水稻氮素利用效率的组学辅助性状解析与基因型选择：基于多光谱成像和机器学习的精准表型分析

为解决水稻氮素利用效率(NUE)传统育种中表型分析效率低、精度不足的问题，研究人员通过高通量表型平台(HTP)结合RGB/IR/NIR多光谱传感器，对300个水稻基因型进行动态监测，鉴定出关键图像性状(i-traits)NUpE和NUEb，并建立机器学习模型实现非破坏性预测(R2 =0.98)。该研究为水稻氮高效育种提供了创新技术路径。

　　

氮肥过量施用导致的环境污染和资源浪费是制约水稻可持续生产的核心问题。尽管氮素利用效率(NUE)是育种关键靶标，但传统依赖破坏性取样和终点性状测量的方法存在效率瓶颈。更棘手的是，NUE作为复杂数量性状，涉及氮吸收(NUpE)、转运(NUtE)等多层次生理过程，现有技术难以实现动态解析。这一困境激发了研究者对高通量表型技术(HTP)的探索——通过非接触式传感器捕捉作物生长多维信息，结合机器学习挖掘隐藏表型特征。

中国农业科学院的研究团队在《Plant Stress》发表的研究中，创新性地将多光谱成像与性状解构策略相结合。实验设计包含三大技术支柱：首先，利用LemnaTec 3D扫描平台采集300个水稻基因型在氮充足(NN)与缺氮(LN)条件下的RGB/IR/NIR图像(68/75/83天)；其次，通过定制化图像分析流程提取334个图像性状(i-traits)，筛选出68个与生物量、株构和生理相关的关键特征；最后采用贝叶斯正则化神经网络(BRNN)建立NUEb预测模型。样本队列涵盖籼稻、粳稻、Aus等5个亚群，土壤氮梯度通过120N:60P:80K与0N:60P:80K处理实现。

动态表型响应解析显示，缺氮条件使生物量相关性状表型变异中环境贡献率超75%，而PC1分析揭示NUEb和NUpE在LN组的变异贡献达7.25%，显著高于NN组(0.5%)。多光谱数据挖掘鉴定出两个关键i-traits：投影冠层面积(PSA.P)与生物量呈强相关(r=0.957)，而BplusGminusR颜色指数动态反映叶片氮状态。机器学习模型对NUEb的预测精度达R²
=0.98，成功锁定IC463705、Suweon等高效基因型，其mNUEb(多时点均值)在缺氮条件下较基线群体提高77%。

株构特征与氮效率的关联分析发现，缺氮环境中凸包面积(CHASV)等株型性状与NUpE的遗传相关性增强。有趣的是，热成像揭示冠层温度与叶片氮含量聚类，暗示气孔调控可能是氮吸收的共适应机制。通过四象限选择法，研究者发现Cauvery等品种表现出"低氮高响应"特性，其NUEb在LN条件下提升达137%，而Basmati 370则呈现氮不敏感表型。

该研究突破性地将HTP技术应用于水稻NUE的组分性状解构，证明图像衍生性状可替代传统破坏性测量。提出的"多时点NUEb动态预测"框架为精准氮肥管理提供新工具，而鉴定的高效基因型为设计氮高效杂交组合奠定材料基础。未来研究可进一步整合根系表型与土壤氮传感，实现"土壤-植株"系统的全息优化。论文展示的性状解构策略对其它复杂农艺性状研究具有范式意义，为智慧育种时代的多组学整合提供技术样板。