Plant Phenomics | 南京農業大學聯合江蘇省農業科學院基于成像高光譜技術和GWAS分析的水稻籽粒蛋白質含量表型研究

籽粒蛋白質含量（Grain protein content, GPC）是稻米營養與食味品質的重要決定因素。快速獲取水稻GPC并識別與其相關的基因，對于了解其遺傳基礎和選育現代化優質水稻品種具有重要意義。高光譜技術的發展為縮小表型組學與基因組學之間的差距提供了一種新的分析方法。然而受限于數據集有限，難以構建高精度、適應大量品種的GPC估測模型。生成對抗網絡（Generative adversarial networks, GAN）的出現很好地解決了這個問題。GAN已被證實能夠生成對人類評估者來說似乎是真實的模擬數據。GAN用于大量水稻品種數據增強的可行性目前仍不清楚。同時，大部分研究僅關注于前期少量品種目標性狀的監測預測，忽視了后期探究目標性狀預測值在實際育種中能否發揮和實測值相同的遺傳解析效力。

2024年7月，Plant Phenomics在線發表了由南京農業大學國家信息農業工程技術中心和江蘇省農業科學院種質資源與生物技術研究所共同完成的題為Grain Protein Content Phenotyping in Rice via Hyperspectral Imaging Technology and a Genome-Wide Association Study 的研究論文。

本研究基于兩年的大田水稻表型試驗，獲取了515個品種的GPC實測值以及單核苷酸多態性（Single nucleotide polymorphism, SNP）位點數據。利用N25E高光譜成像儀獲取每個品種成熟期精米的高光譜影像。水稻GPC表型監測主要包括四個主要步驟：數據獲取、數據增強、模型構建和關聯分析。首先利用原始數據集訓練深度卷積生成對抗網絡，并生成大量模擬數據，從而構建具備不同樣本量的訓練數據集。然后利用連續小波變換提取敏感特征，為了消除冗余特征，引入相關性和遞歸特征消除來確定最優特征子集，并構建GPC估測模型。最后對比GPC實測值和估測值的全基因組關聯分析結果（圖1）。

圖1 水稻GPC估測及全基因組關聯分析流程圖

研究結果表明不同訓練樣本量下的PLSR模型對GPC的估測精度。隨著模擬數據量的增加，模型的估測精度呈現先上升再下降的趨勢。當模擬數據量為+200時，基于全小波特征（R2=0.50, RRMSE = 7.27%）和優選特征（R2 =0.58, RRMSE = 6.70%）的PLSR模型對于測試集的估測精度均達到最高。從統計學角度來看，基于全小波特征模型的R2增加了22.0%，RRMSE減少了12.8%，同時基于優選特征模型的R2增加了13.7%，RRMSE減少了8.5%。

本研究對實測GPC、基于原始數據的GPC估測值（訓練數據為276時基于優選小波特征訓練的PLSR模型）以及基于模擬數據的GPC估測值（模擬數據為200時基于優選小波特征訓練的PLSR模型）的GWAS結果進行了對比分析（注：后文兩種估測值分別用估測值1和估測值2表示）。從圖2可以看出三者都定位到同一位點（SNP12.5076465），并且估測值2與實測GPC和估測值1均有兩個lead SNPs重合，分別為SNP12.5076465和SNP7.10830236以及SNP12.5076465和SNP5.10266233。同時發現三個特征中僅有估測值2定位到的SNP4.17571584的±100kb范圍內可檢測到籽粒儲藏蛋白相關基因OsmtSSB1L。通過對比估測值和實測值檢測到的位點的異同，可以得出結論，基于DCGAN的GPC預測值具備良好的代替實測值進行遺傳解析的能力。這項工作證明了生成模型可以作為實現大量水稻品種GPC高精度估測的重要研究方法，為基于高光譜技術的水稻表型性狀高效遺傳研究提供了一種潛在新方法。

圖2 實測GPC、基于實測數據的GPC估測值、基于生成數據的GPC估測值的曼哈頓圖（a、c、e）和QQ圖（b、d、f）

本研究由南京農業大學國家信息農業工程技術中心和江蘇省農業科學院種質資源與生物技術研究所共同完成，我校青年教師鄭恒彪副研究員、江蘇省農科院唐偉杰助理研究員、研究生楊濤（已畢業）為論文第一作者，姚霞教授和張云輝研究員為通訊作者。農學院曹衛星教授、朱艷教授、程濤教授參與了研究工作。成果獲得國家重點研發項目、國家自然科學基金項目和江蘇省生物育種鐘山實驗室等資助。

論文鏈接：
‍https://doi.org/10.34133/plantphenomics.0200

——推薦閱讀——
A precise framework for rice leaf disease image-text retrieval using FHTW-Net
https://doi.org/10.34133/plantphenomics.01‍68
Plant Phenomics | 中南林業科技大學周國雄教授團隊基于FHTW-Net的水稻葉片病害圖文檢索精確框架
Establishing a Gross Primary Productivity Model by SIF and PRI on the Rice Canopy
https://doi.org/10.34133/plantphenomics.0144
Plant Phenomics | 南京信息工程大學等單位利用日光誘導葉綠素熒光和光化學植被指數建立了水稻冠層總初級生產力模型

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，群內不定期開展作者分享會、專刊發布會等高質量活動。

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）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。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性研究論文、綜述、數據集和觀點。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、植物育種和農業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等數據庫收錄。科睿唯安JCR2022影響因子為7.6，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
排版：蘇梓鈺（南京農業大學）
審核：孔敏、王平