友情链接：
鸡年接近尾声，各行各业都已经做了各种年度盘点了，小编也不能免俗，以影响因子和引用次数为标准，将近五年跟植物表型研究相关的文章，做了盘点，列出了植物表型研究文章的TOP10 ，从微观表型到宏观表型，从实验室表型到田间表型，从基因型到表型，赶紧一睹为快吧。
TOP 10
植物表型组学数据中动态数量性状位点的分析（Trends Plant Sci.,2015）
高通量成像技术能够连续测量植物表型，这可能有助于生长发育相关性状的QTL分析。功能作图的一个主要好处是它集成了多个时间点上的信息，因此可以增加QTL检测的统计功效。 为了处理高维基因分型和表型数据，计算效率是动态QTL分析的新型统计方法的重点。
162个拟南芥RIL随时间推移的表型轨迹
此文回顾了目前复杂数量性状功能作图的发展，这些方法为我们分析后基因组时代的大规模时间进程数据提供了宝贵的工具。
TOP 9
基因组技术用于作物的遗传改良（Nature,2017）
作物生产需要增加，以保证未来的粮食供应，同时减少对生态系统的影响。 植物基因组和遗传多样性的研究对于应对这些挑战至关重要。 基因组测序和组装方面的进展正被用于获取作物及其野生亲缘的大型而复杂的基因组。 这些已经帮助确定了广泛的遗传变异，并且可以进行遗传多样性与多种农艺表型的关联性分析。结合改进的自动化表型分析和功能基因组研究，基因组学为作物育种系统提供了新的基础。
作物野生前体种群的遗传多样性（右图彩色圆圈）已被驯化，其中在最初选择和采用的地方品种中存在有限的多样性。随后的育种吸引了地方品种中存在的有限范围的变异，以用于现代农业的中优秀栽培品种生产。作物改良基因的鉴定可以使用诱变将变异引入作物的DNA，具有所需特征的突变体可以通过筛选所需的性质来鉴定，这些性质称为表型。这样的表型鉴定需要大量的群体来进行，费时且不准确，需要依靠高通量的表型手段来实现。
TOP8
利用高通量的非侵入性表型技术揭示水稻耐盐基因位点（Nat Commun,2016）
高通量的表型分析随着时间的推移会产生多种测量结果，这需要新的分析方法，这些分析方法可以灵活地对植物生长和蒸腾进行量化，但在计算上是经济的。在这里，我们开发了这样的分析，并将其应用于用700k SNP高密度阵列上的水稻群体基因分型。相对增长率（RGR），蒸腾速率和蒸腾利用效率（TUE）使用新的关联模型进行分析，该模型考虑到处理（对照和盐处理）与遗传标记之间的相互作用。该模型能够鉴定出先前未检测到的影响TUE的位于水稻第11号染色体上的基因位点，从而深入了解水稻对盐度的早期反应，特别是盐度对植物生长和蒸腾作用的影响。
不同处理水稻的相对生长率变化
TOP7
动态根系生长和结构在养分限制条件下的反应
通过简单介绍现有和正在开发的从实验室到田间的根表型定量分析技术，从田间部分根剖面的量化到整个根系的三维重建。 最后，此文讨论这些方法如何能够并且应该与建模紧密相关以探索根本的现象。
不同植物根系的量化分析与三维重建
TOP6
全基因组关联分析和高分辨率表型分析：将水稻穗性状与多性状特异性QTL簇联系起来（Nat Commun,2016）
水稻穗结构是产量和品质育种的重要选择目标。然而，由于与开花和亚群结构的相关性，穗表型难以测量，并且在遗传作图期间容易混淆。此文利用成像平台PANorama量化了242个热带水稻种质中的49个穗型表型。这是第一个使用高分辨率表型分析平台来评估田间种植材料的花序表型的研究。在此，作者为驯化的水稻建立了一个基因模型，提出了一个复杂的遗传模型，以解释穗特性，并证明穗粒大小和产量表现之间的微妙联系
PANorama表型分析平台对水稻穗的分割
穗相关表型参数间的相关性分析
TOP5
植物高通量胁迫表型的机器学习研究（Trends Plant Sci,2016）
自动化和高通量成像技术的进步已经导致了植物高分辨率图像和传感器数据的大量涌现。 然而，从这个庞大的数据库中提取模式和特征，需要使用机器学习（ML）工具来进行数据同化和特征识别以进行胁迫表型分析。
植物胁迫表型和植物育种活动的四个阶段可以部署不同的ML方法即（i）识别，（ii）分类，（iii）量化和（iv）预测（ICQP），此文提供了ML工具的综合概述和用户友好的分类，使植物群体能够正确、轻松地应用适当的ML工具，以及成为各种生物和非生物胁迫性状的最佳实践指南。
TOP4
高通量表型和全基因组关联分析：研究揭示水稻的自然遗传变异(Nat Commun,2014)
通过使用高通量测序技术对植物基因组学的研究迅速发展，传统的植物表型测试也远远落后。 此文的作者开发了一个高通量水稻表型测定设施（HRPF），用于监测水稻生育期的13个传统农艺性状和2个新定义的性状。 利用15个性状的全基因组关联研究（GWAS），他们确定了141个相关基因位点，其中25个包含已知基因，如‘绿色革命’半矮生基因SD1。 基于对HRPF和GWAS结果的性能评估，此文证明高通量表型分析具有取代传统表型分型技术的潜力，并且可以提供有价值的基因识别信息。 多功能表型分型工具HRPF和GWAS的结合，实现对重要性状遗传结构的深入了解。
使用三种表型方法进行鲜重，地上部干重和绿叶面积的测量后，GWAS结果之间的比较
TOP3
细胞到整株水平的表型分析时代（Trends Plant Sci，2013）
成像和图像处理已成为植物表型研究的革命性技术，是表型性状测量的主要工具。 此文作者通过检查三个重要的特征来评估植物表型系统：吞吐量，维数和分辨率。首先，整个植物表型分析系统与自动化技术的进步相结合，能够显着提高产量。然后讨论器官和细胞水平表型及其工具（通常以较低的通量操作），作为在升高的空间和时间分辨率下获得高维表型数据的手段。此文认为未来需要集中注意力在空间和时间分辨率的研究上，因为这些成像程序在植物表型系统应用的是关键方面。
表型分析的时空分辨率
多维度的表型分析示意图
模式植物拟南芥叶片组织、叶肉细胞表型分析
TOP2
田间表型：作物育种新方向（Trends Plant Sci,2014）
田间表型分析受限因素太多，因此限制了大家研究数量性状遗传学的能力，特别是哪些与产量和胁迫耐受性相关的性状。发展有效的基于田间高通量表型分析平台（HTPPs）仍然是未来育种进展的瓶颈。然而，传感器、高性能计算技术的发展正在为此铺平道路。此文回顾了田间HTPPs的最新进展，类似这样的平台可以将低成本、高性能的数据收集/评估/处理技术、非侵入式遥感方法及自动化的环境数据收集过程结合起来，从而提高作物遗传改良的效率，满足实际需求。
涉及高通量表型分析的育种过程的不同组分的总结（包括适时评估关键性状，评估空间变异性，环境表征以及进一步整合所有信息）
TOP1
植物表型分析的未来情景（Annu Rev Plant Biol,2013）
此文是检索出来近年来引用次数与影响因子综合排名的NO1，文章通讯作者Schurr U.是表型领域的领军人物之一。此文虽然发表时间较早，但时到今日，仍有很大的影响力。此文提供植物表型分析多学科研究的综述，这些表型分析有助于选择具有提高资源利用效率的基因型的性状。U.他们关注于利用无创或微创技术，筛选出能有效分析可控和田间环境下的植物表型特征的方案。
根形态和生长动力学参数分析常用软件包列表
作者悉心整理了如上表格，可以利用这些软件，对基于在各种生长介质中生长的根的2D成像进行高级分析。
小结：虽然表型技术发展迅速，但仍有非常大的提升空间，因为大规模的表型分析需要以最少信息量的实验方案、数据管理与建模整合，来获取最准确的表型信息，系统植物表型研究的旅程才刚刚开始。小编以大神Ulrich Schurr的图作为此文结束，可以看到随着传感器、软件的发展，表型分析流程与表型参数获取这两个领域，发展得越来越成熟，在结果输出方面，特别是在基因型、环境、表型三者的研究中，研究者们对于数据的解释、应用要求更多，让我们共同期待2018年到来的同时，期望表型发展得越来越好。
植物表型的概念方案
