Пшеница (Triticum aestivum L.) является одной из трех основных продовольственных культур в мире, играя решающую роль в обеспечении продовольственной безопасности для растущего населения планеты.
Флаговый лист пшеницы, который считается «функциональным листом» для фотосинтеза при производстве зерна, обеспечивает приблизительно 50% фотосинтетической активности или углеводов, необходимых для налива зерна. Угол наклона флагового листа (FLANG), определяемый как угол между средней жилкой листовой пластины и вертикальным стеблем, является целевым признаком высокоурожайного идеала зерна.
Сорта пшеницы с более прямостоячими флаговыми листьями демонстрируют более высокий захват света и эффективность фотосинтеза и образуют больше колосьев, увеличивая урожайность до 13%.
FLANG, количественный признак, на который влияют генетические и экологические факторы, требует точного фенотипирования для генетического анализа. Традиционный метод неэффективен и субъективен, создавая «узкое место фенотипа» для измерения FLANG в полевых условиях. Достижения в области датчиков, алгоритмов обработки изображений и методов глубокого обучения предоставили эффективные решения для преодоления этого «узкого места».
Несколько методов, разработанных для кукурузы, повысили эффективность и точность измерений угла наклона листьев в полевых условиях. Теперь исследователи из Китайской академии науки разработали соответствующую модель для пшеницы, которая высевается с более высокой плотностью, чем кукуруза, что приводит к узким расстояниям между растениями и обширному перекрытию листьев. Эти условия делают методы 3D-реконструкции, применяемые к кукурузе, непригодными для измерения угла наклона листьев пшеницы в полевых условиях. С другой стороны, смартфоны, оснащенные камерами высокого разрешения, открывают новую возможность для широкодоступного и экономичного измерения угла наклона листьев в полевых условиях.
В настоящее время отсутствует точный и экономичный метод измерения FLANG пшеницы в полевых условиях, что ограничивает его применение в генетической диссекции и селекции.
Решение проблемы предложили китайские ученые, разработав LeafPoseNet, простую сеть для точного измерения FLANG у пшеницы по полевой фотографии, и применили её к панели зародышевой плазмы пшеницы для идентификации связанных QTL с помощью GWAS.
Хотя для гена FLANG пшеницы было идентифицировано много QTL, до сих пор были клонированы и проверены только три гена (TaSPL8 , TaAPA2 и TaTOC1 ), связанных с FLANG.
LeafPoseNet представляет собой модель определения позы на основе ключевых точек, которая автоматически определяет три главные точки: центр флагштока (точка L), соединение флагштока и стебля (точка J) и центр стебля (точка S), тем самым позволяя автоматически вычислять FLANG.
Блок-схема фенотипирования угла наклона флагового листа пшеницы с помощью LeafPoseNet. Источник: IGDB.
Всего было отобрано 221 генотипированных образцов мягкой пшеницы, включая 6 китайских местных сортов, 209 китайских сортов и 6 сортов, завезенных из других стран. Все 221 образец посеяли в уезде Чжао провинции Хэбэй в Китае в сезонах выращивания пшеницы 2022–2023 и 2023–2024 годов. Подгруппа из 176 образцов этой популяции была посажена в том же месте в сезоне 2024–2025 годов. Каждый образец был случайным образом расположен на делянках с двумя повторениями. В экспериментальной установке каждый участок состоял из пяти рядов. Длина делянок составляла 6 м, расстояние между рядами — 25 см, а расстояние между растениями — 5 см в каждом ряду. Для минимизации возможного взаимодействия соседних участков между ними была установлена буферная зона шириной 50 см. Возделывание полей осуществлялось в соответствии с местными агротехническими нормами.
После цветения основные побеги пяти репрезентативных растений пшеницы были случайным образом выбраны из трех средних рядов каждого участка для измерения FLANG, длины и ширины флагового листа. Изображения FLANG получены 8–9 мая 2023 года и 17–18 мая 2024 года, что дало в общей сложности 2209 изображений за вегетационный период. Чтобы оценить надежность прогнозов LeafPoseNet по сравнению с ручными измерениями, 23 мая 2025 года проведен проверочный эксперимент с использованием 100 случайно выбранных образцов пшеницы в полевых условиях. Для каждого образца был выбран и помечен один главный стебель.
Сначала FLANG измерялся вручную пятью людьми с помощью цифровых транспортиров, а затем независимо оценен с помощью получения изображений смартфонами пятью людьми с последующим автоматическим прогнозированием с помощью модели. Чтобы оценить корреляцию между FLANG основных стеблей и побегами, изображения FLANG были получены 23 мая 2025 года со 176 образцов пшеницы с пятью биологическими повторами на образец. Для каждого растения получено одно изображение с главного стебля и одно с побега. Рассчитывалось среднее значение FLANG по пяти повторам для каждого образца, которое использовалось для последующего анализа.
Длину и ширину флагового листа, высоту растения и урожайность определяли вручную в полевых условиях. Длина флагового листа измерялась путём измерения расстояния между основанием и кончиком флагового листа, а ширина – в самой широкой части. Высота растения измерялась как расстояние от основания стебля до кончика колоса. Урожайность рассчитывалась путём перевода массы собранного зерна с делянки в килограммы с гектара.
Изображения FLANG получены неразрушающим способом в полевых условиях с помощью портативного устройства, которое состояло из смартфона Android, держателя смартфона и фоновой панели. Смартфон был надежно закреплен в зажиме для поддержания параллельного выравнивания между объективом камеры и фоновой панелью во время получения изображения. Регулируемая ручка позиционирования на держателе позволяла точную регулировку и стабильную фиксацию вдоль монтажного кронштейна для обеспечения оптимального кадрирования целевой области. Чтобы минимизировать помехи от сложного полевого фона и изменяющихся условий освещенности, использовалась черная фоновая панель. Белый круглый маркер был помещен на панель в качестве контрольного объекта, что облегчало калибровку шкалы и обеспечивало согласованность между изображениями. Все изображения получены в формате портативной сетевой графики (PNG) с разрешением 3000 × 4000 пикселей с помощью встроенной камеры смартфона.
FLANG на двумерном изображении можно рассчитать на основе положения трёх ключевых точек: центра флагового листа (точка L), точки соединения флагового листа со стеблем (точка J) и центра стебля (точка S). Эти ключевые точки определяют геометрические и топологические соотношения, необходимые для вычисления угла.
Исследователи определили измерение FLANG как задачу определения положения по ключевым точкам и предложили LeafPoseNet для точного определения этих ключевых точек. Исходные изображения были изменены до размера 576 × 768 пикселей перед обработкой LeafPoseNet для прогнозирования ключевых точек. Таким образом, FLANG был измерен путём вычисления угла между векторами, образованными этими ключевыми точками.
Обучающий и проверочный наборы данных для LeafPoseNet были сформированы следующим образом: 177 образцов (80% от общего числа 221 образца) из исследования 2022–2023 годов. Для каждого образца было доступно десять изображений-репликантов, из которых шесть случайным образом включены в обучающий набор, а два — в проверочный, что дало 1062 обучающих изображения и 354 проверочных изображения.
Для оценки эффективности модели LeafPoseNet использовались два независимых тестовых набора данных. Первый, обозначенный как 2023test, состоял из двух изображений-репликантов, случайным образом выбранных из оставшихся изображений всех 221 образца в исследовании 2022–2023 годов, что дало 442 изображения. Второй этап, обозначенный как 2024test, состоял из двух случайно выбранных повторов из всех 221 образцов в испытании 2023–2024 годов, что позволило оценить обобщение модели по сезонам вегетации с использованием новых данных, собранных в другой год.
Модуль «Angle tool» из ImageJ использовался для ручного аннотирования ключевых точек и получения истинных измерений для FLANG. Чтобы уменьшить влияние незначительных ошибок аннотирования на обучение модели при использовании дискретных ключевых точек в качестве целевых, ученые преобразовали прогнозирование ключевых точек в задачу регрессии тепловых карт. В частности, сгенерировали псевдотепловые карты, которые расширили дискретную информацию о ключевых точках до непрерывных распределений вероятностей. Эти псевдотепловые карты предоставили модели более богатую и надежную супервизорную информацию, повысив точность и надежность локализации ключевых точек.
В тестовом наборе данных с сортами пшеницы, демонстрирующими разнообразный FLANG, LeafPoseNet достигла высокой точности в прогнозировании FLANG со средней абсолютной ошибкой (MAE) 1,75°, среднеквадратической ошибкой (RMSE) 2,17° и коэффициентом детерминации (R2) 0,998, что значительно превзошло такие известные модели, как YOLO12x-pose, YOLO11x-pose, HigherHRNet, Lightweight-OpenPose и LitePose.
Исследователи провели фенотипирование и полногеномное ассоциативное исследование для выявления геномных участков, ассоциированных с FLANG, в группе из 221 разнообразного генотипа мягкой пшеницы и выделили 10 локусов количественных признаков. Среди них, в qFLANG2B.2 был обнаружен потенциальный причинный ген TraesCS2B01G313700, который может регулировать образование FLANG путем модуляции уровня брассиностероидов.
Этот метод представляет собой недорогое и высокоточное решение для фенотипирования FLANG пшеницы в полевых условиях, облегчая как генетические исследования FLANG пшеницы, так и селекцию идеальных типов растений.
Источник: The Crop Journal (2025). DOI: 10.1016/j.cj.2025.07.002
