表型組學研究進展及其在作物研究中的應用

潘朝陽，陸展華，劉維，王曉飛，王石光，陳浩，方志強，巫浩翔，何秀英

（1.廣東省農業科學院水稻研究所/ 廣東省水稻育種新技術重點實驗室/ 廣東省水稻工程實驗室/農業農村部華南優質稻遺傳育種重點實驗室，廣東 廣州 510640；2.華中農業大學植物科學技術學院，湖北 武漢 430070）

表型組學是利用多尺度、多維度的全方位數據，包括空間尺度上小至核苷酸序列和細胞，大至組織、器官、個體、群體及整個生育期的時間維度信息，系統地研究某一生物或細胞在各種不同環境條件下所有表型的學科［1］。隨著植物表型獲取技術和設備的不斷完善，以及基因組學、蛋白組學、代謝組學、生物信息學和大數據計算的快速發展，高通量表型組學分析在種質資源鑒定、遺傳圖譜繪制、功能基因挖掘等方面發揮著越來越重要的作用［2］。

表型組學的優勢和潛力還體現在多組學研究的交叉結合與關聯分析，可針對植物的細胞、組織、器官和群體等不同層面以及不同生長發育時期進行綜合分析，以繪制各項生命活動過程中的調控網絡，解析植物的生物學規律，真正服務于農業生產［3］。因此，充分挖掘基因組、轉錄組和蛋白質組等各種組學的信息，加快高通量、高分辨率的表型研究，對全面了解基因型、表型和環境之間的關系，發現并揭示植物重要基因的功能，加強和提升我國在植物功能基因組及作物遺傳改良領域的地位具有非常重要的意義。

表型是基因型與環境相互作用的產物。由于表型本身的復雜性和動態變化，研究者通常只專注于少數幾個表型進行研究，而且傳統研究過程中表型數據的獲取依靠人工或簡單設備測量，勞動量大、效率低，易受主觀因素影響。隨著不同尺度表型組學研究平臺的發展，表型組學通過多尺度傳感器、光學成像技術可以高通量、精準獲取作物表型數據，已在水稻、玉米、大豆等主要糧油作物株高測量、葉面積指數測定、植物病蟲害監測、產量估測等研究領域運用［3-5］，實現了農作物產量、抗性等重要農藝性狀的解析，為農作物育種、栽培和精準農業提供基于大數據的決策支持［5-7］，對作物育種領域復雜的田間表型鑒定具有重要的借鑒意義。

本文綜述了表型組學的發展歷程及其在農作物研究領域中的應用，深入剖析了其在農作物根系、冠層結構、生物和非生物脅迫研究中的應用，旨在為農作物田間表型數據的高通量獲取和解析提供依據，加速表型組學在農作物育種中的應用。

1 表型組學發展歷程

“表型”一詞體現了所研究的性狀變異的遺傳來源以及非遺傳來源（通常指環境）之間的相互作用［8］。早在1866 年，孟德爾將豌豆的7 個性狀作為“表型”研究“遺傳因子”，開啟近代遺傳學研究進程。1909 年丹麥生物學家約翰遜將孟德爾提出的“遺傳因子”定義為“基因”，正式提出“表現型”這一概念：一種特定的基因型可能表現不同的表現型，而一個特定的表型可能對應不同的基因型［8］。20 世紀90 年代，針對植物單一或系列表型（phenome）的研究開始受到廣泛關注，并逐漸發展成為生物學研究中的一個重要分支［9］。21 世紀初，相對于單一性狀，植物表型組能為植物研究提供全面的科學證據，尤其是伴隨著基因組學的快速發展，表型組學的理論基礎和研究方法得到較大完善［10］。2007 年，美國康奈爾大學植物分子遺傳育種學家Susan McCouch 認為，表型組學研究應與高分辨率連鎖圖譜、全基因組關聯分析和基因組選擇模型等技術緊密結合，通過建立強大的表型分型系統，精確表征不同物種的細胞、器官和組織在不同發育階段、不同環境中的表型差異［11］，表型組學研究已從細胞層面上升到群體層面。2011年，德國LemnaTec 公司和荷蘭KeyGene 公司共同研發的植物表型工廠PhenoFab 正式運行，標志著大型表型平臺正式應用于商業化育種［12］。截至2020 年，國內外眾多科研單位建立了高通量的表型組學研究平臺，如澳大利亞植物表型研究中心（APPF）、德國Jülich 植物表型研究中心（JPPC）、英國國家植物表型研究中心（NPPC）、加拿大植物表型與影像研究中心（P2IRC），以及我國的華中農業大學作物表型中心、南京農業大學植物表型學研究中心等，大大加速了表型組學的應用和發展。2017 年，法國植物表型協會主席、法國國家農業研究院（INRA）作物生理生態學家Francois Tardieu 和英國諾丁漢大學植物學家Malcolm Bennett 共同提出多尺度表型組（Multiscale phenomics）研究的構想（圖1）［13］。從概念提出至今，表型組學以其強大的數據獲取和解析能力持續致力于研究環境、基因和表型之間的相互作用，廣泛應用于基礎研究和應用基礎研究。

2 高通量表型平臺和成像系統技術研究進展

2.1 表型平臺的空間領域與運作方式分類概述

隨著機器人技術、傳感器技術、高通量成像技術的快速發展，植物表型組學的研究已經進入高通量、高精度、自動化、無損傷的大數據時代［13］。根據空間領域和運作方式，表型平臺可分為手持式、信號固定檢測桿、移動表型機器人、牽引式表型移動車、固定式檢測臺、移動軌道式表型平臺、小型無人機、固定翼無人機、衛星遙感等（表1）。其中，手持式配有數據采集系統，該系統可以搭載數碼相機、多光譜和熱敏傳感器等傳感器來獲取相應的表型特征［14］；該方式方便靈活，但費時、費力、通量較低。無人車的優勢是可以攜帶更大的電源和不同種類的傳感器，使得傳感器的測量不受限于光照條件，但缺點是通量較低以及對土壤條件不敏感［15］。軌道表型平臺將RGB 相機、多光譜/超光譜相機以及熱相機和激光傳感器等安裝在軌道上，它的優勢是可以同時監測不同的性狀，并對農作物生長、生理、形態等進行無損檢測［16］。農業機器人已逐漸成為助推智能農機升級、智慧農業產業快速發展的重要抓手，也是我國追趕國際技術前沿的戰略機遇［17-18］。無人機遙感系統可以高通量地獲取多個地塊的高時空分辨率圖像，精準分析農業氣象條件、土壤條件、作物表型等參數的空間變異性及其相互關系。無人機遙感系統已被應用于農作物覆蓋度、株高、倒伏面積、生物量、葉面積指數、冠層溫度等農情信息的監測研究［19］。這些表型獲取平臺已實現從宏觀到微觀多個尺度，全方位服務于作物學研究和農業生產領域。

表1 表型平臺分類［20］Fig.1 Classification of phenomic platform［20］

一般來說，通過地面可以獲得更高分辨率的圖像，對農作物的性狀特征捕獲地更為詳細，但地面平臺在覆蓋范圍較小、工作效率不高。與地面表型平臺相比，空中表型平臺能夠以相對較高的效率來獲取圖像，而且覆蓋區域更大。但空中表型平臺沒有統一的使用標準，這些都制約著表型組學的大規模應用。

2.2 表型平臺成像系統概述

圖像采集技術是表型組學的重要基礎。根據不同的研究需要，針對不同組織器官的特征以及圖像性質，可以將圖像采集技術分為二維和三維（表2）。二維圖像采集主要集中于可見光、高光譜、多光譜等不同光譜下的光學成像，利用植物在不同光譜波段對光的吸收反射特性來提取相關的表型參數。在眾多成像技術中，RGB 成像是最受歡迎的方法，不僅可應用于反映植物形態結構特征，還可應用于病原菌脅迫表型分析［11,21-22］。多光譜和高光譜相機依賴于太陽輻射與農作物之間的光譜反射作用，可以用來監測病蟲害、產量等表型性狀［20,23-25］。由于太陽輻射被葉片色素（如葉綠素）吸收，單葉或冠層在可見光光譜范圍的反射率較低，在綠色光譜區域的反射率峰值約為550 nm，反射率隨著可見光譜區向近紅外光譜區過渡而急劇增加［26-27］。熱成像相機可用于測量熱光譜紅外區域的紅外輻射，作為水分脅迫重要指標之一［21］。

激光雷達是一種新興的主動遙感技術，能夠精確獲取農作物的空間形態數據，在高通量農作物表型監測中有廣闊應用前景，激光雷達通過集成高分辨率相機、熱成像儀、高光譜成像儀等傳感器，能夠通量化同步獲取農作物各生長時期的多源表型數據，并提取株高、株幅、葉長、葉寬、葉傾角和葉面積等參數，為植物生物學和基因組學分析提供數據支持［28-29］。X 射線CT 成像技術在根系和莖稈結構研究中得到了較好應用。CT 最重要的組成部分是X 射線源、樣品臺、檢測器和重建算法［30］。當X 射線穿過樣品時與樣品材料相互作用，被吸收或被散射，密度更大的材料和質量更大的元素往往會造成更高的衰減。這種X射線強度的變化被探測器以X 射線照相的形式捕捉到，最終生成樣本內部結構的體積圖，從而實現無損檢測。

3 表型組學在作物研究領域的應用

作物學研究涉及到大量田間表型數據，傳統的田間性狀調查通常需要對單株單一性狀進行逐一調查，易受主觀因素、測量工具和環境的影響，無法滿足全基因組、轉錄組等各種組學的需要，而且傳統的作物生長分析往往采用破壞性的采樣方式。隨著表型組學的快速發展，基于圖像的表型技術利用數字圖像來表征植物的形態和生理反應，可以在短時間內通過圖像處理計算分析出植物的表型參數。此外，高通量表型組學研究設施集傳送系統、采集相機、控制系統及分析存儲系統于一體，能夠全自動、無損傷地獲取植物全生育期的多維度表型信息［1,12］。隨著傳感器成本的下降和計算機處理能力的提升，以及獲取大量復雜表型的傳感器的自動表型平臺的開發，高通量表型技術在農作物育種應用中顯示出巨大潛力［13］。

3.1 表型組學在作物根系研究中的應用

了解根系的結構及其發育過程對解析植物適應性機制和應答機制的分子遺傳機理具有重要作用。Shi 等［34］采用特殊的長通濾波器，對在透明培養皿表面生長的根部進行近紅外（NIR）成像監測其根系生長，結果顯示白光會觸發向光反應，而通過使用NIR 濾光片則可以避免光效應，從而確認該方法適合無干擾檢測黑暗中的根系研究。梁麗秀等［35］基于Matlab 算法進行根系的圖像分割，將獲得的水稻根系圖像先進行預處理，然后建立主干-分支的連接算法進行自適應閾值分割圖像，獲取根系的結構特征。Bodenr 等［36］提出基于微根窗技術、自動傳送技術、圖像處理以及計算機大規模運算技術于一體的高通量植物根系表型系統，根系表型裝置根桶（Rhizo tube）的出現可以滿足高通量、快速的表型分析要求。但微根窗技術所獲得的圖像噪點多、畫質不清晰，制約其大規模應用。CT 技術廣泛應用于醫學、材料學研究中，近年來也應用于農業和植物科學研究（圖2）。CT 可以對根系進行高通量、無損檢測，增加根與土壤的對比度，再利用中值濾波和邊緣算法分離根段。Tardieu 等［37］運用X 射線CT 成像技術建立了水稻根系構型（Root system architecture，RSA）可視化高通量處理流程，對土壤中根系進行細致無損的觀察?；赬 射線CT成像技術的無損、高通量優點，該技術被逐漸應用于莖稈、稻穗、籽粒3D 表型性狀的研究，促進了水稻功能基因組和農作物育種技術的發展。

3.2 表型組學在作物冠層生物量估測中的應用

作物冠層結構和生物量直接決定了作物的產量水平。目前基于冠層結構的光學圖像分析已應用于多種糧食作物研究，為產量預測提供重要依據［42］。唐延林等［43］對水稻抽穗后不同時期冠層的高光譜反射率進行研究，結果表明高光譜遙感方法可以應用于水稻產量估測，其中以高光譜植被指數R990-R440、R1200-R440 的效果最佳。Jin 等［29］利用定位定向系統算法，將AquaCrop模型與光學和雷達成像數據相結合，開發了一種冬小麥產量估算方法，結果表明預測產量與實測產量之間存在高度相關性。Zhang 等［44］以農作物冠層高光譜遙感機理為基礎，融合新型特征選擇算法與遷移學習技術，提出冬小麥葉片葉綠素含量反演新方法。Liang 等［45］基于無人機多光譜影像構建了水稻冠層氮含量提取模型，利用該模型可以高效提取不同水稻品種在全生育期內的冠層氮含量變化曲線，進而篩選出氮高效利用的水稻品種。無人機拍攝RGB 圖像基于運動恢復結構（Motion recovery structure）也可以估算農作物的冠層高度，并運用支持向量機、隨機森林、邏輯回歸3 種算法來驗證估產的精度［46-47］?？梢姡脽o人機等方法獲取的作物冠層結構光學數據對產量構成要素的評估具有重要應用價值。

3.3 表型組學在作物非生物脅迫研究中的應用

非生物脅迫是影響作物豐產穩產性的重要因素之一。農作物在生殖期和灌漿期對高溫和干旱脅迫高度敏感，在此期間遭受脅迫會導致農作物產量顯著降低［48］。Klein 等［49］使用Scanalyzer 3D 表型分析系統每隔7 d 拍攝1 次可見光和NIR波長下3 張正交圖像，發現RGB 圖像可以更好地識別植物形態，而NIR 圖像可以揭示葉片水分含量。通過圖像分析可檢測到的葉片萎蔫，也可以成為水分脅迫的一個指標。Zhou 等［50］利用RGB相機、紅外熱像儀和多光譜相機組成的無人機成像系統，對116 個基因型的大豆生育期影像數據進行分析，通過提取歸一化差異植被指數（NDVI）、綠基NDVI（gNDVI）、溫度、色相、顏色飽和度、冠層大小和株高等7 個圖像特征來量化冠層萎蔫狀態。

另一種估算水分脅迫的方法是使用基于高光譜或多光譜圖像的模型或指數。Laraswati 等［51］基于圖像的表型分析方法結合選擇指數和多變量分析，在短時間內輕松表征水稻形態變化，并將這種方法應用于干旱脅迫下的水稻品種篩選。利用低空無人機搭載超高清可見光相機的方式，還可高通量（5 min 約400 個小區）、高頻次（每天多次采集數據）獲取大田動態表型性狀，突破了大田水稻干旱表型性狀采集的技術瓶頸，有效提高了數據采集的效率和精準度，使田間復雜農藝性狀的高通量獲取和解析成為可能。

3.4 表型組學在作物生物脅迫研究中的應用

病蟲害的發生也是造成作物產量損失和品質下降的重要因素之一。因此，在病蟲害發生初期進行預警，對作物的豐產穩產具有重要作用。在特定的環境條件和管理措施下，早期植物密度是決定基因型發展的基本性狀［52］。利用數字圖像處理技術在無控制條件下識別多種植物病害是Barbedo 等提出的［22,53］。Zhang 等［54］采用可見近紅外高光譜成像儀采集感染水稻白葉枯病后不同時間的葉片光譜圖像，根據光譜指數簡單算式的計算結果，對不同基因型水稻品種在不同染病時間的病害等級，利用光譜特征進行了快速定性評價。Guo 等［55］利用數碼相機觀察褐飛虱和白背飛虱取食過程中水稻幼苗的顏色變化，并通過數字圖像分析法得出基于紅-綠-藍反射率和植被指數的排序方法比基于色調的飽和度和亮度的兩種顏色指數更能區分品種間的損傷反應。雖然有許多成像技術可用于識別農作物病蟲害，但正確使用分析這些圖像并對其進行分類的算法也在整個過程中發揮著重要作用。

4 表型組學研究展望

表型組學概念提出后，已隨著多組學、跨學科交叉融合技術的飛速發展，極大地促進了功能基因組學的研究。近年來，一些大型的表型組學研究裝置、裝備以及大數據分析平臺的建設進一步推動了表型組學的發展和應用。但是目前仍存在一些尚待解決的問題，如多功能、高通量的表型鑒定平臺可以獲取大量的數據資料，但數據的儲存和解析需要多設備和分析技術的支撐。為提高表型組學成像系統所采集到圖像的質量、分辨率和維度數，已研發出大量儀器設備和分析平臺，但這些儀器設備成本較高且不能同時保證多種參數的數據質量，限制其更廣泛的應用［56］。因此，成像傳感器、圖形處理器和計算機視覺技術的不斷提升，仍是未來表型組學需要不斷突破的方向之一。

對表型組學來說，多元數據的綜合分析可以解釋一些新的生物學現象，這就要求在表型設施平臺建設及數據采集方面應盡量多考慮多種類型數據的采集。由于單個傳感器獲取的數據特征有限，通過結合多種成像傳感器或成像技術以獲得更多的表型特征和更全面的數據集，從不同層面、不同尺度揭示更多常規手段難以挖掘的調控機制，從而突破單一成像技術的局限性［1］。因此，除了多組學技術的深度融合外，利用不同測量設備的組合分析，全面解析作物生長發育規律也將成為表型組學研究的發展趨勢。

近地面表型平臺在特定表型獲取中具有極大的潛力，如車載平臺、導軌式平臺以及觀測塔等，然而其難以完成跨區域作業，并且工作效率和時空分辨率仍受較大限制。相對于這些技術，無人機遙感平臺憑借機動靈活、成本低、空間覆蓋廣等優勢，對田間表型的獲取可操作性更高，并且能夠快速準確地監測田間農作物的生長變化［57-58］。無人機通過搭載可見光、高光譜、激光雷達等先進傳感器，為高效獲取各類植物表型數據（包括生物量、冠層覆蓋度、株高、葉面積指數和氮含量等）提供了可行途徑，已逐漸成為獲取作物田間表型的重要手段［44-47］。因此，隨著大數據存儲和解析技術的提高，以無人機為代表的近地遙感高通量表型平臺，將在未來作物表型尤其是株型、產量、收獲指數等復雜農藝性狀研究中發揮重要作用。