深度气腔分析：一种基于Transformer的管道技术，用于在不同环境中实现水稻根系气腔结构的可扩展表型分析

《Plant Methods》：Deep aerenchyma: a transformer-based pipeline for scalable phenotyping of rice root aerenchyma lacunae across environments

　　

摘要

背景

量化水稻根系解剖特征，如皮层通气组织间隙，对于理解水稻对不同水分条件的适应机制以及推动气候智能型育种具有重要意义。通气组织间隙有助于水稻内部气体运输，影响淹水环境中的甲烷排放，同时还能限制水稻的水分传导性。这一解剖特征在育种中具有潜在价值，但由于手动分析根系横截面耗时且主观性强，难以在不同成像条件下大规模应用，因此目前的大规模解剖表型分析仍存在局限。现有的分析流程往往需要调整参数，且在不同环境中的适用性较差。

结果

我们基于视觉变换器架构开发了一套深度学习流程，可自动分割水稻根系横截面并量化皮层通气组织间隙。该模型使用了在多个国家、不同生长阶段、栽培系统及实验条件下收集的1,760张标注图像进行训练，这些图像是依据共同制定的标注规范得到的。最终模型具有较高的分割精度，皮层组织及间隙的平均交并比超过0.92。通过对间隙与皮层比例的量化，其结果与手动标注高度一致，在独立测试集上的决定系数达0.98。独立专家评估认为，模型预测结果与手动标注至少具有同等一致性，且能减少较大的标注差异。该流程以开源软件形式发布，配有交互式在线演示工具，同时还提供了在线测试数据集以支持测试和结果复现。在六种不同的实验应用场景中，该流程均显示出不同基因型、水分条件、环境及发育阶段下通气组织间隙存在的可重复差异。

结论

本研究提供了一种在复杂实验条件下用于自动分析根系解剖特征的稳健、可扩展且可迁移的工具。基于变换器的分割技术能够实现间隙的高精度、高通量量化，有助于将这些解剖特征整合到育种、生理学研究以及气候智能型作物改良项目中。