综述：真菌病原体叶部病害抗性表型组学：基于图像的谷物种质资源定量抗性作图方法

这篇综述系统探讨了利用图像表型技术挖掘谷物种质资源中未被充分利用的定量抗性(QR)基因的创新方法。文章详细介绍了从宏观(可见症状)到微观(宿主-病原体互作)的多尺度图像分析技术，包括传统算法和人工智能(AI)方法在GWAS(全基因组关联分析)中的应用，为培育持久抗病性作物品种提供了新思路。

　　

引言

全球基因库保存着大量谷物种质资源，这些资源可能携带未被充分利用的抗病等位基因。随着大规模测序和基因分型工作的开展，谷物基因组资源已相当完善。全基因组关联研究(GWAS)成为在这些多样性集合中初步发现新抗病位点或等位基因的主要关联遗传学技术。传统的抗病表型分析方法依赖于对疾病症状严重程度的视觉估计，已成功支持通过GWAS或双亲本群体中的QTL作图进行的遗传图谱研究，促进了标记开发和基因克隆工作。

谷物宿主遗传和基因组资源

疾病抗性研究将继续受益于高度发达的宿主遗传资源。基因库基因分型工作产生了永久性数据资源，将表型变异与基因组多样性联系起来。德国联邦农业和园艺作物物种离体基因库对8070份冬小麦和7240份春小麦进行了基因分型。澳大利亚谷物基因库使用Illumina Infinium小麦大麦40K SNP芯片对12,606份六倍体小麦和13,989份大麦进行了基因分型。

小麦和大麦泛基因组研究的巨大进展推动了对重要农艺性状的理解，这主要是通过长读长测序技术实现的。在Triticeae族中，复杂和/或多倍体基因组与低重组率可能构成进一步障碍。泛基因组可以被描述为来自同一物种多个个体的基因存在-缺失变异(PAV)的物种范围目录。

针对谷物叶部病原体的持久定量抗性

疾病抗性的表型结果可大致分为定性或定量。定性抗性(有时称为幼苗或全生育期抗性)导致对单个或一组病原小种的接近或完全免疫，易于基于二元分类为抗性(R)或感病(S)进行表型分析。定性抗性通常与免疫受体的典型类别相关，包含核苷酸结合亮氨酸重复序列(NLR)或受体样激酶(RLK)结构域，参与与病原体效应子的基因对基因互作。

定量抗性(QR)，也称为部分抗性(PR)或成株抗性(APR)，表现为疾病症状频率的降低而非消除。QR的表达可以延长潜伏期(从接种到可见疾病症状出现的时间)并降低生长速率(疾病症状随时间的发展)，这是慢锈基因的特征。QR通常归因于多个数量遗传等位基因的上位或加性效应，这些等位基因在QTL作图中贡献表型方差的小部分，并且由于缺乏小种特异性而被假设为更持久。

叶部病害抗性表型的基于图像方法

基于图像的方法量化疾病远非新颖，并试图克服视觉评估的局限性，提高准确性、精确度和可重复性，最终提高作图分辨率。大多数基于图像的方法关注评估温室或田间的疾病严重程度，而不是用于作物改良的抗病表型分析，并依赖于连接到不同平台的各种传感器，包括手持设备、漫游车、无人飞行器或卫星。

宏观表型建立在叶部病害视觉评估基础上。基于图像的方法量化疾病已成功用于谷物物种，但这些技术尚未被广泛采用且缺乏标准化。BluVision Macro是德国IPK开发的自动化显微镜流程，专门用于表征基因库范围内对小麦和大麦白粉病的抗性变异。这一显微镜方法依赖于考马斯亮蓝染色表皮霉菌菌落，便于病原体可视化、图像采集和分析。

微观表型提供了宿主-病原体互作的深入机制理解。虽然宏观评估植物抗病性已通过自动化基于图像的方法在受控条件下得到改进，但宏观表型忽略了感染早期阶段的活性抗性机制。显微镜长期以来在探索植物-病原体互作中发挥重要作用，揭示了真菌发病机制和植物抗性机制的隐秘方面。

图像分析：传统和基于AI的方法

图像分析可以说是基于图像抗病表型最具突破性的方面，使用传统和AI方法实现自动化定量图像分析，从而进一步解析谷物宿主植物抗性表型。由于AI在数字农业中的日益普及及其在"大数据"分析中的实用性，本节概述了AI中的关键概念，以帮助非专家熟悉AI术语和方法，并弥合多学科团队之间的理解差距。

当需要更复杂的分割或目标检测时，AI方法非常适合该任务。AI是一个广义术语，指使机器能够复制或超越人类智能的技术。在开发"SeptoSympto"用于小麦叶片上分生孢子器检测时使用了迁移学习，其中基于预训练的YOLOv5架构在240张叶片图像数据库上进行了微调。同样，Liu等人开发的"StripeRust-Pocket"基于预训练模型进行叶片分割(使用MobileNetV2-DeepLabV3+)和病斑分割(使用ResNet50-DeepLabV3+)。

未来展望

数字图像便于专家之间更轻松的沟通，可用于教育目的或远程协作，并将构成现代化护照数据的一部分，代表在受控条件下材料特定疾病反应的确切相似性。这将很大程度上取决于合作协定下的开放获取数据共享政策。