解析

针对小麦旗叶角度(FLANG)传统测量方法效率低、误差大的问题，研究人员开发了集成空间注意力机制的轻量化深度学习模型LeafPoseNet，实现田间FLANG的高通量精准测量（MAE=1.75°，R2=0.998）。通过GWAS分析221份小麦种质，鉴定到10个QTL，发现调控油菜素内酯(BR)水平的候选基因TraesCS2B01G313700。该研究为小麦理想株型育种提供了高效表型分析工具和基因资源。

　　

小麦作为全球三大粮食作物之一，其产量提升对保障粮食安全至关重要。旗叶作为小麦灌浆期主要光合器官，其角度(FLANG)直接影响光能利用效率——研究表明直立旗叶可使产量提升达13%。然而传统FLANG测量依赖人工量角器，存在效率低、主观性强等问题，成为制约遗传研究和育种应用的"表型瓶颈"。更棘手的是，小麦密植栽培模式下（河北地区≥300株/m²）叶片严重重叠，使得玉米等作物中应用的3D重建方法难以适用。如何突破这一技术壁垒，建立高效精准的FLANG测量体系，成为小麦遗传育种领域亟待解决的难题。

中国科学院遗传与发育生物学研究所的研究人员创新性地将计算机视觉技术与遗传分析相结合，开发出轻量化深度学习模型LeafPoseNet，实现了小麦FLANG的精准自动化测量。该研究通过两年田间试验和GWAS分析，不仅建立了标准化的表型采集流程，更鉴定出调控FLANG的关键遗传位点，相关成果发表在《The Crop Journal》上。

研究团队采用多学科交叉的研究策略：首先设计标准化图像采集装置（含智能手机固定架和背景板），构建包含2209张田间图像的数据库；开发基于热图回归的LeafPoseNet模型，其创新性地采用7×7大核深度可分离卷积和空间注意力机制；利用221份小麦自然群体（含6份地方种和209份育成品种）进行两年表型采集；通过GWAS分析28.7M SNP数据，结合表达谱和单倍型分析筛选候选基因。关键技术指标包括模型参数量仅0.88M，计算量11.57G MACs，较传统模型降低6-69倍。

研究结果揭示：1）模型性能方面，LeafPoseNet在跨年测试中保持稳定精度（MAE=1.43-1.75°，R²=0.998），显著优于YOLO系列和HRNet等模型，其空间注意力机制使复杂场景下的定位误差降低82%；2）农艺性状分析发现FLANG与株高正相关（r=0.34），与产量负相关（r=-0.20），现代品种较1990年前品种FLANG降低28.6%，反映育种选择趋势；3）遗传解析方面，GWAS鉴定到10个QTL，其中2B染色体上qFLANG.2B.2（PVE=12.65%）的候选基因TraesCS2B01G313700编码2-Cys过氧化物还原酶，可能通过调控油菜素内酯(BR)水平影响叶角，其优势单倍型在现代品种中频率从41.7%提升至75%。

这项研究在方法学和遗传机制层面均有重要突破：LeafPoseNet首次实现高密度种植下小麦FLANG的精准测量，其模块化设计便于移植到移动终端；发现的qFLANG.2B.2位点为分子设计育种提供了新靶点，其候选基因涉及BR信号通路，与已知FLANG调控基因TaSPL8存在通路关联。值得注意的是，研究揭示的"多基因微效"遗传架构（10个QTL各解释10-13%变异）解释了FLANG的中等遗传力（h²=68.4%），为复杂数量性状解析提供了范例。未来通过编辑TraesCS2B01G313700等候选基因，有望创制更适应密植栽培的理想株型小麦新材料。