基于轻量化深度学习模型LeafPoseNet的小麦旗叶角度精准测量与遗传解析

本研究针对小麦旗叶角度(FLANG)田间测量效率低、误差大的问题，开发了集成空间注意力机制的轻量化深度学习模型LeafPoseNet，实现MAE 1.75°的高精度测量。通过GWAS鉴定出10个QTL，发现调控油菜素内酯(BR)水平的候选基因TraesCS2B01G313700，为小麦理想株型育种提供新工具和靶点。

　　

在作物育种领域，小麦旗叶角度（FLANG）是决定光合效率和产量的关键性状。然而传统人工测量方法存在效率低、主观性强的问题，成为制约遗传研究和育种应用的"表型瓶颈"。更棘手的是，小麦高密度种植导致的叶片重叠使得基于3D重建的玉米测量技术难以适用。面对这一挑战，研究人员开发了一套创新的解决方案。

中国农业科学院作物科学研究所的研究团队通过智能手机采集田间图像，构建了轻量化深度学习模型LeafPoseNet。该模型采用深度可分离卷积和空间注意力机制，仅需0.88M参数即可实现关键点精确定位。在221份小麦种质测试中，模型表现出色（MAE=1.75°，R²=0.998），显著优于YOLO12x-pose等传统模型。研究进一步通过全基因组关联分析(GWAS)鉴定出10个QTL，其中位于2B染色体的qFLANG.2B.2位点包含调控油菜素内酯(BR)水平的候选基因TraesCS2B01G313700。这些发现为理解FLANG形成的遗传机制提供了新见解，相关成果发表在《The Crop Journal》上。

关键技术包括：(1)基于智能手机的标准化图像采集系统；(2)融合注意力机制的LeafPoseNet模型构建；(3)221份小麦种质资源的表型分析；(4)28.7M SNP的GWAS分析；(5)候选基因的等位变异与表达模式分析。

研究结果显示：

1. LeafPoseNet提供准确稳健的叶片角度测量
   模型在跨年测试中保持稳定性能，参数量仅为对比模型的1/33-1/6。注意力机制使模型在叶片扭曲、穗部遮挡等复杂场景下的MAE降低32%。

2. FLANG与农艺性状的相关性
   发现FLANG与株高呈正相关(r=0.34)，与产量呈负相关(r=-0.20)。现代品种中直立叶等位基因频率从41.7%升至75.0%，反映育种选择趋势。

3. GWAS鉴定新的FLANG相关QTL
   10个QTL分布在2B、4D等染色体，PVE达10.8-13.3%。其中qFLANG.6D.4与已报道的TaTOC1基因相邻，而qFLANG.2B.2的候选基因TraesCS2B01G313700可能通过BR途径调控叶角。

这项研究的意义在于：首次将轻量化深度学习模型成功应用于小麦FLANG的高通量表型分析，突破了传统方法的局限性。发现的QTL和候选基因为分子设计育种提供了新靶点，而LeafPoseNet的移动端适配潜力将加速田间表型组学发展。特别值得注意的是，TraesCS2B01G313700基因的育种选择特征暗示其在塑造现代小麦株型中的重要作用，这为后续功能验证和育种应用指明了方向。研究建立的"图像采集-模型预测-遗传解析"技术体系，为其他作物株型性状研究提供了可借鉴的范式。