作为主要粮食作物之一，小麦的高产及可持续生产对保障全球粮食安全至关重要。在农业生产中，确保氮肥供给充足是维持小麦产量的重要措施，但氮素利用效率低会引起包括氮肥过量施用、植株生长冗余及温室气体排放加剧等诸多负面问题，筛选氮高效小麦品种，充分优化植株氮素利用效率对农业生产乃至人类健康都具有重要意义。然而，氮素响应相关性状易受外界环境及农艺措施的影响，现阶段仍缺乏有效手段进行施氮后植株表型的标准化、连续动态的高通量测定。

2023年12月， Plant Phenomics 在线发表了南京农业大学前沿交叉研究院周济实验室题为The dissection of Nitrogen response traits using drone phenotyping and dynamic phenotypic analysis to explore N responsiveness and associated genetic loci in wheat 的研究论文。

该研究利用低成本无人机平台采集了54个小麦品种冠层尺度的RGB图像，数据覆盖3个氮肥梯度，486个小区，10个关键生育时期（图1）。

图1 采用无人机和AirMeasurer平台进行氮响应性状的表型分析

通过其课题组研发的无人机表型自动分析软件“AirMeasurer”提取了与植株形态、光谱及纹理特征等6个氮响应相关性状，结合曲线拟合、主成分分析、机器学习及全基因组关联分析等手段，实现了施氮后小麦对氮素动态响应的高通量表型监测，品种氮响应类型的精准建模预测以及通过动态表型对氮响应相关基因位点的高效挖掘。研究的主要结果如下：

1、筛选出四类对氮响应不同的小麦品种

研究基于实测的12个与产量和氮素利用相关的指标进行主成分分析并构建氮素利用效率综合指数（NECS）用于小麦品种的氮响应评价。依据品种的NECS和产量，研究将54个品种分为高产氮高效、低产氮高效、低产氮低效及高产氮低效四类品种，且发现大部分所试品种属于高产氮高效型及低产氮低效型品种（图2）。

图2 氮响应品种的划分

2、用曲线拟合的方法更好的表征小麦氮响应表型的动态变化

基于无人机表型分型的准确性易受到田间复杂环境条件的影响，研究将采集的10个时间点的静态表型数据通过高斯、傅里叶等函数进行曲线拟合，可以更好的描述6个氮响应表型性状在小麦整个生长季和关键氮响应阶段的变化情况，为深入比较不同施肥水平下（N0、N180、N270）不同小麦品种（54个）的生长发育情况及其对氮素的响应差异提供了量化分析的方法（图3）。例如，通过分析冠层高度的高斯拟合曲线发现（图3a），与未施肥的处理相比（N0），施用拔节肥后（N180、N270）小麦的冠层高度快速增加。

图3 经曲线拟合后的6个氮响应指标的动态变化

3、分析并量化了6个氮响应性状在氮响应过程中的表型变化

研究截取了关键氮响应阶段（即施肥1-25天内）的拟合曲线，以5天的时间间隔对曲线进行区间划分并计算每个区间的复合生长速率（CGRs）,指出了6个目标氮素响应指标在不同氮素处理下和不同氮响应类型的品种间（高产氮高效（HYHN）/低产氮低效型（LYLN））存在着的差异。例如，N0水平下，HYHN（class 1）型品种比LYLN（class 3）型品种的生长发育更平稳，N270水平下，HYHN型品种的冠层覆盖度、ASM和NDYI变幅较LYLN型慢，意味着施氮后小麦生长生育的延长（图4）。

图4 氮响应指标的复合生长速率在对氮素响应的动态变化

4、基于氮响应表型构建了不同品种小麦的氮响应类型分类模型

研究基于6个氮响应性状进行了PCA分析，发现通过PCA可以很好的将54个品种根据氮处理划分成四类，并以此进一步分析了氮响应关键性状的在施肥后的动态变化，并将各性状的权重进行组合，得到6个性状的复合权重。随后作者比较了随机森林（RF）、SVM及XGBoost等一系列经典机器学习模型，发现RF在预测品种氮素响应类型时精度能达到86.4%，但是将6个氮响应性状的复合权重纳入RF模型对其超参数进行调整后，训练后的新模型“RF-NRES”，对高产氮高效及低产氮低效型品种的识别预测精度分别达到了93%和90.1%（图5）。

图5 小麦氮响应类型高精准判定模型的构建

5、与静态表型相比，动态表型数据可更高效挖掘小麦氮响应遗传位点

研究比较了使用静态表型和动态表型数据来挖掘氮响应遗传位点的潜力，发现与使用静态表型数据相比，使用动态表型数据能挖掘到更多的显著SNP位点，在氮响应变化较大的时间点获取的动态表型数据能关联到较多的SNP位点（图6），表明植物对环境（氮素）响应的时空表型变化可以提高关联研究中挖掘候选位点和基因的效率。分析关联的SNP位点发现，这些位点涉及SVP、SAR、NRT1、AP2L5、CAO及CA1Pase等与调节花序发育和休眠、植物胁迫抗性、调节小穗和小花发育、叶绿素合成、CO2固定及光合作用相关的基因，尤其是使用ASM的动态表型关联到了与氮素吸收和转运相关的NRT1.1A基因（图7），表明该研究提出的基于动态表型数据进行全基因组关联分析的方法具有重要的生物学意义。

图6 氮响应期间6个氮响应相关性状(颜色不同)的静态（上部分）和动态（下部分）表型及显著关联的SNP位点（Sankey图）

注：曲线越宽表示SNP的数量越多

图7 氮响应指标的全基因组关联分析

综上，本研究针对小麦氮素响应相关性状的量化问题，提出了一个基于低成本无人机高效测定氮响应相关性状时序动态变化的新方案。该方案有望应用于包括植株氮素状态监测、氮响应优异品种的高效筛选及氮响应遗传机制的解析等相关研究，对氮肥的高效利用和小麦的绿色高效生产具有重要的意义。

南京农业大学前沿交叉研究院已毕业博士生丁国辉、在读博士生沈利言和戴杰为论文的共同第一作者，南京农业大学前沿交叉研究院周济教授和南京农业大学作物遗传与种质创新国家重点实验室的王秀娥教授为论文的共同通讯作者，南京农业大学农学院姜东教授、英国国立农业植物研究所Robert Jackson和Greg Deakin副研究员等人对该研究提供了指导和帮助。

周济实验室（中国）介绍

论文链接：

‍https://doi.org/10.34133/ plantphenomics.0128

——推荐阅读——

Interaction of Genotype, Environment, and Management on Organ-Specific Critical Nitrogen Dilution Curve in Wheat

https://doi.org/10.34133/plantphenomics.0078

Plant Phenomics | 南京农业大学揭示基因型、环境和管理对小麦器官特异性临界氮稀释曲线的影响

SPSI: A Novel Composite Index for Estimating Panicle Number in Winter Wheat before Heading from UAV Multispectral Imagery

‍https://doi.org/10.34133/plantphenomics.0087

Plant Phenomics | SPSI：抽穗前估测冬小麦穗数的新型复合指数

加入作者交流群