欢迎您来到博普特科技官方网站!

土壤仪器电话

010-82794912

品质至上,客户至上,您的满意就是我们的目标

技术文章

当前位置:  首页 > 技术文章

Plant Phenomics | 应用改进的二维高通量大豆根系表型平台鉴定调节根系结构性状的新遗传变异

发表时间:2023-10-20 10:58:52点击:611

来源:植物表型组学

分享:

1697770632412745.png

1697770643561887.png

根系架构(Root System Architecture, RSA)是根系空间分布的重要参数,关联许多重要的农艺性状,包括植物土壤锚固、营养和水分吸收,和非生物和生物胁迫信号。因此根系架构是影响植物产量的重要因素,营养高效根系体系结构正成为生产具有提高养分和水分获取效率的作物品种的重要育种目标。大豆是全球主要的种子和油料作物之一。虽然已经探索基因各种地上植物性状影响大豆产量,只有少数的根生长研究,大多数集中在根特征应对非生物胁迫的研究。由于根系生长在不透明和复杂的土壤环境中,田间根系性状的表型受到限制,该领域的主要根系表型技术包括通过手工或通过大型改良的收获设备挖掘根系,从根系中清洗土壤,并对其进行成像。然而传统方法容易对根系损伤,并且传统方法耗时耗力,有很大的局限性。

2023年9月,Plant Phenomics 在线发表了来自加拿大萨斯喀彻温大学全球粮食安全研究所和美国密苏里大学植物科学与技术部等人题为Application of an Improved 2-Dimensional High-Throughput Soybean Root Phenotyping Platform to Identify Novel Genetic Variants Regulating Root Architecture Traits 的研究文章。

本文提出了了一种改进的二维高通量根系表型平台的使用,通过成像浸在水中的袋生长的根系,从而最小化背景噪声。本文还提出了一个背景图像清理Python管道,它可以通过计算去除小块碎片和滤纸纤维的图像,这些碎片可能会被错误地量化为根尖。利用该平台对286个具有540万个单核苷酸多态性基因分型的大豆品系的根系性状进行了表型分析。与未进行背景校正的根图像相比,当背景去除非根物质时,人工计算量化的根尖数量的相关性由79%显著提高至95%。本文所提出的根系架构表型管道的改进显著减少了对受根尖数量影响的根性状的过高估计,通过对根表型数据进行的全基因组关联研究和候选基因的定量基因表达分析,最后结果鉴定出了3个假定的有关于根系深度、总根长和表面积、厚根根系体积和表面积的阳性调控因子(dof1样锌指转录因子、功能未知蛋白、乙炔锌指蛋白)。还确定了一个假定的对侧根总数的负调控因子(赤霉素20氧化酶3)。

1697770664928782.png

图1 图像采集和分析工作流程。打开根生长袋,然后小心地从根系的塑料膜中移除。随后,这些生长袋被放置在一个装满水的成像托盘中。然后,在根系的顶部放置一个透明的玻璃板。植物根成像和数据分析(PRIDA)——一种基于python的图像采集和数据管理软件——用于收集和存储原始图像,并将元数据项目到一个单一的层次数据格式(HDF5)文件中。将根图像裁剪到感兴趣的区域,并通过高通量图像预处理管道从背景中分割RSA,提高了根图像的精度和特征计算的效率。使用WinRhimo、GiaRoots和其他定制软件脚本,分析清理后的图像,以提取根的形态和建筑特征。

在本研究中,我们能够捕获根系结构和生长/形态性状表型变异背后的大量遗传多样性。结果表明,除总凸面积外,根系结构性状的大量GWAS峰一般与根系形态性状无关。这加强了整合和定位更多的根系结构性状的想法,这些性状可能有助于在资源有限的环境中提高产量和非生物胁迫耐受性,包括干旱和较低水平的矿质营养物质。然而,根形态特征的重要性是最关重要的早期根系研究特征如增加根长度,表面积和体积,以及发展更长的根以增加根系的吸收能力从而降低碳成本。

1697770683826946.png

图2 大豆植株生长R1期盆栽混合物植株根系COPM的表型验证。(A)6个大豆品系,3个根系值(TRV、TRL和COPM),在8 DAT时进行RSA成像。(B)对6个大豆基因型的COPM值(3个COPM较小,3个COPM较大)进行2D囊袋结果验证。采用Tukey诚实多重比较显著性差异检验,以确定基因型间COPM差异的统计学意义。不共享一个共同字母的大豆基因型在COPM性状上彼此之间的差异有统计学意义(P < 0.05)。3组大豆基因型的根系大小和深度差异与袋生长的幼植株和混合生长的老植株密切相关。

作者及团队介绍

本文的主要作者为Rahul Chandnani 博士和Leon V. Kochian博士,所属单位为加拿大萨斯喀彻温大学全球粮食安全研究所和美国密苏里大学植物科学与技术部。本文的主要贡献为:Rahul Chandnani 博士和Leon V. Kochian博士以及Henry T. Nguyen构思了整个项目以及对整个项目的设计。Rahul Chandnani 博士进行了表型分析,图像预处理与分析以及统计学和生物信息学数据分析。Mutsutomo Tokizawa, Alma Armenta Medina, Javier Mora Macias协助进行了实验室内的实验。本研究项目基金:这项研究是由加拿大卓越研究主席资助,并联合大豆委员会和密苏里农业实验站资助。

论文链接:

‍https://doi.org/10.34133/plantphenomics.0097

——推荐阅读——

Improved Field-Based Soybean Seed Counting and Localization with Feature Level Considered

https://doi.org/10.34133/ plantphenomics.0026

Plant Phenomics | 考虑特征水平的田间大豆种子计数和定位的改进

Hyperspectral remote sensing for phenotyping the physiological drought response of common and tepary bean

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

Plant Phenomics | 基于高光谱遥感的大豆和花菜豆生理干旱响应的表型研究

加入作者交流群

扫码添加小编微信,拉您进入《植物表型组学》作者交流群,群内不定期开展作者分享会、专刊发布会等高质量活动。

1697770713319661.png

添加小编微信,备注姓名+单位+PP,加入作者交流群

About Plant Phenomics

《植物表型组学》(Plant Phenomics)是由南京农业大学和美国科学促进会(AAAS)合作创办的英文学术期刊,于2019年1月正式上线发行。采用开放获取形式,刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术,基于图像分析和机器学习的表型分析研究,提取表型信息的新算法,作物栽培、植物育种和农业实践中的表型组学新应用,与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究,表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2021影响因子为6.5,位于农艺学、植物科学、遥感一区。中科院农艺学、植物科学一区,遥感二区,生物大类一区(TOP期刊)。2020年入选中国科技期刊卓越行动计划高起点新刊项目。

说明:本文由《植物表型组学》编辑部负责组稿。

中文内容仅供参考,一切内容以英文原版为准。

撰稿:吴庚宸

排版:苏梓钰(南京农业大学)

审核:孔敏、王平

  • 土壤仪器品牌德国steps
  • 土壤仪器品牌奥地利PESSL
  • 土壤仪器品牌荷兰MACView
  • 土壤仪器品牌德国INNO_Concept
  • 土壤仪器品牌比利时WIWAM
  • 土壤仪器品牌德国GEFOMA
  • 土壤仪器品牌奥地利schaller
  • 土壤仪器品牌荷兰PhenoVation
  • 土壤仪器品牌法国Hi-phen系统
  • 土壤仪器品牌Videometer
  • 土壤仪器品牌比利时INDUCT(OCTINION)
  • 土壤仪器品牌美国EGC
  • 土壤仪器品牌HAIP
  • 土壤仪器品牌植物遗传资源学报