7月28日，南京农业大学的周济教授实验室与中国科学院分子植物科学卓越创新中心韩斌院士领导的研究团队合作，共同构建了基于经济型无人机的多点多季田间水稻表型采集和分析平台，并从数百个水稻品种中自动化提取了关键农艺性状的表型差异，进而定位了多个可靠的基因位点及全新的候选位点。研究成果“AirMeasurer: open-source software to quantify static and dynamic traits derived from multi-season aerial phenotyping to empower genetic mapping studies in rice”在国际植物学著名期刊《新植物学家》 (New Phytologist，IF=10.32) 在线发表。

 

无人机因其机动性、灵活性和性价比等优势，在植物研究中获得大量应用。虽然无人机可相对快捷地获取大量图像数据，但如何从大数据中高效提取与生物学相关的信息仍极具挑战性。本研究通过结合二维、三维图像处理算法、监督式机器学习及自动化性状分析流程等方法构建了AirMeasurer平台：先通过经济型无人机对多点多季（2019至2021年；上海松江和海南陵水）的数百个水稻地方品种（landraces）和重组自交系（RILs）采集了大量基于时序的图像序列，再使用AirMeasurer高通量提取不同生育时期中关键农艺性状的静态和动态表型，并以此建立预测模型完成对关键生育期（如抽穗期和灌浆早期等）的预测。

为应对气候变化带来的挑战，本研究开创了结合水稻生长发育特性和函数拟合算法分析田间水稻动态表型的方法，通过多次无人机拍摄（每季8-10次）建立了在各个生长阶段中不同性状（如植株高度、冠层覆盖度和各类植被指数等）的动态生长曲线，并把该算法应用于多地多季的水稻田间试验，量化分析了254个水稻landraces及191个RILs的静态和动态表型（如高速生长阶段、不同阶段的生长速率和最快生长时期等）。

基于不同性状在不同地点和不同生境下的静态和动态表型差异，本研究还结合全基因组关联分析（GWAS）和数量性状基因座作图（QTL mapping）鉴定了多个可靠的基因位点及全新的候选位点。其中一些与已发表的工作相符，而另一些被用于挖掘新的候选基因，为作物改良、精准定位和分子标记筛选提供了大规模、高质量的表型组信息。

    为了服务广大植物研究团队，提高表型分析能力，实验室自主开发的AirMeasurer平台采用了完全开源的形式，不但提供了对形态、光谱和纹理等图像信号的分析算法和源代码，而且还上传了超过10GB的测试数据集，为广大研究人员的平台测试和后续改进提供便利。此外，针对非计算机专业人员，本研究还开发了简单易用的图形用户界面，并拓展了平台对其他谷类作物（如小麦）的分析能力。平台的源代码、测试和分析数据可通过周济实验室的在线资源库下载获得：https://github.com/The-Zhou-Lab/UAV/releases/tag/V2.0.2。

 

    前沿交叉研究院的博士生孙港与中国科学院国家基因研究中心的陆恒云博士和赵研高级工程师为本文共同第一作者，周济教授和韩斌院士为共同通讯作者，中国科学院国家基因研究中心的赵强研究员领导了田间试验和基因位点定位、英国剑桥作物研究中心（Cambridge Crop Research Centre，NIAB）的Robert Jackson博士和Eric Ober研究员、工学院的周洁博士生等参与了该项研究。该研究得到中国科学院战略性先导科技专项、中国国家自然科学基金、江苏省自然科学基金、英国植物表型联盟等项目的资助。

 

 

文章链接：https://nph.onlinelibrary.wiley.com/doi/full/10.1111/nph.18314

 

文章DOI：https://doi.org/10.1111/nph.18314