基于仿生算法的三维大豆根系骨架化与表型分析新方法及其在精准育种中的应用

本研究针对传统2D根系表型分析无法捕捉复杂三维结构的问题，开发了一种仿生路径查找算法，实现了大豆根系系统(RSA)的高精度3D骨架化和分割。该方法在侧根计数(F1=0.88)、根长估算(R2>0.987)及体积测量(R2=0.912)方面表现出色，为植物育种和基因型-表型关联研究提供了强大工具。

　　

植物根系构型（Root System Architecture, RSA）在植物生长、资源获取和环境适应中起着决定性作用。良好的根系结构能够增强水分和养分的吸收效率，这对于缓解干旱和营养缺乏等非生物胁迫至关重要。特定的RSA表型，如更深的根深、更高的侧根密度和更窄的分枝角度，已被证明能够改善胁迫条件下的资源获取能力。然而，传统的RSA表型分析主要依赖于二维成像技术，无法捕捉根系的完整三维复杂性，限制了其在深入形态分析中的应用。

随着三维成像技术的进步，研究人员现在能够重建三维空间中的根系系统，从而实现更准确和更具生物学意义的性状提取。尽管技术有所进展，但从三维根系数据中提取有意义的性状仍然是一个未解决的难题。近年来，植物根系表型分析的研究仍然主要集中在二维分析上，这主要是由于深度学习驱动的二维图像识别方法的快速发展。相比之下，三维RSA表型分析由于数据获取、处理和分析的固有挑战进展较为缓慢。

本研究旨在解决三维根系表型分析中的关键问题，通过开发一种仿生根系解析器，实现从三维点云数据中精确提取根系骨架和分割个体根段。该方法不仅提高了根系分割和骨架化的准确性，还为自动化三维RSA表型分析提供了可靠工具，有助于在植物科学和育种应用中建立更稳健的基因型-表型关联。

本研究由麦吉尔大学（McGill University）的研究团队完成，论文发表在《Computers and Electronics in Agriculture》上。研究人员通过多视角立体摄影测量系统获取了24个大豆根系的三维点云数据，包括两个基因型（Bayfield和Madoc）在15天和30天生长阶段的样本。数据经过预处理和归一化后，采用自适应参数进行仿生路径查找和骨架提取。

关键技术方法包括：1）基于最短路径提取和切平面聚类的主根分割；2）侧根起始点检测和仿生路径生长算法；3）通过聚类和组合排序选择最优非重叠骨架；4）向内反向追踪优化连接点；5）基于骨架的点云分割和性状计算。主要样本来源为田间生长的大豆植株，通过 shovelomics 方法提取根系。

2.3. Primary root identification

通过手动选择主根上的两个端点，应用Dijkstra最短路径算法计算根表面的最小测地距离。在每个路径点定义局部切平面，将邻近点投影到切平面上，使用HDBSCAN聚类分离主根和侧根。通过拟合圆估计局部半径，形成半径查找表，最终提取主根骨架并重建网格模型。

2.4. Lateral root starting point localization

采用基于边界的方法识别侧根起始点。计算每个侧根点到最近主根点的距离，保留距离分布中最接近的3%的点作为边界点。使用HDBSCAN聚类分离不同的侧根附着区域，计算聚类几何中心作为侧根起始点。

2.5. Bio-inspired lateral root skeletonization

受自然根系向外生长模式的启发，开发仿生路径生长算法。通过定义两个参考点（侧根附着区域的几何中心和主根附着区域的几何中心）确定初始搜索方向。在每次迭代中，建立球形搜索区域，聚焦于沿当前路径方向的扇形区域，检索圆柱形搜索空间内的所有邻近点，计算这些点的几何中心作为路径的下一个节点。更新搜索方向，重复过程直至无法找到有效点。

2.6. Combination sort for local optimal paths

通过相似性聚类减少候选路径数量，将路径分组为局部子集。对每个子集中的所有可能路径组合进行系统评估和排序，选择覆盖范围最大且重叠最少的组合。通过评分标准平衡覆盖范围和重叠，确保选择最优的局部配置。

2.7. Back tracing refinement

引入反向追踪方法，向内而非向外进行路径查找。选择每个路径最靠近主根的前两个节点作为起始点初始化向内搜索向量。使用相同的路径生长算法迭代追踪侧根路径向内方向。通过检测射线与主根网格的相交判断是否到达根连接点，终止追踪过程。

2.8. Trait extraction

在性状计算前，将所有RSA数据重新缩放至实际大小。侧根数量通过计算主根-侧根连接处识别的起始点数量或最终骨架中分割的侧根路径数量确定。根长计算为每个骨架路径上连续节点之间距离的累积和。通过主成分分析（PCA）将根系从3D投影到2D，计算每个侧根的分枝角度。基于骨架化中心线重建每个侧根的管状表面网格，计算表面积和体积。

研究结论表明，本研究开发的仿生根系解析器能够实现三维根系点云数据的稳健且解剖学精确的骨架化和分割。通过追踪自然根系生长路径，结合自适应路径查找、局部参数调整和组合排序，该方法即使在噪声、稀疏性和结构重叠的条件下也能实现主根和个体侧根结构的精确骨架化和点云分割。提取的骨架和分割为定量性状分析提供了可靠的结构基础，根长可直接从骨架路径计算，分枝角度通过PCA高效推导。基于这些骨架，重建解剖学真实的管状网格，能够分析估计侧根表面积和体积。这些性状经过基于alpha形状的表面积计算、基于体素的体积估计和手动测量的根长验证，所有验证方法之间的高度一致性证实了该框架的生物学保真度和定量可靠性。

该研究推动了三维根系分析的发展，提供了一个可扩展和可推广的骨架化、分割和性状提取框架。从三维RSA数据中推导详细且具有生物学意义的性状的能力，支持了在植物生物学、功能基因组学和育种中的更广泛应用。未来，该流水线为生成大规模注释数据集奠定了基础，支持开发基于人工智能的端到端根系分析模型，适用于不同物种和生长环境。