APTES：基于深度学习的拟南芥叶片和角果高通量表型性状自动估算系统

《aBIOTECH》：APTES: a high-throughput deep learning–based Arabidopsis phenotypic trait estimation system for individual leaves and siliques

本研究针对拟南芥基因型-表型关联研究中的表型精准量化瓶颈，开发了基于深度学习的拟南芥表型性状估算系统APTES。该系统通过改进的Cascade Mask R-CNN和DetectoRS模型实现叶片与角果的实例分割，分别获得0.961和0.942的F1值，可自动提取128个形态指标。利用166个拟南芥种质进行GWAS分析，发现1,042个SNP与18个叶片性状显著相关，并鉴定到染色体3上调控角果数量的候选基因OFT1。该系统为植物功能基因组研究提供了高效精准的分析工具。

　　

在植物科学研究中，精确量化表型性状是解析基因功能的关键环节。作为模式植物，拟南芥（Arabidopsis thaliana）因其基因组小、生命周期短等优势，成为研究基因型-表型关联的理想材料。然而，传统人工测量方法存在效率低、主观性强等局限，特别是对叶片和角果等器官的形态指标测量，严重制约了大规模遗传学研究的发展。虽然高通量成像技术解决了数据采集瓶颈，但如何从复杂图像中精准提取器官级表型参数，尤其是实现重叠器官的自动识别与分割，仍是当前植物表型组学领域的核心挑战。

针对这一技术瓶颈，华中农业大学杨万棱团队在《aBIOTECH》发表了题为"APTES: a high-throughput deep learning-based Arabidopsis phenotypic trait estimation system for individual leaves and siliques"的研究论文。该研究开发了一套基于深度学习的拟南芥表型性状自动估算系统APTES，通过整合计算机视觉与深度学习算法，实现了叶片和角果的高精度实例分割与性状提取。

关键技术方法包括：1）基于改进Cascade Mask R-CNN的叶片分割模型，采用ResNeSt主干网络和通用感兴趣区域提取（GRoIE）模块增强特征提取能力；2）优化DetectoRS的角果分割模型，引入组归一化（GN）和权重标准化（WS）提升小批量训练效果；3）利用国际植物表型网络（IPPN）和英国国家植物表型中心提供的公开数据集进行模型训练与验证；4）对166个拟南芥种质进行全基因组关联分析（GWAS），挖掘性状相关遗传位点。

高级模型实现叶片分割与表型性状估算

研究团队通过增强Cascade Mask R-CNN模型，将主干网络从ResNet替换为具有分裂注意力机制的ResNeSt，并结合GRoIE模块优化区域提议网络。在对4,250张增强图像进行训练后，模型在测试集上获得0.965的精确度、0.958的召回率和0.961的F1值。在叶片计数方面，预测值与真实值的平均差异仅为0.758片，叶片面积、长度和宽度等性状的确定系数（R²）介于0.776-0.992之间，平均绝对百分比误差（MAPE）为1.89%-7.90%。

角果分割与表型估算的高级模型

针对角果分割任务，研究团队开发了基于改进DetectoRS的实例分割模型。该模型通过引入GN和WS有效缓解了小批量训练的不利影响，在2,357张增强图像训练后，精确度、召回率和F1值分别达到0.954、0.930和0.942。角果数量、面积、长度和宽度等性状的R²值为0.931-0.976，MAPE为1.89%-7.90%，表明管道具有高精度。

基于APTES表型数据的全基因组关联研究

利用APTES管道对166个拟南芥种质进行表型分析，结合GWAS研究，共发现1,042个单核苷酸多态性（SNP）与18个叶片相关性状显著相关。特别值得注意的是，在染色体3上鉴定到一个与角果数量显著相关的SNP，该位点位于O-岩藻糖基转移酶1（OFT1）基因附近。携带SNP-A的种质比SNP-G种质角果数量更少，这与先前报道的oft1突变体角果发育缺陷表型一致，提示OFT1可能是调控角果数量自然变异的候选基因。

APTES管道的时间效率

在配备NVIDIA RTX 3090 GPU的服务器上，叶片图像平均处理时间为0.15秒/张，角果图像为0.29秒/张。该系统兼容智能手机采集的图像，并能适应不同分辨率的输入数据，展现了在非受控环境下的应用潜力。

与传统方法的比较研究

与Otsu阈值法和K-means聚类等传统方法相比，APTES在复杂背景下表现出显著优势。传统方法常将背景误判为植物组织，或无法区分角果与茎杆，而深度学习模型能精准识别重叠器官。改进后的Cascade Mask R-CNN模型在叶片分割的精确度、召回率和F1值分别比原模型提升约1个百分点；角果分割模型中，改进DetectoRS的精确度和F1值分别提高1%和2个百分点。

APTES的通用性验证

研究团队在三个公共拟南芥数据集（拟南芥全生长数据集、ARADEEPOPSIS和植物表型数据集）上验证了APTES的通用性，即使在低分辨率图像中也能实现精准分割。此外，系统成功应用于百日草、矮牵牛、小白菜和辣椒等其他植物物种的叶片分割，证明其具有较强的跨物种适应性。

本研究开发的APTES系统首次实现了拟南芥叶片和角果的实例级分割，克服了传统语义分割方法在器官水平量化中的局限。通过整合先进的深度学习架构与计算机视觉技术，该系统能够从单一图像中自动提取64个叶片性状和64个角果性状，为高通量植物表型分析提供了新范式。GWAS研究结果验证了该系统在解析复杂性状遗传基础方面的实用性，其中OFT1基因与角果数量的关联为后续功能研究提供了新方向。

尽管APTES在受控实验室条件下表现优异，但作者指出其在田间复杂环境中的适用性仍存在局限。未来工作将聚焦于扩展训练数据集涵盖更多环境条件，整合三维建模技术，并建立形态特征与生化参数的多模态关联，从而深化对表型形成机制的理解。该系统的开源特性（https://drive.google.com/drive/folders/1i9IariilIrxuFtVIaRialzqvb8Gfg3xTc）将促进植物科学界的广泛应用，推动植物表型组学向更精准、高效的方向发展。