小麦旗叶角度精准测量新方法LeafPoseNet的构建及产量相关QTL鉴定

为解决小麦旗叶角度(FLANG)传统测量方法效率低、误差大的问题，研究人员开发了基于空间注意力机制的轻量化深度学习模型LeafPoseNet。该模型通过关键点检测实现FLANG自动化测量，平均绝对误差(MAE)仅1.75°，并应用于221份小麦种质的全基因组关联分析(GWAS)，鉴定到10个与产量相关的数量性状位点(QTL)，其中2B染色体上的TraesCS2B01G313700基因可能通过调控油菜素内酯(BR)水平影响FLANG形成。该研究为小麦理想株型育种提供了高效表型分析工具和基因靶点。

　　

小麦作为全球三大主粮之一，其产量提升对保障粮食安全至关重要。旗叶作为小麦光合作用的"功能叶片"，其角度(FLANG)直接影响光能捕获效率和产量潜力。然而传统FLANG测量依赖人工量角器，存在效率低、主观性强等问题，成为制约遗传研究和育种应用的"表型瓶颈"。更棘手的是，小麦密植条件下（如河北地区≥300株/m²）的叶片重叠问题，使得玉米中开发的3D重建方法难以适用。尽管前人已报道多个FLANG相关QTL，但仅有TaSPL8、TaAPA2和TaTOC1三个基因被克隆验证，遗传机制解析仍不充分。

中国科学院遗传与发育生物学研究所的研究团队开发了基于智能手机的轻量化深度学习模型LeafPoseNet，通过关键点热图回归实现FLANG精准测量。该研究在221份小麦种质中鉴定到10个稳定QTL，并发现2B染色体上TraesCS2B01G313700基因可能通过调控油菜素内酯(BR)水平影响FLANG形成，相关成果发表在《The Crop Journal》。

研究采用三大关键技术：1) 搭建包含智能手机、固定支架和背景板的田间图像采集系统，构建含2209张图像的数据集；2) 设计融合空间注意力机制的LeafPoseNet模型，采用深度可分离卷积构建四层特征提取网络；3) 基于28,768,966个SNP对221份小麦种质进行全基因组关联分析(GWAS)，采用混合线性模型(MLM)控制群体结构。

【LeafPoseNet提供精准测量】
模型在测试集上表现优异，MAE仅1.75°，显著优于YOLO12x-pose等5个对比模型。注意力机制使模型能聚焦关键区域，在叶片扭曲、穗部遮挡等复杂场景下仍保持稳定（图3）。与传统人工测量相比，LeafPoseNet将操作者间变异降低82%。

【FLANG与产量性状关联】
表型分析发现FLANG与株高呈正相关(r=0.34)，与产量呈负相关(r=-0.20)。现代品种中直立叶型频率显著增加（图4D），表明育种过程中对紧凑株型的选择趋势。

【GWAS鉴定新QTL】
研究鉴定到10个QTL，其中6D染色体上的qFLANG.6D.4与已知TaTOC1基因位置重叠，但未检测到多态性。2B染色体的qFLANG.2B.2（PVE=12.65%）区域内，TraesCS2B01G313700基因在叶舌和旗叶中高表达，其拟南芥同源基因BAS1参与BR调控。单倍型分析显示该基因启动子区变异与FLANG显著相关（图5D），现代品种中优势单倍型频率从41.67%提升至75%。

该研究创新性地将轻量化深度学习与作物表型组学结合，解决了密植小麦FLANG测量的技术难题。发现的QTL为分子设计育种提供新靶点，特别是TraesCS2B01G313700基因的BR调控通路为解析FLANG形成机制开辟了新方向。未来通过移动端部署LeafPoseNet，将加速小麦理想株型育种进程。