随着多种植物全基因组测序的完成, 科研人员越来越认识到植物表型研究的重要性, 并将其提升至“组学”的高度。植物表型组学是研究植物生长、表现和组成的科学, 能够有效追踪基因型、环境因素和表型之间的联系, 是突破未来作物学研究和应用的关键领域。
本文介绍了植物表型采集分析经历的从手工测量计数的初始阶段到特定测量工具的辅助阶段再到高通量表型组学3个阶段;提出了推动植物表型采集分析发展的3个要素: 表型组学研究设施、表型采集技术及图像数据分析方法; 进而详细阐述了表型组学设施的发展、国际上代表性的设施平台情况以及表型采集传感器和图像数据分析方法的发展, 并展望了植物表型组学未来的研究方向。

☑ 植物表型采集分析的发展历程——从表型采集到表型组学研究

早在1866年, “遗传学之父”孟德尔就开始描述和分析表型, 其发表的题为“植物杂交实验”的著名论文中, 详细描述了豌豆7对相对的特征, 包括种子的圆形与皱缩、高茎对矮茎、绿色豆荚与黄色豆荚等。随着遗传学的发展, 植物学家对植物特征的分析越来越重视。

直到20世纪末, 对于植物表型的采集分析才进入真正意义上的表型组学研究阶段, 其核心是获取高质量且可重复的性状数据, 进而量化分析基因型与环境互作效应(G×E)及其对产量、质量和抗逆等相关性状的影响(Ribaut et al., 2010; Tester and Langridge, 2010)。相对于单一性状分析, 植物表型组能为植物研究提供全面的科学证据(Finkel, 2009), 当与相应的基因组和环境数据相结合时, 有望在植物育种上引发巨大的飞跃(Awada et al., 2018)。

植物表型组学研究初期, 研究重点集中于提高表型采集技术及降低采集分析设施成本。Araus等(2018)通过比较作物基因组选择和高通量表型组技术后指出, 表型获取技术是整个作物育种中比较薄弱的环节, 需重点提高该技术的精度和通量, 并降低价格成本。在此期间, 温室及室内表型技术大都由商业机构推动, 其中最著名的是德国LemnaTec公司的高通量温室植物表型成像系统(Scanalyzer 3D)。同期发展的环境传感、非侵入式成像、反射光谱及传送控制技术等也被应用到田间表型采集中, 主要应用于田间作物生长的表型性状采集分析及产量预测(White et al., 2012)。表型采集技术的快速发展产生了海量的图像数据, 但如何将传感器数据转化为生物学知识并解释生物学问题至关重要。因此, Cobb等(2013)在其综述中首次提出了下一代表型研究(next-generation phenotyping)的概念, 文中指出表型组研究应与基因组数据进行关联分析, 而不只停留在植物性状参数的快速和准确测量。表型数据通过与全基因组关联分析、数量性状定位、高分辨率连锁图谱及基因组选择模型等技术紧密结合, 可用于揭示性状调控的分子机制和阐明基因功能。自下一代表型研究被提出后, 科学家对表型组学的发展统一了认识, 他们认为表型组研究领域正在进入一个全新的发展阶段: 如何把室内、外表型研究中产生的巨量图像和传感器数据转化为有意义的生物学知识将成为下一个表型组学研究的瓶颈(Tardieu et al., 2017; Roitsch et al., 2019)。

德国LemnaTec公司的高通量温室植物表型成像系统(Scanalyzer 3D)

植物表型组学研究的发展之路实际上是高通量表型组学研究设施(high-throughput plant phenotyping platforms, HTPPs)、表型采集技术、图像分析及数据关联分析3个方面的发展过程, 下文将从这3个方面进行论述。

☑ 高通量表型组学研究设施的发展

高通量表型组学研究设施是集传送系统、采集相机、控制系统及分析存储系统于一体的大型研究设施, 其能够全自动、无损伤地获取植物全生育期的多维度表型信息。这些表型设施平台通过复杂的非侵入性成像、光谱学、图像分析、机器人技术、高性能计算设备和表型数据库等方法来系统地收集并分析表型数据。作为一次表型革命, 这些现代的表型组学平台和工具可在一天内记录成百上千株植物, 旨在记录植物发育、结构、光合作用、生长或生物量以及生产力等特征数据, 为植物学家提供解锁植物基因组编码信息所需的知识和工具(Mir et al., 2019)。

目前, 根据应用场景的不同, 高通量表型组学研究设施可以分为温室型及田间表型平台两大类(表1)。温室型表型组学设施主要采集和分析可控环境条件下植物或作物的表型信息, 通过整合分析环境条件,匹配基因组学和表型组学数据, 来实现“自助化、智能化”育种目标。其中, 又因表型采集方式的不同分为传送式(plant to sensor)和轨道式(sensor toplant)。国际上大多数的温室表型组学设施属于传送式, 即植物或作物在传送带上培养, 通过动力传送至成像区域进行成像。轨道式温室表型系统主要根据温室结构搭建可移动的采集相机, 实现植物原位表型收集。

 表1 高通量植物表型组学设施分类及代表性平台

英国洛桑实验站田间表型平台Scanalyzer Field

该系统是国际上建成最早且功能最全的田间平台, 其搭载可见光、红外、激光3D、叶绿素荧光、高光谱、NDVI和CO2等多个传感器, 已应用于油菜和小麦等作物不同营养处理下相关田间表型研究。

☑ 表型采集技术的发展

利用高精度、非破坏性的技术方法提高植物功能与结构的研究能力已成为植物育种和精准农业的主要目标。随着植物表型分析技术的发展, 这些新兴方法在揭示植物生长、产量、品质和抗逆的数量性状方面发挥关键作用(Tripodi et al., 2018)。近20年来, 图像表型采集技术的发展使得高通量、无损伤地获取植物全部生育期或动态胁迫过程的形态、结构及生理信息成为可能。

表2 表型采集技术及应用简介

虽然第一代传感器都能实现高通量、无损伤快速获得植物表型信息, 但获取的信息比较单一, 且易受植物叶片遮挡的影响。为了采集和描述更复杂的表型信息, 采集设备也在不断进步, 新一代的采集传感器被应用于表型采集并驱动新一代植物表型组学研究的发展(Roitsch et al., 2019)。近年来, 被广泛应用的高光谱及多光谱成像技术除获取单个波段的图像信息以外, 还可以同时获得植物的光谱吸收曲线。通过对图像和光谱信息进行分析, 能够实时原位观测植物的内在生理信息和化学物质含量, 一次成像可以获取大量的表型信息。同时三维成像技术的发展彻底解决了二维成像中叶片遮挡的问题。例如, 激光雷达成像可以获得植物的三维点阵云图, 通过分析可以获取植物结构信息。计算机断层扫描机及磁共振成像技术可以将光线穿透植物样本, 通过一系列连续灰度图像重建的三维结构, 可以获取内部结构信息, 已广泛应用于根系研究(Rascher et al., 2011; Poorter et al., 2012; Zhang et al., 2018;Gomez et al., 2018; Douarre et al., 2018; Xu et al., 2018; Valdes et al., 2018;van Veelen et al., 2018)。

☑ 图像及数据分析技术的发展

针对新一代多层次表型采集技术获取的多维植物表型图像数据集, 图像分析方法致力于从图像中提取性状, 并进行图像信息的分类识别; 数据分析则是对从图像中提取的性状进行加工统计, 以获得高可信度、可重复的生物学结论(Tardieu et al., 2017)。随着植物表型组学研究的发展, 全自动且精准地从海量的图像数据中提取植物的表型特性至关重要,机器学习及深度学习等其它数据处理方法可以从多维度数据集中提取新的信息和认知, 已在植物表型组学研究中的图像分类、物体识别与特征提取方面展示出强大的数据处理优势(Pound et al., 2017, 2018)。机器学习等技术与表型研究领域的结合多集中在生物及非生物胁迫方面, 对于其它性状如作物的株型、穗型、生理参数及养分含量的自动定量分析还有待进一步加强。

☑ 表型组学研究展望

植物表型组学研究作为一个“组学”的范畴, 可以实现量化分析植物个体的全部表型信息, 对植物不同空间尺度, 如冠层、个体、组织器官甚至细胞及其整个生长发育各个阶段进行动态性状的获取和分析。这种全面分析的潜力还体现在与其它组学研究的结合上, 表型组学整合基因组学、表观组学、转录组学、蛋白组学和代谢组学等针对植物的细胞、组织、器官、群体等不同尺度及不同生长发育时期进行综合分析,预期可以绘制各项生命活动过程中的调控网络, 最终揭示生命本身的奥秘, 阐明农作物的生物学规律, 切实服务于农业生产。

胡伟娟,傅向东,陈凡,杨维才. 新一代植物表型组学的发展之路. 植物学报, 2019, 54(5): 558-568.