基于高通量差异化学遗传筛选和机器学习图像分析的植物基因型特异性生长调节剂发现

本研究针对植物生长调控中基因型特异性化合物筛选效率低的问题，开发了结合高通量表型筛选与深度学习图像分析的新方法。研究人员通过比较拟南芥野生型(WT)和DNA修复突变体mus81对Prestwick化合物库的响应，利用卷积神经网络(CNN)建立生长表型量化系统，鉴定出硫鸟嘌呤(Thioguanosine)、伊立替康(Irinotecan)等3个特异性影响mus81生长的化合物。该研究为植物化学遗传学提供了高效筛选范式，相关成果发表于《iScience》。

　　

在植物生物学研究中，化学遗传学筛选为解析复杂生命过程提供了独特视角。传统方法多采用单一遗传背景筛选，难以区分化合物作用的基因型特异性效应。此外，植物表型分析依赖人工测量，效率低下且主观性强。这些问题严重制约了植物生长调控机制的解析和农业应用开发。法国巴黎-萨克雷大学农业生态研究所的Come Emmenecker、Rajeev Kumar团队通过整合高通量化学筛选与人工智能技术，建立了革命性的差异筛选平台。

研究采用卷积神经网络(ResNet)图像分类和U-Net分割算法，开发了自动化表型分析流程。通过优化拟南芥液体培养体系，系统比较了野生型与mus81突变体对1,520种Prestwick库化合物的响应差异。

Screen design and overview
研究设计基于"差异生长"核心理念，通过平行培养两种基因型拟南芥，结合微孔板内对照设置（MMC为阳性对照，DMSO为阴性对照），建立高通量筛选流程。自动化图像采集系统记录幼苗生长状态，CNN模型实现表型量化。

Development of in vitro assay
通过对比固体/液体培养基、96/24孔板等参数，确立24孔板液体培养为最优方案。定量分析显示，该体系能显著放大mus81突变体在MMC处理下的生长缺陷，10-12天培养期可获得最佳Z'因子（>0.5）。

Machine learning-based image analysis
开发的ResNet分类模型对正常/异常生长表型的识别准确率达100%。U-Net分割算法较传统方法(TWS)提升3.27%准确率，处理速度提高10倍，能精确量化根叶面积。两种方法互补验证了约10%的Prestwick化合物具有生长抑制作用。

Screening of Prestwick library
筛选发现188种化合物影响WT生长，163种影响mus81。通过计算WT/mus81生长比值Z score，鉴定出23个候选分子。验证实验确认硫鸟嘌呤(Prest-347)、伊立替康(Prest-1494)等3种化合物特异性抑制mus81生长，其中伊立替康作为拓扑异构酶I抑制剂的作用机制与mus81的DNA修复缺陷表型高度吻合。

讨论与结论
该研究建立了首个整合基因型差异比较与AI表型分析的植物化学筛选平台。创新性地采用生长比值Z score算法，有效区分了广谱毒性化合物与基因型特异性调节剂。发现的MUS81通路敏感化合物，为解析植物DNA损伤响应机制提供了新工具。方法学层面，U-Net分割与ResNet分类的协同应用，解决了传统植物表型分析中通量与精度的矛盾。

研究局限性在于初筛未设重复，导致部分假阳性出现。未来可结合多浓度筛选优化结果可靠性。该平台可拓展应用于其他遗传背景比较，如激素信号突变体等，为作物改良提供新型化学调控靶点。论文展示的"表型导向-机器学习"研究范式，为植物功能基因组学研究提供了普适性技术框架。