植物根系表型信息獲取技術研究進展

吳茜 張偉欣 張玲玲 孫傳亮 劉乃森 岳延濱 曹靜 梁萬杰 葛道闊 唐普傳 李百明 曹宏鑫 張文宇

摘要：人口數量增長和全球氣候變化加劇了糧食安全供給壓力，育種學家亟需培育高產、高效作物品種以滿足日益增長的糧食消費需求。基于根性狀的品種培育改良可有效提高作物水分、養分利用率，但根系表型觀測的困難性極大地限制了育種進程。隨著自動化控制、成像和傳感器以及圖像解譯技術的發展，高通量根表型信息系統性收集已成為可能。本文綜述了一系列適用于室內或田間的非破壞性或破壞性根系二維或三維結構測定技術;系統闡述了主流的根表型參數提取圖像分析技術和軟件;探討了基于根表型平臺的根性狀篩選應用于新品種培育的成功案例，并對高通量根表型平臺的進一步研發進行了展望。

關鍵詞：根系表型;高通量;圖像采集;圖像處理;根性狀;作物改良

中圖分類號：S126 文獻標志碼： A

文章編號：1002-1302（2021）05-0031-07

由于人口數量增長和消費結構升級，全球農作物消費需求快速增加。與此同時，耕地面積減少、水資源匱乏、全球氣候變化和極端天氣頻發進一步增加了糧食安全供給的壓力。依靠“大水大肥”的農田管理辦法片面重視作物產量，忽視資源利用效率，造成了土壤質量下降、面源污染和溫室效應等生態環境問題[1]。為保證農業綠色可持續發展，同時滿足未來糧食需求，育種學家需從根源上突破，培育水分、養分高效吸收的作物品種。根系作為直接接觸土壤資源的重要器官，其結構和功能對作物吸收土壤水分、養分具有重要影響[2]。良好的根系構型能最大化作物對土壤養分資源的捕獲效率，從而有效提高作物產量[3]。因此，學者們提出第二次綠色革命，即基于根性狀進行作物培育改良，以提高作物產量和養分資源利用率。

根系表型觀測是實現優勢根性狀篩選和培育的基礎。然而，土壤不透明性和結構復雜性導致根系觀測十分困難。根表型信息的系統性收集已成為基于根性狀的遺傳育種研究和植物科學研究的主要限制因素之一[3]。研發高通量根表型平臺，通過現代化信息采集分析手段提高根表型信息獲取效率和精度，對高效篩選優勢根性狀、加速作物育種研究和栽培生理學研究具有重要意義。本文旨在通過介紹根表型信息高效采集、根性狀參數定量提取等近年來國內綜述較少的根表型測定技術，概述國際上主流根表型平臺的最新研究進展，結合相關領域最新發展趨勢，探討在實驗室或田間揭示植物“隱藏的另一半”的新技術、新方法及其挑戰和機遇，并展望高通量根表型信息系統性收集平臺的發展前景。

1 根表型信息獲取技術

植物表型是理解基因型與環境互作的關鍵。在可控環境下規模化地篩選優質基因型和表現型，挖掘不同環境條件下作物表型性狀及與之關聯的遺傳信息，進而揭示基因-表型-環境互作機理，是作物育種研究取得突破的重要途徑[3]。建立表型與遺傳信息的關系或應用表型信息優化基于基因組選擇的預測模型，均需要大量精準而全面的表型和基因型信息。因此，基因-環境-表型互作機理研究需借助以大數據為核心的現代化信息技術。隨著測序效率提升以及測序成本降低，作物基因組數據不斷增長和完善。然而，表型信息獲取仍以人工為主，尤其根表型觀測仍十分困難，需破壞性測定，工作量大，且數據重復性差。

近年來，根表型研究獲得了國際上越來越多研究學者和學術機構的關注。隨著數據采集工具、傳感器及數字圖像處理和分析技術的發展，現代智能科學技術手段已逐步應用于根表型研究領域。目前，學者們已研發出一系列適用于實驗室條件下的、非土壤介質或土壤介質的、非破壞性根系二維或三維結構測定技術，以及適用于田間的、破壞性或非破壞性的根系二維或三維結構測定技術。

1.1 室內二維根系表型測定技術

由于土壤的遮蔽性，獲取非土壤介質下的根表型信息是許多學者開展根系研究的重要途徑之一。有學者采用非穿透性低成本成像傳感器（如可視相機和平板掃描儀等）在室內對根盒（發芽紙與透明玻璃板組成的栽培容器）、生長袋或透明人工生長培養基中的根系進行實時成像，以獲取根系動態生長信息（圖1-A、圖1-B）。該類方法操作便捷、通量易拓展，但僅能觀測苗期較小的植株根系，且非土壤介質及二維生長空間對根系構型影響較大。

采用非穿透性成像傳感器獲取土壤介質下微根窗根系圖像也是目前國際上較為流行的根系表型測定方法（圖1-C、圖1-D）。該類方法可高通量、自動化地對根系進行成像，但該方法構建成本較高，有限的二維生長空間導致根系生長軌跡發生改變，此外，土壤顆粒的遮蔽導致成像捕獲的根系結構不完整。基于熱紅外成像和斷根修復算法的根系表型測定方法可實現根系圖像信息的增強和修復[13]，在一定程度上解決土壤遮擋時根系圖像信息不全的問題。

盡管室內非土壤或土壤介質二維根系表型觀測技術存在一定的局限性，但由于其適合納入高通量根系表型平臺而被廣泛應用，該類系統已成功應用于大豆[14]、玉米[15]、小麥[16]、油菜[9]、棉花[12]等多種作物根系性狀的篩選。

1.2 室內三維根系表型測定技術

自然生長的根系結構具有許多難以在二維空間中量化的特征，如谷類作物種子根的排列（通常為不對稱分布）以及玉米節根的輪次、數量和角度等。為了給植株根系提供自由生長空間并保持其空間生長位置，許多學者采用瓊脂和冷凝膠作為生長介質，采用立體視覺法或激光成像法對透明介質下的根系進行三維成像（圖2-A）。此類方法可重建根系三維結構，已被成功地用于揭示水稻等作物三維根系結構特征的潛在遺傳基礎;但瓊脂無法補充養分、水分，且本身特性容易造成根系缺氧，且該方法僅能測定苗期根系;此外，非土壤介質下根系生長發育狀況也與自然土壤環境下存在較大差異。

目前，已報道的采用非破壞性方法獲取土壤中根系三維結構的方法包括微X射線斷層掃描法（X-ray CT）、核磁共振成像法（MRI）和正電子發射斷層掃描（PET）[26]等（圖2-B、圖2-C）。X-ray CT可以基于不同的X射線衰減實現根系三維結構可視化，已被應用于水稻根系對生長介質特異性響應，擬南芥、玉米和水稻側根模式，白楊與云杉種間互作以及草原落葉松根系量化等研究。MRI使用射頻波和強磁場刺激原子并生成三維結構，該類技術已經被應用于玉米、大豆、甜菜和大麥根系的三維成像。PET掃描顯示短半衰期放射性示蹤劑的分布，如植物代謝過程中使用的碳同位素，該方法對示蹤劑具有很高的靈敏度，但分辨率較低（僅為1.4 mm）。以上方法最初均為醫學應用而開發的層析成像技術，儀器設備成本高昂，由于低分辨率以及復雜的根系三維重建，僅能獲取有限根系結構信息;此外，還存在栽培容器小（僅能測定直徑小于8 cm土柱中的苗期根系）、通量低、耗時長且設備不可移動等缺點。由于操作局限和費用昂貴，這些技術在推廣應用上受到很大限制。

1.3 田間根系表型測定技術

田間根系表型觀測大多通過破壞性取樣實現，最經典的根鉆法得到了最廣泛的應用。Wasson等通過應用UV光照和熒光光譜技術改進了根鉆法，增強了土壤和根系圖像對比度，同時實現了自動圖像采集及根鉆分離[27]。Shovleomics法是目前田間根系測定較為流行的方法（圖3-A）[28]，該方法使用鐵鍬獲取小范圍土體內的根系，清洗后通過自動化成像和圖像處理實現根系表型測定[29];該方法操作便捷高效，但僅能獲取根基部相對簡單的根性狀（如根系輪廓、投影密度和面積等）。三維數字化技術已被成功應用于田間原位精確測定根系空間伸展軌跡（圖3-B），該方法能精確描述根系三維空間結構，但費時費力，難以實現高通量測定且無法捕獲側根形態結構信息。

田間根系表型觀測的非破壞性方法主要包括根室法和微根管法。根室法通過對地窖內透明玻璃窗進行成像來捕獲田間根表型信息;微根管法通過掃描緊貼玻璃管生長的根系來捕獲局部根表型信息;但這2種方法僅能獲取局部區域根表型信息，且觀測設備構建和布置成本較高。近年來，研究根系和土壤剖面的非侵入性地球物理技術也得到了發展。電阻層析成像（ERT）被用來分析直徑較大的根系（如樹木根系）[35]，但在作物根表型領域應用有限。地面穿透雷達技術（GPR）是另一種與電磁干擾相似吞吐量的地球物理技術，它利用高頻無線電波探測物體，適用于探測和量化粗壯根系（如樹木根系），然而，在探測直徑小于 2 mm 的樹根時分辨率不夠，無法應用于形態較小、直徑較細的作物根系測定。

2 根表型參數提取技術

基于獲取的根系圖像提取根系形態、性狀等定量化信息是高通量根表型信息系統性收集的另一個關鍵[6]。近年來，國內外研究人員開發了一系列自動化及半自動化的根系圖像處理和根系特征提取軟件。

2.1 二維根系圖像處理軟件

國際上已有根系圖像分析軟件大多適用于二維根系結構特征參數的提取（表1），包括GIA Root、Root Reader 2D、SmartRoot、WinRhizo和EZ-Rhizo等。不同根系圖像分析軟件都有其特定的適用范圍，提取的根系特征參數也存在一定差異。目前可提取的二維根系特征參數主要分為兩大類：一類是基于根系整體的全局特征性狀，包括總根面積、總根長、根凸包面積、根深和根寬等信息;另一類是基于拓撲連接的根系詳細特征性狀，包括主根和各級側根的長度、個數、直徑和角度等信息。對于有明顯交叉和重疊的復雜根系或者背景對比度低的根系圖像，在提取根系特征性狀時需要加入大量的手動處理，尤其對于詳細根特征性狀的提取。

2.2 三維根系圖像處理軟件

國際上已有的根系三維結構分析軟件較少（表1），主要包括RooTrak、iRoCS Toolbox和RootReader3D 。RooTrak能夠基于X-ray斷層掃描土柱半自動化地分割根系和周圍的土壤，實現根系三維重建，但該軟件不具備提取根系三維結構參數的功能[22]。iRoCS Toolbox能夠在實現根系三維重建的基礎上進一步自動化或半自動化提取根系直徑和體積等簡單根系表型參數[44]。RootReader3D能自動化提取根系深度、寬度、總長度、總表面積、總體積、凸包體積和根尖數目等根系表型參數，但這些表型參數大多是基于根系整體的全局根系結構特征參數，對基于拓撲連接的詳細根系三維結構參數，如主根和單條側根長度、直徑、分枝位置、分枝角度和個數等，尚未能實現定量化提取和分析[18]。

3 基于根表型平臺的育種改良

根系結構性狀是育種人員進行作物改良以提高作物產量的主要研究對象之一。盡管對根系的觀測研究存在極大挑戰，基于根表型觀測篩選根性狀已被成功引入新品種的培育研究中[45]。研究學者通過各式根表型觀測方法對環境脅迫下有助于保持作物生產力的根系結構特性進行了研究和篩選。已有學者通過根盒法[46]和田間根鉆挖掘法[47]發現，小麥根系生長得深且廣有利于捕獲深層土壤水;通過根盒法和田間鐵鍬挖掘法發現，減少冠根數目有利于提高禾本科植物抗旱能力;通過發芽袋培養法發現，根系生長較淺的植株對磷有較多的吸收[50]。此外，已有學者通過花籃盆栽法研究發現，具有較傾斜根角度（根系與土壤表面夾角較大）的水稻更耐旱;并進一步明確了DRO1基因調控根系生長的深度和角度，通過將深根特征性狀引入淺根品種，提高和改善了水稻的抗旱能力，證明了對根系結構的控制和改良可有效提高作物抗旱能力[51]。然而，目前基于根性狀的培育改良研究進展十分緩慢，根性狀的篩選仍是一個非常耗時的工作。研究學者需繼續研發適用于不同培育目標的系統、規模化的高通量根表型平臺，從而加速對根性狀的篩選以及對根功能的認識，深入了解根性狀如何與整個植物的抗逆策略相關聯從而提高作物生產力，最終成功地確定作物改良的關鍵根系性狀。

4 結論與展望

本文綜述了近年來植物根表型平臺研究的最新進展，成像和傳感器以及圖像解譯技術的進步加速了高通量根表型平臺的發展。室內二維根系表型平臺發展最為迅速，盡管在生長空間和觀測時期上存在一定的局限性，但因其通量易拓展、適合開展高通量自動化根表型分析而被廣泛應用于作物育種研究和植物生理學研究;室內三維根系結構無損成像技術也取得了重要進展，該技術在未來面臨的新挑戰是如何將其納入自動化表型平臺，使其通量可與二維根系表型系統相媲美，以便進行大規模的定量遺傳研究;田間根系表型測定技術目前發展較為緩慢，其主要限制因素仍為土壤的不透明性和田間生長環境的復雜性，未來該領域的技術研發仍面臨巨大的挑戰和機遇。

基于二維或三維成像的高通量根表型平臺獲取的圖像數量龐大，導致后期的圖像處理工作量繁重，需要人工干預的圖像處理軟件極大地阻礙了根表型信息獲取的速度。根表型信息提取所需的時間依賴于根系復雜程度以及待提取的目標根特征參數。由于許多根特征參數之間具有高度的自相關性，相比獲取大量詳細的根特征參數，確定關鍵根特征參數對量化分析不同品種根系性能的差異有更為重要的作用。因此，為平衡根特征參數提取與自動化根系成像的通量和效率，可根據研究目標選擇適合的根特征參數提取軟件和提取方法，著重提取對于品種篩選關鍵的根性狀。此外，深度機器學習正成為許多計算機視覺問題的標準技術，該技術在植物科學領域中的應用大部分集中于植物地上部。在未來需要研究人員與計算機科學家積極合作，將諸如深度學習等創新方法整合到根表型信息提取分析中，以提高根表型參數提取效率和精度[52]。

高通量根表型平臺的研發應以支持植物生理學以及作物育種研究為目標。有研究學者提出研發一套通用的根表型平臺，但在實際應用中，具有普適性的通用根表型平臺極難建立，其原因在于不同育種目標都需要差異化的根表型觀測技術，因此，研究學者們仍鼓勵繼續研發適用于不同研究目標的新的根表型平臺。未來期望通過研發高通量自動化根表型平臺，結合圖像解譯技術高效獲取高通量根表型定量數據，并與大規模平行測序技術結合，通過表型組學和基因組學聯合分析，挖掘控制理想根表型性狀的基因組，以此指導作物育種。這種多學科方法將為基于根性狀的作物改良提供重要支持，對滿足未來氣候變化挑戰下作物高產穩產的迫切需要具有重要意義。

參考文獻：

[1]朱兆良，金繼運.保障我國糧食安全的肥料問題. 植物營養與肥料學報，2013，19（2）：259-273.

[2]Lynch J P. Root architecture and plant productivity. Plant Physiology，1995，109（1）：7-13.

[3]Fiorani F，Schurr U. Future scenarios for plant phenotyping. Annual Review of Plant Biology，2013，64：267-291.

[4]de Dorlodot S，Forster B，Pagès L，et al. Root system architecture：opportunities and constraints for genetic improvement of crops. Trends in Plant Science，2007，12（10）：474-481.

[5]Lynch J P，Brown K M. New roots for agriculture：exploiting the root phenome. Philosophical Transactions of the Royal Society of London. Series B，Biological Sciences，2012，367（1595）：1598-1604.

[6]Kuijken R C P，van Eeuwijk F V，Marcelis L F M，et al. Root phenotyping：from component trait in the lab to breeding. Journal of Experimental Botany，2015，66（18）：5389-5401.

[7]潘映紅. 論植物表型組和植物表型組學的概念與范疇. 作物學報，2015，41（2）：175-186.

[8]Adu M O，Chatot A，Wiesel L，et al. A scanner system for high-resolution quantification of variation in root growth dynamics of Brassica rapa genotypes. Journal of Experimental Botany，2014，65（8）：2039-2048.

[9]Gioia T，Galinski A，Lenz H，et al. GrowScreen-PaGe，a non-invasive，high-throughput phenotyping system based on germination paper to quantify crop phenotypic diversity and plasticity of root traits under varying nutrient supply. Functional Plant Biology，2016，44（1）：76-93.

[10]Nagel K A，Putz A，Gilmer F，et al. GROWSCREEN-Rhizo is a novel phenotyping robot enabling simultaneous measurements of root and shoot growth for plants grown in soil-filled rhizotrons. Functional Plant Biology，2012，39（11）：891-904.

[11]Rellán-lvarez R，Lobet G，Lindner H，et al. GLO-Roots：an imaging platform enabling multidimensional characterization of soil-grown root systems. eLife，2015，4：e07597.

[12]Wu J，Wu Q，Pagès L，et al. RhizoChamber-Monitor：a robotic platform and software enabling characterization of root growth. Plant Methods，2018，14（1）：44.

[13]盧 偉，韓 釗，蹇興亮，等. 基于熱紅外成像和斷根修復算法的玉米根系表型檢測方法. 光譜學與光譜分析，2020，40（9）：2845-2850.

[14]Bonser A M，Lynch J，Snapp S. Effect of phosphorus deficiency on growth angle of basal roots in Phaseolus vulgaris. The New Phytologist，1996，132（2）：281-288.

[15]Hund A，Trachsel S，Stamp P. Growth of axile and lateral Roots of maize：I development of a phenotying platform. Plant and Soil，2009，325（1）：335-349.

[16]Atkinson J A，Wingen L U，Griffiths M，et al. Phenotyping pipeline reveals major seedling root growth QTL in hexaploid wheat. Journal of Experimental Botany，2015，66（8）：2283-2292.

[17]Iyer-Pascuzzi A S，Symonova O，Mileyko Y，et al. Imaging and analysis platform for automatic phenotyping and trait ranking of plant root systems. Plant Physiology，2010，152（3）：1148-1157.

[18]Clark R T，Maccurdy R B，Jung J K，et al. Three-dimensional root phenotyping with a novel imaging and software platform. Plant Physiology，2011，156（2）：455-465.

[19]Topp C N，Iyer-Pascuzzi A S，Anderson J T，et al. 3D phenotyping and quantitative trait locus mapping identify core regions of the rice genome controlling root architecture. Proceedings of the National Academy of Sciences of the United States of America，2013，110（18）：E1695-E1704.

[20]朱同林，方素琴，李志垣，等. 基于圖像重建的根系三維構型定量分析及其在大豆磷吸收研究中的應用. 科學通報，2006，51（16）：1885-1893.

[21]Flavel R J，Guppy C N，Tighe M，et al. Non-destructive quantification of cereal Roots in soil using high-resolution X-ray tomography. Journal of Experimental Botany，2012，63（7）：2503-2511.

[22]Mairhofer S，Zappala S，Tracy S R，et al. RooTrak：automated recovery of three-dimensional plant root architecture in soil from x-ray microcomputed tomography images using visual tracking. Plant Physiology，2012，158（2）：561-569.

[23]羅錫文，周學成，嚴小龍，等. 基于XCT技術的植物根系原位形態可視化研究. 農業機械學報，2004，35（2）：104-106，133.

[24]張建鋒，吳 迪，龔向陽，等. 基于核磁共振成像技術的作物根系無損檢測. 農業工程學報，2012，28（8）：181-185.

[25]Rascher U，Blossfeld S，Fiorani F，et al. Non-invasive approaches for phenotyping of enhanced performance traits in bean. Functional Plant Biology，2011，38（12）：968-983.

[26]Moradi A B，Carminati A，Vetterlein D，et al. Three-dimensional visualization and quantification of water content in the rhizosphere. The New Phytologist，2011，192（3）：653-663.

[27]Wasson A，Bischof L，Zwart A，et al. A portable fluorescence spectroscopy imaging system for automated root phenotyping in soil cores in the field. Journal of Experimental Botany，2016，67（4）：1033-1043.

[28]Trachsel S，Kaeppler S M，Brown K M，et al. Shovelomics：high throughput phenotyping of maize （Zea maysL.） root architecture in the field. Plant and Soil，2011，341（1）：75-87.

[29]Bucksch A，Burridge J，York L M，et al. Image-based high-throughput field phenotyping of crop roots. Plant Physiology，2014，166（2）：470-486.

[30]Wu J，Pagès L，Wu Q，et al. Three-dimensional architecture of axile roots of field-grown maize. Plant and Soil，2015，387（1）：363-377.

[31]陳信信，丁啟朔，李毅念，等. 南方稻麥輪作系統下小麥根系的三維分形特征. 中國農業科學，2017，50（3）：451-460.

[32]Liedgens M，Richner W. Minirhizotron observations of the spatial distribution of the maize root system. Agronomy Journal，2001，93（5）：1097-1104.

[33]史建偉，于水強，于立忠，等. 微根管在細根研究中的應用. 應用生態學報，2006，17（4）：715-719.

[34]廖榮偉，劉晶淼，安順清，等. 基于微根管技術的玉米根系生長監測. 農業工程學報，2010，26（10）：156-161.

[35]Amato M，Basso B，Celano G，et al. In situ detection of tree root distribution and biomass by multi-electrode resistivity imaging. Tree Physiology，2008，28（10）：1441-1448.

[36]Zenone T，Morelli G，Teobaldelli M，et al. Preliminary use of ground-penetrating radar and electrical resistivity tomography to study tree Roots in pine forests and poplar plantations. Functional Plant Biology，2008，35（10）：1047-1058.

[37]郭慶華，劉 瑾，陶勝利，等. 激光雷達在森林生態系統監測模擬中的應用現狀與展望. 科學通報，2014，59（6）：459-478.

[38]舒洪嵐. 探地雷達在植物根系研究中的應用. 江西林業科技，2007（5）：32-33.

[39]Arsenault J L，Poulcur S，Messier C，et al. WinRHIZO，a root-measuring system with a unique overlap correction method. HortScience，1995，30（4）：906-907.

[40]Armengaud P，Zambaux K，Hills A，et al. EZ-Rhizo：integrated software for the fast and accurate measurement of root system architecture. The Plant Journal，2009，57（5）：945-956.

[41]Lobet G，Pagès L，Draye X. A novel image-analysis toolbox enabling quantitative analysis of root system architecture. Plant Physiology，2011，157（1）：29-39.

[42]Clark R T，Famoso A N，Zhao K Y，et al. High-throughput two-dimensional root system phenotyping platform facilitates genetic analysis of root growth and development. Plant，Cell & Environment，2013，36（2）：454-466.

[43]Galkovskyi T，Mileyko Y，Bucksch A，et al. GiA Roots：software for the high throughput analysis of plant root system architecture. BMC Plant Biology，2012，12（1）：116.

[44]Schmidt S，Bengough A G，Gregory P J，et al. Estimating root-soil contact from 3D X-ray microtomographs. European Journal of Soil Science，2012，63（6）：776-786.

[45]Tracy S R，Nagel K A，Postma J A，et al. Crop improvement from phenotyping roots：highlights reveal expanding opportunities. Trends in Plant Science，2020，25（1）：105-118.

[46]Hurd E A. Phenotype and drought tolerance in wheat. Agricultural Meteorology，1974，14（1）：39-55.

[47]Wasson A P，Rebetzke G J，Kirkegaard J A，et al. Soil coring at multiple field environments can directly quantify variation in deep root traits to select wheat genotypes for breeding. Journal of Experimental Botany，2014，65（21）：6231-6249.

[48]Sebastian J，Yee M C，Viana G W，et al. Grasses suppress shoot-borne roots to conserve water during drought. Proceedings of the National Academy of Sciences of the United States of America，2016，113（31）：8861-8866.

[49]Lynch J P. Rightsizing root phenotypes for drought resistance. Journal of Experimental Botany，2018，69（13）：3279-3292.

[50]Henry A，Chaves N F，Kleinman P J A，et al. Will nutrient-efficient genotypes mine the soil？ Effects of genetic differences in root architecture in common bean （Phaseolus vulgarisL.） on soil phosphorus depletion in a low-input agro-ecosystem in Central America. Field Crops Research，2010，115（1）：67-78.

[51]Uga Y，Sugimoto K，Ogawa S，et al. Control of root system architecture by DEEPER ROOTING 1 increases rice yield under drought conditions. Nature Genetics，2013，45（9）：1097-1102.

[52]Atkinson J A，Pound M P，Bennett M J，et al. Uncovering the hidden half of plants using new advances in root phenotyping. Current Opinion in Biotechnology，2019，55：1-8.