基于图像的小麦穗轴表型分析新方法揭示穗粒分布遗传机制

《Plant Physiology》：Image-based rachis phenotyping facilitates genetic dissection of spikelet distribution in wheat

本研究针对传统方法难以精确量化小麦穗粒分布的问题，开发了基于深度学习的穗轴表型分析流程RachisSeg，实现了穗轴节间长度等性状的自动化测量。研究发现穗粒分布指数(SDI)与单穗产量(GYPS)呈中等相关(r=0.57)，而节间宽度(IW)与GYPS呈强正相关(r=0.75)。通过重组自交系群体定位到46个穗轴性状QTL，其中6B染色体上的主效QTL可解释24.8%的表型变异，并验证了TraesCS6B02G417000基因的功能。该研究为小麦穗型优化育种提供了重要工具和基因资源。

　　

小麦作为全球最重要的粮食作物之一，养活了世界上超过70亿人口，其产量和品质的改善一直是农业科学研究的重要方向。小麦穗部结构，特别是穗粒的分布模式，直接影响着籽粒的发育和最终产量。然而，传统的研究方法主要关注穗长和穗粒数等简单性状，对于穗粒在穗轴上的空间分布规律缺乏精确的量化手段。这限制了我们深入理解穗部结构与产量形成的关系，也阻碍了相关优良基因的挖掘和利用。

穗粒分布是指小麦穗轴上各个小穗的排列方式，它直接反映了穗轴节间长度的变化规律。均匀的节间长度导致穗粒均匀分布，而节间长度的变异则会造成穗粒分布的不均匀性。以往研究通常使用穗粒密度(SD，即单位穗长上的穗粒数)来描述穗粒分布的紧凑程度，但这一指标无法捕捉穗粒在穗轴上分布的不均匀性。例如，穗基部节间较短而顶部节间较长的穗子，与节间长度均匀分布的穗子可能具有相同的穗粒密度，但它们的穗粒分布模式却截然不同。这种分布差异会影响籽粒的灌浆均匀性和对病害的敏感性，因此开发能够精确量化穗粒分布的新方法对于小麦遗传改良具有重要意义。

为了解决这一技术瓶颈，中国科学院遗传与发育生物学研究所的研究团队在《Plant Physiology》上发表了题为"Image-based rachis phenotyping facilitates genetic dissection of spikelet distribution in wheat"的研究论文。该研究开发了一套名为RachisSeg的深度学习表型分析流程，能够自动从扫描的穗轴图像中提取多种穗轴性状，为研究小麦穗粒分布的遗传基础提供了强大工具。

研究人员采用的关键技术方法主要包括：基于Faster R-CNN的穗轴节点检测算法、基于测地距离变换的节间分割方法，以及从508份小麦种质资源(包括266份中国品种、74份美国品种和168份地方品种)和ZN17×YBM重组自交系群体中系统采集穗轴图像进行性状提取的规模化分析流程。

RachisSeg实现穗轴性状的精准提取

研究团队开发的RachisSeg流程首先通过平板扫描仪获取穗轴图像，然后进行图像二值化处理，提取单个穗轴掩模。利用Faster R-CNN网络自动检测穗轴节点，生成距离变换图，进而将穗轴分割为单个节间掩模。基于这些分割结果，计算出8种穗轴性状，包括穗粒数(SNS)、穗轴长度(RL)、穗柄直径(PD)、节间长度(IL)、节间宽度(IW)、穗粒密度(SD)、顶基穗粒数比(AVB_SNS)和穗粒分布指数(SDI)。

验证结果表明，RachisSeg对SNS和RL的自动测量与人工测量结果高度一致，R²分别达到0.975和0.998，平均绝对百分比误差分别为0.42%和0.26%。该流程在主穗和分蘖穗上均表现出稳定的高性能，证明了其在各种穗型条件下的可靠性。

SDI和AVB_SNS有效表征穗粒分布

为了验证新提出的穗粒分布性状的有效性，研究人员选择了Thunderbolt、Chul和K35三个小麦品种进行深入分析。这些品种具有相似的穗轴长度和穗粒数，在传统性状(SNS、RL、SD)上无显著差异，但它们的穗粒分布模式明显不同。

SDI和AVB_SNS能够有效区分这些品种的穗粒分布差异：Thunderbolt的SDI值小于1，表现为基部节间较短、顶部节间较长，基部穗粒分布较密集；Chul的SDI值接近1，节间长度均匀分布；K35的SDI值大于1，表现为基部节间较长、顶部节间较短，顶部穗粒分布较密集。这些结果表明，SDI和AVB_SNS能够捕捉传统SD测量所无法反映的穗粒分布变异。

小麦穗轴性状变异及其与产量性状的关系

对508份小麦种质资源的分析发现，穗轴性状存在广泛变异，其中AVB_SNS的变异系数最高(24.21%)。相关性分析显示，SDI和AVB_SNS与单穗产量(GYPS)呈中等相关(r=0.57和0.53)，而SD与GYPS的相关性较弱(r=0.44)。值得注意的是，节间宽度(IW)与千粒重(TGW)和GYPS呈强正相关(r=0.73和0.75)，表明穗轴的结构支持功能和营养运输能力对籽粒重量和产量潜力具有重要影响。

进一步分析发现，随着SDI值的增加，穗子上部小穗的平均粒数和平均粒重相对于下部小穗均呈下降趋势。只有当SDI小于或接近1时，上部小穗的粒数和粒重才超过下部小穗。当SDI超过1.1时，上部小穗的粒数稳定在最低值附近，而平均粒重继续下降，表明上部穗粒分布过密可能对粒重产生负面影响，这可能是由于发育中的小穗对同化物的竞争加剧或顶端穗轴同化物供应不足所致。

小麦穗轴性状呈现地域性变异

研究人员比较了来自三大类种质资源(中东地区的地方品种、美国品种和中国品种)的穗轴性状差异。代表性品种'Red Kamsereti'(地方品种)、'Crimson'(美国品种)和'Shannong20'(中国品种)在穗部形态上表现出明显差异。

地方品种在SD、RL、IL、PD、IW和SNS等性状上变异最大，中国品种次之，美国品种变异最小。中国品种在AVB_SNS、SDI和PH(株高)上表现出比地方品种更大的变异。中国品种的平均SDI、AVB_SNS和SD值显著较高，而地方品种和美国品种的平均SDI值接近1。中国品种的平均IL较短，但平均IW和PD较大，这些变化可能有助于提高粒重和穗重。

ZY-RIL群体中穗轴性状QTL鉴定

亲本ZN17和YBM在穗轴表型上存在显著差异，虽然SNS和RL无显著差异，但ZN17的SDI值显著高于YBM。在ZY-RIL群体中，研究人员共鉴定到46个与8个穗轴性状相关的QTL，分布在17条染色体上(除1D、3D、4B和7B外)，其中12个QTL的表型变异解释率(PVE)超过10%。

在6B染色体上定位到两个相邻的SDI相关QTL(QSDI.ucas-6B.2和QSDI.ucas-6B.3)，最大PVE为24.8%。在2A染色体上鉴定到两个重叠的AVB_SNS相关QTL(QAVB_SNS.ucas-2A.1和QAVB_SNS.ucas-2A.2)，PVE分别为25.2%和12.6%。在2D染色体上发现了一个多效QTL(QAVB_SNS.ucas-2D.1/QSNS.ucas-2D.1/QPD.ucas-2D.1/QSDI.ucas-2D.1)，对SDI的PVE最高为22.5%。

候选基因TraesCS6B02G417000可能调控小麦穗粒分布

在关键QTL区间QSDI.ucas-6B.2和QSDI.ucas-6B.3(物理位置687.04-691.29 Mb)内，研究人员筛选出候选基因TraesCS6B02G417000，该基因编码一个具有保守STKc_IRAK结构域的丝氨酸/苏氨酸激酶。EMS诱导的Kenong9204突变体在+1552处发生C-to-T转换，引入提前终止密码子并截断激酶结构域。

表型分析发现，突变体的SNS没有变化，但RL显著减少，SDI显著增加，表明TraesCS6B02G417000基因在小麦穗部结构调控中发挥作用。

该研究的结论部分指出，RachisSeg作为一个高效的穗轴表型分析工具，能够准确量化穗粒分布性状，促进小麦遗传分析和基因发掘。SDI和AVB_SNS能够捕捉传统SD无法反映的穗粒分布变异，为穗型研究提供了新视角。穗粒分布与产量性状的相关性表明，优化穗部结构对于提高小麦产量潜力具有重要意义。中国品种中较高的SDI值可能是对产量和株高降低被动选择的结果，而非对穗粒分布的有意识选择。研究表明，实现均匀的穗粒分布(SDI接近1)可能是更理想的育种目标，如'Jintai170'和'Shannong17'品种所示，这些品种在不产生顶端拥挤负面影响的情况下表现出高粒重和粒数。

遗传分析揭示了穗轴性状的复杂遗传基础，鉴定出的QTL和候选基因为进一步解析穗粒分布的分子机制奠定了基础。特别是6B染色体上的主效QTL和TraesCS6B02G417000基因的功能验证，为小麦穗型改良提供了有价值的遗传资源。这项研究不仅开发了强大的表型分析工具，还深入揭示了小麦穗粒分布的遗传调控网络，为未来小麦高产育种策略的优化提供了重要科学依据。