高通量微型CT水稻莖稈3D性狀數字化分析新技術
3月8日，華中農業大學作物遺傳改良國家重點實驗室作物表型團隊題為A deep learning-integrated micro-CT image analysis pipeline for quantifying rice lodging resistance-related traits的研究論文以封面論文的形式刊發在Plant Communications。文章介紹了一種基于深度學習的高通量微型CT圖像處理技術，實現了水稻莖稈3D性狀和抗倒性狀無損快速測定及精準分析，為未來水稻遺傳改良提供了一種重要的水稻莖稈表型精準鑒定新技術和新方法。
有史以來，水稻是我國最主要的糧食作物之一，倒伏是影響水稻產量和收割效率的主要問題之一。同時，水稻株型結構是水稻馴化的關鍵因素，也是限制水稻高產的主要因素，理想的水稻莖稈結構是提高水稻抗倒伏能力的關鍵。然而，傳統的水稻莖稈和抗倒表型性狀測量方法具有破壞性、費時費力的特點，也無法提取和分析莖稈壁厚、莖稈面積、莖稈體積、分蘗角度等水稻莖稈內部3D性狀。因此，急需一種高通量、精準的水稻莖稈和倒伏表型量化分析技術。
為了解決這一瓶頸，我校作物表型團隊基于先期工作中自主研發的高通量作物CT掃描系統，開發了一種基于深度學習的微型CT水稻莖稈3D圖像自動分析方法，提取莖稈3D性狀包括長軸、短軸、壁厚、莖稈面積、分蘗角度、體積、表面積等24個表型性狀。通過與人工測量數據比較，長軸、短軸和壁厚的R2值分別達到0.799、0.818和0.623，說明本技術具有較好的測量精度。且單株測量效率最高可達4.6分鐘/株，為水稻抗倒伏數字化評估提供了一種高效和準確的新途徑和新方法。
莖稈不同高度下抗倒性能分布3D熱圖（顏色越紅表示抗倒性更好，顏色越藍表示抗倒性更差）
更有趣的是，本技術可重建出水稻莖稈抗倒伏性3D可視化熱圖，反演莖稈不同高度下的抗倒性能分布，通過該3D熱圖可精準定位莖稈較為脆弱和可能倒伏的位置。
研究人員總結道，本文研發了一種基于深度學習和微型CT成像的水稻莖稈3D表型性狀無損快速提取和分析的新技術和新方法，有潛力應用于未來水稻抗倒伏遺傳育種等相關研究。且本技術可擴展應用于玉米、油菜、小麥、棉花等作物，具有良好的應用前景和市場推廣前景。
據了解，我校作物表型團隊一直致力于作物表型技術自主研發與應用，尤其在微型CT技術研發與農業應用上有一定的工作基礎。已成功研發應用于水稻分蘗斷層2D掃描和3D掃描的第一代X-CT，空間分辨率為0.5mm，主要應用于分蘗數測量及第二代微型X-CT，空間分辨率最高可達35微米，可提取更為精細的水稻分蘗大小，形態，分蘗角等性狀，且相關核心技術專利已于2020年實現轉化。本研究是作物表型團隊在微型CT水稻表型技術研究上的又一次突破，且有望在未來實現技術轉化。
該項研究成果獲得國家重點研發計劃、國家自然科學基金、中央高校基本科研專項資金資助。華中農業大學吳迪博士和吳丹碩士為本文的共同第一作者，華中農業大學楊萬能教授為本文的通訊作者。
摘要
Lodging is acommon problem in rice, reducing its yield and mechanical harvestingefficiency. Rice architecture is a key aspect of its domestication and a majorfactor that limits its high productivity. The ideal rice culm structure,including major_axis_culm, minor axis_culm, and wall thickness_culm, iscritical for improving lodging resistance. However, the traditional method ofmeasuring rice culms is destructive, time consuming, and labor intensive. Inthis study, we used a high-throughput micro-CT-RGB imaging system and deeplearning （SegNet） to develop a high-throughput micro-CT image analysispipeline that can extract 24 rice culm morphological traits and lodgingresistance-related traits. When manual and automatic measurements werecompared at the mature stage, the mean absolute percentage errors formajor_axis_culm, minor_axis_culm, and wall_thickness_culm in 104 indicarice accessions were 6.03%, 5.60%, and 9.85%, respectively, andthe R2 values were 0.799, 0.818, and 0.623. We also builtmodels of bending stress using culm traits at the mature and tillering stages,and the R2 values were 0.722 and 0.544, respectively. Themodeling results indicated that this method can quantify lodging resistancenondestructively, even at an early growth stage. In addition, we also evaluatedthe relationships of bending stress to shoot dry weight, culm density, anddrought-related traits and found that plants with greater resistance tobending stress had slightly higher biomass, culm density, and culm area butpoorer drought resistance. In conclusion, we developed a deeplearning-integrated micro-CT image analysis pipeline to accurately quantify thephenotypic traits of rice culms in ～4.6 min perplant; this pipeline will assist in future high-throughput screening of largerice populations for lodging resistance.
原文鏈接：https://www.cell.com/plant-communications/fulltext/S2590-3462（21）00040-7
魯公網安備 37060202000128號