随着全球人口的不断增长，预计到2050年，全球粮食需求较如今将增加一倍。面对日益严峻的粮食供给形势，一个难点是鉴定出能够应对气候变化的高效农作物，进而减少农业中化肥和水的投入，实现农业的可持续发展。

根系结构会影响水和养分的吸收，因此在当前“第二次绿色革命”背景下，已有人提出基于根系结构(RSA)对高效农作物进行选育的设想。随着基因组学的快速发展，研究者们已获取到了海量的基因组信息。然而，只有将基因型与表型相关联后，才能充分利用基因组信息对作物进行改良。与基因型分析的统一性、高度自动化以及成本较低不同，表型分析不仅具有物种特异性、环境敏感性，还需要耗费大量人力。此外，由于根系结构复杂、形态可塑且难以用肉眼直接观察，对根系的表型分析格外具有挑战性。

近日，Plant Phenomics在线发表了美国宾夕法尼亚州立大学Harini Rangarajan等人题为A Comparative Analysis of Quantitative Metrics of Root Architecture的研究论文。

高通量表型技术是沟通基因型和表型的重要桥梁，为了开发高通量平台，表型方法和技术正在取得重大进展。就表型方法而言，用于描述植物表型的指标应该对测量中的误差具有鲁棒性，在时间的推移中能够保持相对稳定，最重要的是能够对基本的表型成分提供可靠测度。

在该文章中，论文作者使用功能-结构模型评估用于表述根部结构的定量表型指标，以确定它们是否符合上述标准。结果表明，根数、根直径和侧根分枝密度等性状不会受到成像方法的影响，是稳定、可靠的表型指标(Figure 7)；多个性状汇总形成的表型指标（如总长度、总体积、凸包体积和丛生指数等）能够对构成性状的不同子集进行估计，但无法提供关于底层性状状态的信息。

Figure 7: Variation in phene and phene aggregate metrics estimated from rotational series of 2D projected images of 3D bean root system

此外，根生长角(RGA)是一个重要的性状，当使用二维投影方法(Figure 1)时，它容易受到测量误差的影响；而由根生长角和其它性状汇总形成的复杂表型指标，同样会受到测量误差的影响。作者还表示，以上结果支撑了如下假设：对于根系结构表型，度量某些单一性状比汇总度量多个性状更具实用性。

Figure 1: Representation of 2D projection of a 3D root system

论文链接

https://spj.sciencemag.org/journals/plantphenomics/2021/6953197/

——推荐阅读——

Semiautomated 3D Root Segmentation and Evaluation Based on X-Ray CTImagery

https://spj.sciencemag.org/journals/plantphenomics/2021/8747930/

Plant Phenomics | 基于X射线CT图像的半自动3D根系分割与评价方法

A Deep Learning-Based Phenotypic Analysis of Rice Root Distribution from Field Images

https://spj.sciencemag.org/journals/plantphenomics/2020/3194308/

Plant Phenomics | 基于深度学习的水稻根系分布表型研究