DOI: https://doi.org/10.3389/fpls.2025.1735309
PMID: https://pubmed.ncbi.nlm.nih.gov/41550331
تاريخ النشر: 2026-01-02
المؤلف: Jie Dai وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
تتناول هذه الدراسة الحاجة الملحة لتحسين الفينوتيب على مستوى البذور في القمح (Triticum aestivum L.) لتعزيز خصائص وجودة البذور، والتي تعتبر حيوية لتأسيس الشتلات وجودة الحبوب. طور المؤلفون خط تحليل عالي الإنتاجية يدمج تصوير البذور متعدد الأطياف (MSI) مع تقنيات التعلم الآلي ورؤية الكمبيوتر. باستخدام 493 سلالة من مجموعة NIAB Diverse MAGIC (NDM)، نجح الخط في تقسيم البذور الفردية من صور MSI، مما سمح بقياس ستة عشر سمة مورفولوجية وطيفية، بما في ذلك حجم البذور، الطول، العرض، الاستدارة، والبيانات الطيفية عبر الأطوال الموجية من الأشعة فوق البنفسجية إلى الأشعة تحت الحمراء القريبة.
قامت الدراسة بالتحقق من دقة هذه السمات المتعلقة بجودة البذور (R² ≥ 0.949; p < 0.001) واستخدمت دراسات الارتباط على مستوى الجينوم (GWAS) لربط السمات المستمدة بالمواقع الجينية، مما أدى إلى تحديد أحد عشر موقعًا مهمًا مرتبطًا بجودة البذور. من بين هذه المواقع، كان هناك موقعان جديدان، مما يشير إلى إمكانية المزيد من الاستكشاف. بشكل عام، يمثل خط تحليل MSI المتكامل تقدمًا كبيرًا في أبحاث البذور، مما يسهل الربط بين مورفولوجيا البذور، وتقييم الجودة، ورسم الخرائط الجينية، وبالتالي يساهم في تحسين محاصيل القمح.
مقدمة
تسلط المقدمة الضوء على أهمية القمح الطازج (Triticum aestivum L.) كأحد المحاصيل الأساسية الحيوية، حيث يساهم بشكل كبير في استهلاك السعرات الحرارية والبروتين على مستوى العالم. مع تهديد تغير المناخ لإنتاج القمح، هناك حاجة ملحة لتقنيات تربية مبتكرة لتعزيز مرونة المحاصيل وإنتاجيتها. يتم استخدام التطورات الأخيرة في اختيار الجينوم، وتحرير الجينات باستخدام CRISPR-Cas9، والفينوتيب عالي الإنتاجية لتطوير أصناف قمح مقاومة للمناخ. يتم التأكيد على جودة البذور كعامل حاسم في الأداء الزراعي، حيث تؤثر على عوامل مثل الإنبات، مقاومة الأمراض، وقبول المستهلك.
تناقش هذه الفقرة أيضًا قيود طرق تقييم جودة البذور التقليدية، والتي غالبًا ما تكون مدمرة وتحتاج إلى جهد كبير. استجابةً لذلك، تم تطوير أدوات حديثة متنوعة تستخدم أجهزة استشعار RGB وتصوير متعدد الأطياف لتقييم السمات المورفولوجية والبيوكيميائية للبذور بشكل غير مدمر. تقدم الدراسة خط تحليل آلي عالي الإنتاجية لتقييم جودة البذور في القمح، باستخدام التصوير متعدد الأطياف (MSI) وتقنيات رؤية الكمبيوتر المتقدمة (CV) والتعلم الآلي (ML). يتيح هذا النهج استخراج السمات المورفولوجية والطيفية من أكثر من 70,000 بذور قمح، مما يسهل دراسات الارتباط على مستوى الجينوم (GWAS) لربط التباينات الفينوتيبية بالمواقع الجينية. تقدم النتائج إطار عمل قابل للتوسع لتقييم جودة البذور، مما يساهم في تحسين جهود تربية المحاصيل التي تركز على البذور.
طرق البحث
في هذه الدراسة، استخدم المؤلفون مجموعة من 493 سلالة قمح من مجموعة NDM ذات الـ 16 مؤسسًا، والتي تتميز بسمات مورفولوجية وجودة حبوب متميزة، بما في ذلك محتوى البروتين ووزن الألف حبة (Scott et al., 2021). بعد إجراء تقاطعات بـ 16 طريقة، أظهرت السلالات المختارة استقرارًا جينيًا في السمات الزراعية، مما أدى إلى توقفها عن الانقسام. تضمنت الإعدادات التجريبية زراعة هذه السلالات في قطع أرض بمساحة 4 م² في حقل تجارب NIAB في Hinxton Big Common في أوائل أكتوبر 2023، مع الالتزام بمسافة صف تبلغ 30 سم وكثافة زراعة تبلغ 1.6 مليون نبات لكل هكتار.
تم استخدام ممارسات زراعية قياسية طوال عملية الزراعة، مع تضمين المدخلات اللازمة مثل الأسمدة ومكافحة الآفات والفطريات المصممة وفقًا للظروف المحلية. لضمان جودة بذور مثالية، قام المؤلفون بإجراء فهرسة إجهاد الرطوبة (MSI) خلال ثلاثة أشهر بعد الحصاد، مما يعزز من قابلية البذور للحياة وسلامتها الفسيولوجية (Sano et al., 2016). قبل MSI، تم تخزين جميع دفعات البذور تحت ظروف محكومة عند حوالي 10 درجات مئوية مع رطوبة مستقرة تبلغ 65%.
النتائج
في هذا القسم، يصف المؤلفون نتائج خطهم الآلي لتحليل البذور، الذي تم تطبيقه على 493 جينوتيب قمح من NDM عبر 986 دفعة بذور، تشمل أكثر من 70,000 بذور. شمل الخط عدة مراحل: معالجة الصور (مثل معايرة الألوان ومعالجة المناطق المفرطة التعرض)، تقسيم البذور (حيث تم فصل البذور المتلامسة باستخدام مناطق العيوب المحدبة ونقاط الانعطاف الأقرب)، وتحليل السمات على مستوى البذور بناءً على الخصائص المورفولوجية والطيفية المستمدة من التصوير متعدد الأطياف (MSI).
تم التحقق من أداء التحليل الآلي من خلال مقارنة نتائج تقسيم البذور مع الأعداد المحسوبة يدويًا وعدد المناطق من 100 دفعة بذور. أسفر التحليل عن ارتباط إيجابي كبير، مع قيمة $R^2$ تبلغ 0.996، وخطأ الجذر التربيعي المتوسط (RMSE) يبلغ 0.656، وقيمة P أقل من 0.001، مما يدل على موثوقية قوية. بالإضافة إلى ذلك، تم حساب متوسط تقاطع على الاتحاد (mIoU) عند 0.947. من الكائنات البذرية المقسمة، سهل الخط قياس 16 سمة مورفولوجية وطيفية متميزة على مستوى البذور، مما يوضح فعاليته في تحليل البذور.
المناقشة
في هذه الدراسة، استخدم المؤلفون تصوير البذور متعدد الأطياف (MSI) باستخدام جهاز VideometerLab4 لتحليل سمات جودة البذور في 493 سلالة قمح من مجموعة NDM. قامت عملية التصوير بالتقاط كل من مجموعات بيانات RGB القياسية وMSI عبر 19 نطاق طيفي، يتراوح من 375 نانومتر إلى 970 نانومتر. أسفر خط التحليل الآلي الذي تم تطويره لتقسيم البذور وكمية السمات عن 16 سمة مورفولوجية وطيفية، تم التحقق منها مقابل القياسات اليدوية، مما أظهر ارتباطًا عاليًا (قيم R² تتراوح بين 0.949 و0.994). يعزز هذا النهج بشكل كبير من كفاءة ودقة الفينوتيب للبذور، مما يعالج قيود التقييمات اليدوية التقليدية.
حددت دراسة الارتباط على مستوى الجينوم (GWAS) التي أجريت على السمات الكمية عدة مواقع SNP مهمة مرتبطة بجينات معروفة ومواقع السمات الكمية (QTLs) ذات الصلة بجودة البذور. تضمنت النتائج الملحوظة إشارات قوية مرتبطة بجينات تشارك في مورفولوجيا البذور والتركيب الكيميائي الحيوي، مثل TaPIN17 وTaMYB10-B1. تسلط الدراسة الضوء على إمكانيات إطار عمل MSI الآلي لسد الفجوة بين السمات الفينوتيبية وعواملها الجينية، مما يسهل تحديد المناطق المرشحة الجديدة التي تنظم جودة البذور. بشكل عام، تؤكد الأبحاث على أهمية دمج تقنيات التصوير المتقدمة مع التحليل الجيني لدفع الابتكارات في تحسين المحاصيل وعلم البذور.
القيود
تسلط قيود هذه الدراسة حول التصوير متعدد الأطياف (MSI) وتقييم جودة البذور الضوء على عدة مجالات للتحسين واتجاهات البحث المستقبلية. أولاً، استخدمت دراسات الارتباط على مستوى الجينوم الحالية (GWAS) نطاقات طيفية فردية، مما قد يحد من تحديد المواقع الجديدة المرتبطة بجودة البذور. يمكن أن تعزز التحقيقات المستقبلية رسم الخرائط الجينية من خلال دمج إشارات متعددة النطاقات لالتقاط التباينات الطيفية المرتبطة بالسمات الكيميائية الحيوية بشكل أفضل. ثانيًا، يشكل التكلفة العالية لأجهزة MSI عائقًا كبيرًا أمام اعتمادها على نطاق واسع في أبحاث البذور؛ يمكن معالجة ذلك من خلال تطوير أجهزة استشعار بصرية أكثر تكلفة وأنظمة تصوير مدمجة مصممة لتقييم جودة البذور.
بالإضافة إلى ذلك، فإن النطاق الطيفي لنظام Videometer يلتقط بشكل أساسي سمات الانعكاس من الطبقات الخارجية للبذور، مما يشير إلى أن الدراسات المستقبلية يجب أن تتضمن تصوير الأشعة تحت الحمراء قصيرة الموجة (SWIR) لتحليل المواد الموجودة في عمق مستوى البذور. يمكن أن تسهل تطبيق الميزات متعددة الأبعاد، مثل RGB، والانعكاس متعدد الأطياف، والسحب النقطية ثلاثية الأبعاد، من التوصيف عالي الإنتاجية لسمات البذور، كما يتضح من الدراسات السابقة على الحبوب مثل القمح والشعير. أخيرًا، فإن تعزيز إمكانية الوصول إلى تحليل السمات أمر بالغ الأهمية؛ يمكن أن يتضمن ذلك حلول برمجية مبتكرة ومنصات قائمة على السحابة لتمكين المستخدمين ذوي الخبرة الحاسوبية المحدودة من استخدام التحليلات المتقدمة بشكل فعال. تهدف هذه التطورات مجتمعة إلى تحسين قابلية التطبيق، وقابلية التوسع، وموثوقية الفينوتيب القائم على MSI، وبالتالي توسيع تكامله عبر أنواع المحاصيل المختلفة وسياقات البحث.
DOI: https://doi.org/10.3389/fpls.2025.1735309
PMID: https://pubmed.ncbi.nlm.nih.gov/41550331
Publication Date: 2026-01-02
Author(s): Jie Dai et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
This study addresses the critical need for improved seed-level phenotyping in wheat (Triticum aestivum L.) to enhance seed characteristics and quality, which are vital for seedling establishment and grain quality. The authors developed a high-throughput analysis pipeline that integrates automated multispectral seed imaging (MSI) with machine learning and computer vision techniques. Utilizing 493 lines from the NIAB Diverse MAGIC (NDM) population, the pipeline successfully segmented individual seeds from MSI images, allowing for the measurement of sixteen morphological and spectral traits, including seed size, length, width, roundness, and spectral data across ultraviolet to near-infrared wavelengths.
The study validated the accuracy of these seed quality traits (R² ≥ 0.949; p < 0.001) and employed genome-wide association studies (GWAS) to correlate the derived traits with genetic loci, identifying eleven significant loci associated with seed quality. Among these, two loci were novel, suggesting potential for further exploration. Overall, the integrated MSI analysis pipeline represents a significant advancement in seed research, facilitating the connection between seed morphology, quality assessment, and genetic mapping, thereby contributing to the improvement of wheat crops.
Introduction
The introduction highlights the significance of bread wheat (Triticum aestivum L.) as a vital staple crop, contributing significantly to global caloric and protein intake. With climate change posing a threat to wheat production, there is an urgent need for innovative breeding techniques to enhance crop resilience and yield. Recent advancements in genomic selection, CRISPR-Cas9 gene editing, and high-throughput phenotyping are being employed to develop climate-resilient wheat varieties. Seed quality is emphasized as a critical determinant of agronomic performance, influencing factors such as germination, disease resistance, and consumer acceptability.
The section also discusses the limitations of traditional seed quality assessment methods, which are often destructive and labor-intensive. In response, various modern tools utilizing RGB sensors and multispectral imaging have been developed to evaluate seed morphological and biochemical traits non-destructively. The study introduces an automated high-throughput analysis pipeline for assessing seed quality in wheat, utilizing multispectral imaging (MSI) and advanced computer vision (CV) and machine learning (ML) techniques. This approach enables the extraction of morphological and spectral traits from over 70,000 wheat seeds, facilitating genome-wide association studies (GWAS) to link phenotypic variations with genetic loci. The findings present a scalable framework for seed quality assessment, contributing to improved seed-focused crop breeding efforts.
Methods
In this study, the authors utilized a selection of 493 wheat lines from the 16-founder NDM population, characterized by distinct morphological and grain quality traits, including protein content and thousand grain weight (Scott et al., 2021). Following 16-way crosses, the selected lines exhibited genetic stability in agronomic traits, ceasing to segregate. The experimental setup involved drilling these lines in 4 m² plots at NIAB’s Hinxton Big Common trial field in early October 2023, adhering to a row spacing of 30 cm and a sowing density of 1.6 million plants per hectare.
Standard agronomic practices were employed throughout the cultivation process, incorporating necessary inputs such as fertilizers and pest and fungicide controls tailored to local conditions. To ensure optimal seed quality, the authors conducted moisture stress indexing (MSI) within three months post-harvest, thereby enhancing seed viability and physiological integrity (Sano et al., 2016). Prior to MSI, all seed lots were stored under controlled conditions at approximately 10°C with a stable humidity of 65%.
Results
In this section, the authors describe the results of their automated pipeline for seed analysis, which was applied to 493 NDM wheat genotypes across 986 seed lots, encompassing over 70,000 seeds. The pipeline included several stages: image preprocessing (such as color calibration and addressing overexposed regions), seed segmentation (where touching seeds were separated using convex defect regions and nearest inflection points), and the analysis of seed-level traits based on morphological and spectral properties derived from multispectral imaging (MSI).
The performance of the automated analysis was validated by comparing the results of seed segmentation to manually counted seed numbers and object regions from 100 seed lots. The analysis yielded a highly significant positive correlation, with an $R^2$ value of 0.996, a root mean square error (RMSE) of 0.656, and a P-value of less than 0.001, indicating strong reliability. Additionally, the mean Intersection over Union (mIoU) was calculated at 0.947. From the segmented seed objects, the pipeline facilitated the measurement of 16 distinct seed-level morphological and spectral traits, demonstrating its effectiveness in seed analysis.
Discussion
In this study, the authors employed multispectral seed imaging (MSI) using the VideometerLab4 device to analyze seed quality traits in 493 wheat lines from the NDM population. The imaging process captured both standard RGB and MSI datasets across 19 spectral bandwidths, ranging from 375 nm to 970 nm. The automated analysis pipeline developed for seed segmentation and trait quantification yielded 16 morphological and spectral traits, which were validated against manual measurements, demonstrating high correlation (R² values between 0.949 and 0.994). This approach significantly enhances the efficiency and accuracy of seed phenotyping, addressing the limitations of traditional manual assessments.
The genome-wide association study (GWAS) conducted on the quantified traits identified several significant SNP loci associated with known genes and quantitative trait loci (QTLs) relevant to seed quality. Notable findings included strong signals linked to genes involved in seed morphology and biochemical composition, such as TaPIN17 and TaMYB10-B1. The study highlights the potential of the automated MSI framework to bridge the gap between phenotypic traits and their genetic determinants, facilitating the identification of novel candidate regions that regulate seed quality. Overall, the research underscores the importance of integrating advanced imaging techniques with genomic analysis to drive innovations in crop improvement and seed biology.
Limitations
The limitations of this study on multispectral imaging (MSI) and seed quality assessment highlight several areas for improvement and future research directions. Firstly, the current genome-wide association studies (GWAS) utilized individual spectral bandwidths, which may limit the identification of novel loci linked to seed quality. Future investigations could enhance genetic mapping by integrating multi-band signals to better capture spectral variations associated with biochemical traits. Secondly, the high cost of MSI instruments poses a significant barrier to widespread adoption in seed research; this could be addressed by developing more affordable optical sensors and compact imaging systems tailored for seed quality assessment.
Additionally, the spectral range of the Videometer system primarily captures reflectance traits from the outer layers of seeds, suggesting that future studies should incorporate Short-Wavelength InfraRed (SWIR) imaging to analyze deeper seed-level substances. The application of multi-dimensional features, such as RGB, multispectral reflectance, and 3D point clouds, could facilitate high-throughput characterization of seed traits, as evidenced by previous studies on grains like wheat and barley. Lastly, enhancing the accessibility of trait analysis is crucial; this could involve innovative software solutions and cloud-based platforms to enable users with limited computational expertise to effectively utilize advanced analytics. Collectively, these advancements aim to improve the applicability, scalability, and robustness of MSI-based seed phenotyping, thereby broadening its integration across various crop species and research contexts.