水稻耐穗发芽QTL定位及基于深度学习的穗发芽率精准测量模型构建

这篇研究通过构建F8重组自交系（RIL）群体，结合YOLOv8深度学习算法开发了水稻穗发芽（PHS）率自动化检测模型（mAP=0.974，R2=0.9567），定位到3号、6号和7号染色体上具有环境稳定性的数量性状位点（QTL），并鉴定出6号染色体候选基因Os06g0317200（编码甘氨酸富集蛋白）。研究为耐PHS水稻品种选育提供了高效表型分析工具和分子标记资源。

　　

2 MATERIALS AND METHODS

研究选用具有穗发芽（PHS）表型差异的粳稻品种"Junam"（中度敏感）和"Nampyeong"（抗性）构建182个F₈代重组自交系（RIL）群体。通过靶向捕获测序技术获得763个SNP标记，构建总长1507.4 cM的遗传图谱。创新性开发基于YOLOv8算法的深度学习模型，利用23,000张种子图像训练，实现胚根突破种皮（germinated）与未萌发（ungerminated）种子的自动识别，模型平均精度（mAP50）达0.974。

3 RESULTS

3.1 深度学习模型性能

模型对未萌发种子识别准确率达99%，萌发种子为88%。在温室实验中，模型测量值与人工计数显著相关（R²=0.9567）。值得注意的是，该模型能有效处理高密度（280粒/皿）条件下胚根相互遮挡的复杂场景。

3.2 表型变异特征

田间与温室环境PHS率呈现显著差异：田间平均16.1%（0.7%-65.5%），温室达38.6%（3.0%-93.1%）。亲本Junam和Nampyeong的PHS率在温室分别为54.1%和26.9%，显示环境温度对表型的强烈影响。

3.4 稳定QTL定位

复合区间定位发现：

• •

  田间环境：3号（qPHS3-FD，LOD=12.67，R²=19.9%）、6号（qPHS6-FD）和7号染色体QTL

• •

  温室环境：新增1号（qPHS1-GH，LOD=10.34）、2号、8号和11号染色体QTL

  其中3号、6号和7号QTL在双环境中稳定出现，6号染色体qPHS6在温室解释16.1%表型变异。

3.5 候选基因分析

qPHS6区间（10.78-19.10 Mbp）内，Os06g0317200基因第二外显子存在两个错义突变：

• •

  Junam等位基因导致精氨酸→甘氨酸（R→G）和半胱氨酸→甘氨酸（C→G）替换

• •

  蛋白序列比对显示该基因与已知PHS调控因子qLTG3-1具有相似甘氨酸富集结构域

  单倍型分析发现Nampyeong携带的Hap5单倍型在3000份水稻种质中仅存4例，可能代表稀有抗性等位变异。

4 DISCUSSION

研究首次将计算机视觉应用于水稻PHS检测，解决了传统人工计数效率低（约5分钟/样本）的问题。环境特异性QTL的发现提示qPHS6可能通过调控种子皮层渗透性发挥作用——高温条件下（温室）其效应增强（LOD从4.45升至10.87），与气候变暖背景下的育种需求高度契合。候选基因Os06g0317200的稀有单倍型为分子标记开发提供了特异性靶点，其与qLTG3-1的协同效应（双标记基因型BA组合PHS率最高达52.4%）为多基因聚合育种提供了理论依据。

5 CONCLUSION

该工作建立了"基因型-表型"高效解析技术体系：

1）创新表型组平台：YOLOv8模型检测通量提升20倍

2）发掘3个环境稳定QTL

3）开发dCAPS功能标记（PvuII酶切）

为应对气候变化导致的穗发芽风险增加提供了精准育种解决方案。