科学家研发出穗轴表型解析系统
文章导读
你还在用肉眼数小麦小穗、靠尺子量穗轴长度？当大多数育种研究还在依赖人工表型时，中科院团队已经用深度学习打开了小麦高产的“黑匣子”。他们发现，两个穗长和小穗数几乎相同的小麦品种，产量差异竟可能高达15%——罪魁祸首藏在小穗的排列方式里。这个过去无法量化的细节，现在被一个叫RachisSeg的系统精准捕捉，并提炼出一个全新指标SDI。实测显示，该指标与每穗粒重显著相关，甚至能预测产量潜力。更关键的是，研究团队已锁定控制这一性状的主效基因位点。如果你关心高产小麦的育种方向，这个被AI挖出的遗传密码，可能正在改写下一个突破性品种的诞生逻辑。
— 内容由好学术AI分析文章内容生成，仅供参考。
小麦的产量主要由穗数、穗粒数和千粒重决定，而穗部结构直接影响这些关键产量性状的形成。
近日，中国科学院遗传与发育生物学研究所建立了基于深度学习的穗轴图像自动化表型解析系统RachisSeg，首次实现了小麦穗轴节间的自动分割与精细量化测定，提出了表征小穗沿穗轴分布的新指标（SDI），为揭示小麦穗型结构的形成机制及其遗传基础提供了新的技术手段。
RachisSeg实现了节间长度、宽度、穗轴长度、穗粒数和小穗分布等多类性状的高效测定。该方法在大规模样本中的表现优异，自动测量结果与人工测量高度一致，显示出极高的精度与稳定性。
研究团队提出的小穗分布定量指标，能够刻画传统穗密度指标无法反映的穗轴上小穗分布排列差异。分析发现，不同小麦品种即使穗长和小穗数相似，其SDI值仍表现出显著差异。进一步的性状相关分析表明，SDI与每穗粒重和每穗产量均呈显著相关，穗顶小穗过度密集可能导致籽粒重量下降，从而影响产量形成。
研究团队对小麦穗轴性状遗传定位，共鉴定到46个QTL位点。其中，6B染色体上的主效位点QSDI.ucas-6B控制小穗分布。进一步的候选基因分析发现，该区域内的基因TraesCS6B02G417000为潜在调控基因。
该研究建立的RachisSeg穗轴表型提取系统，大幅提升了穗轴性状测定的效率和精度，使以往难以量化的小穗分布特征得以系统研究。通过整合数字表型、群体遗传分析和突变体验证，研究揭示了小麦穗部结构改良的遗传机制，为穗型优化和高产育种提供了理论依据和技术支持。
相关研究成果发表在Plant Physiology上。研究工作得到国家重点研发计划等的支持。
小麦穗轴表型测量算法RachisSeg及其准确性验证
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
如果把RachisSeg直接接入田间表型平台，能实时监测不同环境下的穗轴变化吗？想知道数据传输延迟情况。
哎呀，这技术一出，种植大咖们估计要抢着用 🤣
听说下一步要把根系也搞定，真是全套了。
这玩意儿好像只适合大实验室，装配成本咋样？
之前我们实验室也用手工数小穗，花了整整一周，这套系统省时省力。
穗顶密集真的会降重量？我倒是没见数据明显。
SDI指标具体怎么算的？有代码公开吗
我试过手动测节间，误差挺大的，这套深度学习模型估计能统一标准。
看到自动分割，真的省心不少。
这个系统听起来挺牛的，直接省了好几天手工测量。