FreezeNet：基于轻量化深度学习模型的小麦冻害精准评估与遗传解析新策略

为解决小麦苗期冻害评估主观性强、效率低的问题，中国农业科学院团队开发了轻量化深度学习模型FreezeNet，通过图像表型分析提取植被面积(VA)、绿色植被面积(GVA)、黄化植被比例(YVF)和平均色调值(mHue)等指标，在220份小麦材料中鉴定到11个冻害相关QTL（含8个新位点），并验证了其育种应用价值。该研究为小麦抗寒育种提供了高效精准的新工具，成果发表于《Plant Phenomics》。

　　

冬季小麦生产常遭遇低温胁迫，苗期冻害会导致细胞膜破裂和细胞死亡，严重影响产量。传统冻害评估依赖人工目测评分，存在主观性强、重复性差等问题。虽然无人机多光谱成像等技术有所改进，但易受土壤背景干扰，且设备成本高昂。如何建立高效、精准的冻害评估体系，并解析其遗传机制，成为小麦抗寒育种的关键瓶颈。

中国农业科学院的研究团队创新性地开发了轻量化深度学习模型FreezeNet。该模型基于改进的MobileNetV2架构，引入双向注意力机制和层级特征整合模块，在仅1.02M参数下实现了94.77%的像素精度。研究人员使用智能手机采集220份小麦材料的田间图像，通过HSV色彩空间阈值分割提取VA、GVA、YVF和mHue等表型指标。这些指标与传统人工评分(FIS)高度相关，其中YVF的遗传力达0.82，显著优于FIS(0.64)。

研究团队利用全基因组重测序数据（38,151,093个SNP）进行GWAS分析，通过两阶段LD筛选（r²
<0.8）获得1,168,252个独立SNP。混合线性模型(MLM)分析鉴定到11个显著QTL，其中位于5A染色体的QFT-s5A_520220486包含21个CBF（C-repeat binding factor）同源基因，解释23.2%的表型变异。地理分布分析发现，山西、山东品种中7个抗冻等位基因频率超过0.82，而河南、陕西品种61/91份材料不携带任何优势等位基因。

在育种验证中，通过将Jagalene品种的5个优势等位基因（含QFT-s5A_520220486）导入 Zhengmai 336背景，获得的BC₃
F₄
株系A552的YVF从0.88降至0.48。值得注意的是，QFT-iad4A_239817297和QFT-s5D_426027356两个新位点在所有时代和地区的利用率均低于0.2，可能是尚未开发的抗冻基因资源。

该研究首次将轻量化深度学习与图像表型分析相结合，解决了复杂田间环境下冻害精准评估的难题。FreezeNet模型参数仅为UNet的1/30，FLOPs降低42倍，适合移动端部署。发现的8个新QTL拓展了对小麦抗冻遗传机制的认识，特别是5D染色体上含有19个CBF基因的QFT-s5D_426027356位点，为分子设计育种提供了新靶点。研究建立的"表型-基因型"关联分析框架，为其他作物逆境响应研究提供了范式。

论文创新性体现在三方面：技术上开发了面向田间场景的轻量化分割模型；方法上创建了基于HSV色彩空间的冻害量化指标；应用上发现了被育种忽视的抗冻等位基因。这些突破对应对气候变化下的粮食安全挑战具有重要意义，相关模型已开源共享，将推动作物表型研究的普及化发展。