Plant Phenomics 綜述 | 利用人工智能進行根系結構成像分析的最新進展

根是獲取水分和養(yǎng)分以維持和支持植物生長和錨定所必需的部位。然而，直到最近幾十年，它們在表型和植物育種中的研究少于地上性狀。在現(xiàn)代，根系形態(tài)和根系構型等性狀已被認為是“第二次綠色革命”中創(chuàng)造更多更高品質(zhì)食品的重要性狀。為了解決RSA和其他根系研究的不足，人們正在研究新技術，以滿足通過根系性狀改善植物的日益增長的需求，并克服目前在穩(wěn)定產(chǎn)量方面停滯不前的遺傳進展。
 

2024年4月，Plant Phenomics 在線發(fā)表了美國USDA等單位題為The State of the Art in Root System Architecture Image Analysis Using Artificial Intelligence: A Review的綜述論文。該綜述系統(tǒng)總結了RSA研究的起源、應用、挑戰(zhàn)和未來方向的概要。
 

研究人員首先介紹了植物根系的重要性：根部不僅提供機械支撐，還是水、養(yǎng)分的主要獲取器官，有助于改善土壤結構。培育特定根型的作物可提高糧食安全和農(nóng)業(yè)可持續(xù)性。植物育種中，根部特性的重要性常被忽視。但根部的隱藏特質(zhì)影響作物性狀的培育。如何觀察、量化和解釋根部結構成為育種努力和高通量表型研究的挑戰(zhàn)。隨后介紹了根系獲取方法包括破壞性和非破壞性兩種。破壞性方法如根系采集，最為侵入和破壞，但可進行三維可視化。非破壞性技術如根窗技術可進行時間序列分析，觀察生長習性。雖然非破壞性技術不損傷植物，但存在采樣不全、技術局限等問題，因此采用AI技術輔助分析根系圖像的綜合方法日益受到關注。還介紹了利用人工智能（AI）和機器學習（ML）技術進行根系圖像分析具有很強的優(yōu)勢。ML技術的靈活性和可擴展性推動其在以往無關領域和主題中的應用。ML在植物育種中的應用已成為改善植物表型學的關鍵因素，但還面臨著一系列挑戰(zhàn)。最后，對未來研究進行了分析與展望。
 

圖1 單子葉植物和雙子葉植物的根系。根和芽鱗片被夸大的細節(jié)。直根在一些文獻中也稱為胚根和初生根
 

圖2 RSA研究過程的ML使用苜蓿根圖像。一般步驟包括圖像捕獲，預處理，分割/特征提取，模型訓練，模型調(diào)整，模型驗證和模型識別
 

圖3 涉及牙根成像的被引用AI研究文獻的網(wǎng)絡圖

在本文中，作者討論了RSA研究，成像技術和ML技術的應用，交叉點和重要性如何推進植物根系研究。作者相信，鑒于ML和CV建模最近取得的重大成就，隨著研究人員在自己的研究中深入研究這些障礙，ML和CV建模在準確性，預測能力和計算速度方面都會增長，先進的成像技術與改進的ML技術和模型相結合的未來是有希望的。

論文鏈接：

https://doi.org/10.34133/plantphenomics.0178

——推薦閱讀——

Panicle-Cloud: An Open and AI-Powered Cloud Computing Platform for Quantifying Rice Panicles from Drone-Collected Imagery to Enable the Classification of Yield Production in Rice

https://spj.science.org/doi/10.34133/plantphenomics.0105

Plant Phenomics | Panicle-Cloud: 一種基于開放式人工智能的稻穗云計算平臺

Hyperspectral Remote Sensing for Phenotyping the Physiological Drought Response of Common and Tepary Bean

https://doi.org/10.34133/plantphenomics.0021

Plant Phenomics | 基于高光譜遙感的大豆和花菜豆生理干旱響應的表型研究

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學、植物科學、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
撰稿：王孟達（南京農(nóng)業(yè)大學）
編輯：張婕（上海交通大學）
審核：孔敏、王平