Coleaf是一种基于图像识别的技术，可助力开展与茶叶形态相关的全基因组关联研究

《Plant Methods》：Coleaf, an image recognition-driven approach facilitates the genome-wide association study with tea leaf morphology

　　

摘要

茶树（Camellia sinensis L.）的叶片形态对茶叶品质和农业价值有着重要影响，但由于表型分析耗时费力、叶片结构复杂以及相关性状的生态敏感性，其遗传基础至今仍不清晰。此外，传统方法无法准确呈现颜色梯度及群体层面的形态复杂性。为解决这一问题，我们开发了基于图像识别的开源软件coleaf，其在精度上相较于传统的ImageJ工具高出97.6%，同时具备更高的效率以及更好的颜色色调量化能力。随后，我们利用coleaf对167个遗传背景不同的茶树品种中的约4,200片成熟叶片和约5,000份芽叶样本的叶片形态进行了分析，确定了7个关键形态特征。虽然传统观点认为sinensis属下的阿萨姆种（CSA）与中华种（CSS）在叶片形状上存在差异，但我们的表型聚类分析结果显示这种差异与系统发育关系并不一致，这表明除了种群差异外，还存在其他遗传或环境因素的影响。进一步，我们将表型数据与全基因组重测序结果结合，开展了多模型的全基因组关联分析。与叶片结构相关的候选基因参与了植物的生长发育（如CsFAS2）、细胞分裂与伸长（如CsFIP1）以及细胞形态形成（如CsRLK），而与叶片颜色相关的基因则调控着色素的积累（如ABC转运蛋白、CsMYB113）。总之，本研究建立了一个标准化的计算框架，证明了自动化图像识别技术在植物叶片表型分析中的应用价值。从高通量表型分析到基因发现的端到端框架为茶树育种提供了重要的遗传靶标，有望显著加速茶树的遗传改良进程。