高通量表型和深度学习分析动态稻穗生长和剖析产量形成的遗传结构
作者单位：作物遗传改良国家重点实验室华中农业大学
会议名称：《第二十届中国作物学会学术年会》
会议日期：2023年
关 键 词：高通量作物表型 深度学习 QTL 稻穗生长 生长预测
摘 要：水稻稻穗的动态生长发育决定最终产量,是水稻最重要农艺性状之一。然而对于大规模水稻群体和遗传资源,传统表型手段很难量化和分析水稻稻穗动态生长性状。在本研究中,在这项研究中,基于高通量水稻表型平台（RAP）和深度学习,我们开发了一种新的图像分析流程（Panicle-iAnalyzer）来提取52个穗部i-traits图像性状和35个分蘖i-traits图像性状,并针对珍汕97（ZS97）和明辉63（MH63）杂交的重组杂交系群体进行了系统测试。在水稻成熟时期,采用深度学习网络（SegFormer）进行图像识别,将图像中的植株与稻穗部分分割。最终,利用这些获得的图像性状,成功预测了产量,R值为0.862。采用高密度SNP位点图进行了QTL（数量性状位点）映射,共鉴定了3586个与不同时间点的各种性状和参数相关的时间特异性QTL。许多QTL可以在不同时间点反复检测到。我们还发现在QTL热点存在已克隆基因,如TAC1、Ghd7.1、Ghd7和Hd1,并评估了它们在不同发育阶段的影响程度。此外,该研究还鉴定了许多值得进一步研究的新QTL位点。以上结果表明,基于表型技术我们研发了一种新的水稻稻穗高通量分析算法,用于动态表征和量化水稻整株和稻穗生长表型参数,精准剖析水稻产量形成的动态遗传结构。