一作解读 | Plant Phenomics | 小麦穗部表型识别新突破：AI助力高产育种精准化

摘要：小麦（Triticum aestivumL.）作为全球最重要的粮食作物之一，其产量提升对保障粮食安全至关重要。小麦产量主要由穗数、穗粒数和千粒重三大因素构成，但这些性状之间往往存在拮抗关系，难以同步提高。因此，深入解析穗部结构特征，对于揭示产量形成机制、优化育

研究背景

小麦（Triticum aestivumL.）作为全球最重要的粮食作物之一，其产量提升对保障粮食安全至关重要。小麦产量主要由穗数、穗粒数和千粒重三大因素构成，但这些性状之间往往存在拮抗关系，难以同步提高。因此，深入解析穗部结构特征，对于揭示产量形成机制、优化育种策略具有重要意义。然而，传统的穗部表型获取方式主要依赖人工测量，如用尺子量穗长、人工数小穗数，不仅耗时费力、误差大，更难以捕捉穗部复杂的空间结构和细微差异。尽管近年来图像识别和深度学习技术逐步应用于植物表型研究，但在麦穗这一结构复杂、遮挡严重的器官上，如何实现高效、精准、自动化的性状提取，仍是领域内的技术瓶颈，也限制了穗型与产量关系的深入挖掘。

论文概要

中国科学院遗传与发育生物学研究所蒋霓团队在Plant Phenomics发表了题为“Analysis of Wheat Spike Morphological Traits by 2D Imaging”的研究论文。该研究开发了基于深度学习的麦穗表型解析流程 SpikePheno，首次实现对小麦穗部及小穗水平45个形态性状的高通量、高精度提取。研究发现，穗面积（SA）和可育小穗面积（AFS）分别与单穗产量和千粒重显著正相关，且现代品种普遍向“大穗、大粒”方向演变。该工作为解析穗型-产量关系提供了新的量化工具，也为小麦高产精准育种奠定了数据和算法基础。

主要研究结果介绍

SpikePheno精准解析麦穗结构

为克服传统人工测量效率低、误差大且难以量化穗部空间微结构的瓶颈，本研究构建了基于深度学习的两段式图像解析流程 SpikePheno。第一阶段以嵌入 ResNet50 作为主干的 U-Net 网络执行语义分割，在独立测试集上获得 0.948 的平均交并比（mIoU），实现麦穗与背景的高精度分离（图 1A）；第二阶段采用 YOLOv8x-seg 实例分割架构，对单个小穗进行定位与掩膜提取，并在可育与不育小穗实例分割任务上mAP50box与mAP50seg均达到 0.986 （图 1B）。基于所得高质量穗-小穗掩膜，SpikePheno 单次运行即可输出 45 项形态指标，涵盖穗面积（SA）、穗宽（SW）、可育小穗面积（AFS）、小穗角度、小穗间距等关键参数；其中穗长（SL）、每穗小穗数（SNS）及可育小穗数（FSN）与人工实测值呈高度线性相关，Pearson 相关系数分别为 0.9865、0.9753 和 0.9635（图 2），首次在麦穗二维图像上同时实现“像素级”分割精度与“人工级”测量可信度。

图1. SpikePheno 麦穗与穗粒表型分析流程图

图2. 关键麦穗性状的预测值与人工测量值比较

小麦穗部形态性状与千粒重显著相关

为系统评估穗部形态对产量形成的影响，本研究对221份材料的45项表型与千粒重（TGW）及单穗产量（YPS）进行了Pearson相关分析。结果表明，传统常用的穗长（SL）与TGW和YPS的相关系数仅约为0.20；而新指标穗面积（SA）与YPS呈强正相关（r= 0.76），可育小穗面积（AFS）与TGW的相关系数高达0.72（图5B），显著优于SL。此外，随着小穗角度增加，籽粒间竞争压力相应缓解，与YPS呈显著正相关，为“宽松穗”高产结构的量化选择提供了直接数值依据。

六类穗型图谱揭示育种趋同方向

为从群体水平解析穗型演化的内在规律，研究对221份覆盖不同年代与生态区的小麦品种所提取的45项形态指标进行主成分分析（PCA）与Ward’s最小方差层次聚类，将所有材料划分为6个具有显著结构差异的类群（图3A-B）。其中Class 3与Class 5表现为“大穗、宽穗、大粒”特征：穗面积（SA）、穗宽（SW）与可育小穗面积（AFS）分别比群体均值高18.7%、15.2%与22.4%，小穗角度更开张，籽粒充实度显著优于其余类群，其单穗产量（YPS）与千粒重（TGW）均位居六类之首（图3C-D）。时间轴分析显示，上述两类穗型在1980年代以前的品种中合计占比不足15%，但自1980年代起迅速扩张，至2000年后已稳定占据总样本的45%以上（图3E），表明现代育种在无意之间完成了由“细长紧凑”向“宽穗大粒”路线的系统性转换。与之相对，代表传统长穗紧凑型的Class 1与Class 2比例持续下降，其YPS与TGW显著低于Class 3/5（P

图3. 221份小麦材料穗型分类及其时空差异分析

全文总结与展望

本研究开发了基于深度学习的麦穗形态分析流程 SpikePheno，结合 ResNet50-UNet 与 YOLOv8x-seg 网络，对 221 份小麦材料提取了 45 项穗部形态性状，并验证了其精度与可重复性。结果表明，穗面积（SA）与单穗产量（YPS）及可育小穗面积（AFS）与千粒重（TGW）之间存在显著正相关，其相关性显著优于传统穗长指标。主成分分析与层次聚类划分出的六类穗型揭示了过去四十年间育种材料由“细长紧凑”向“宽穗大粒”方向的转变趋势，且在黄淮麦区呈现出明显的空间分布差异，反映了不同生态区对穗型选择的适应性差异。

SpikePheno 平台的开源与低成本特性为小麦穗型的高通量表型分析提供了可行方案，适用于育种早代大规模材料筛选。未来研究将致力于提升对顶部被压缩小穗的识别精度，并扩展至田间自然条件下的原位成像，以进一步提高平台的适用性与稳定性。该研究为解析穗型与产量关系提供了新的技术手段，也为小麦高产育种的精准选择提供了表型数据支持。

研究团队与资助