雞年接近尾聲，各行各業都已經做了各種年度盤點，小編也不能免俗，以影響因子和引用次數為標準，將近五年跟植物表型研究相關的文章，做了盤點，列出了植物表型研究文章的TOP10 ，從微觀表型到宏觀表型，從實驗室表型到田間表型，從基因型到表型，趕緊一睹為快吧。

TOP 10

● 植物表型組學數據中動態數量性狀位點的分析

（Trends Plant Sci.,2015）

高通量成像技術能夠連續測量植物表型，這可能有助于生長發育相關性狀的QTL分析。功能作圖的一個主要好處是它集成了多個時間點上的信息，因此可以增加QTL檢測的統計功效。 為了處理高維基因分型和表型數據，計算效率是動態QTL分析的新型統計方法的重點。

162個擬南芥RIL隨時間推移的表型軌跡

此文回顧了目前復雜數量性狀功能作圖的發展，這些方法為我們分析后基因組時代的大規模時間進程數據提供了寶貴的工具。

TOP 9

● 基因組技術用于作物的遺傳改良

（Nature,2017）

保證未來的糧食供應，同時減少對生態系統的影響，植物基因組和遺傳多樣性的研究對于應對這些挑戰至關重要。 基因組測序和組裝方面的進展正被用于獲取作物及其野生親緣的大型而復雜的基因組。 這些已經幫助確定了廣泛的遺傳變異，并且可以進行遺傳多樣性與多種農藝表型的關聯性分析。結合改進的自動化表型分析和功能基因組研究，基因組學為作物育種系統提供了新的基礎。

作物野生前體種群的遺傳多樣性（上圖彩色圓圈）已被馴化，其中在最初選擇和采用的地方品種中存在有限的多樣性。隨后的育種吸引了地方品種中存在的有限范圍的變異，以用于現代農業中優秀栽培品種生產。作物改良基因的鑒定可以使用誘變將變異引入作物的DNA，具有所需特征的突變體可以通過篩選所需的性質來鑒定，這些性質稱為表型。這樣的表型鑒定需要大量的群體來進行，費時且不準確，需要依靠高通量的表型手段來實現。

TOP 8

● 利用高通量的非侵入性表型技術揭示水稻耐鹽基因位點

（Nat Commun,2016）

高通量的表型分析隨著時間的推移會產生多種測量結果，這需要新的分析方法，這些分析方法可以靈活地對植物生長和蒸騰進行量化，但在計算上是經濟的。在這里，我們開發了這樣的分析，并將其應用于用700k SNP高密度陣列上的水稻群體基因分型。相對增長率（RGR），蒸騰速率和蒸騰利用效率（TUE）使用新的關聯模型進行分析，該模型考慮到處理（對照和鹽處理）與遺傳標記之間的相互作用。該模型能夠鑒定出先前未檢測到的影響TUE的位于水稻第11號染色體上的基因位點，從而深入了解水稻對鹽度的早期反應，特別是鹽度對植物生長和蒸騰作用。

不同處理水稻的相對生長率變化

TOP 7

● 動態根系生長和結構在養分限制條件下的反應

（Biotechnol. Adv. ,2014）

通過簡單介紹現有和正在開發的從實驗室到田間的根表型定量分析技術，從田間部分根剖面的量化到整個根系的三維重建。 最后，此文討論這些方法如何能夠并且應該與建模緊密相關以探索根本的現象。

不同植物根系的量化分析與三維重建

TOP 6

● 全基因組關聯分析和高分辨率表型分析：將水稻穗性狀與多性狀特異性QTL簇聯系起來

（Nat Commun,2016）

水稻穗結構是產量和品質育種的重要選擇目標。然而，由于與開花和亞群結構的相關性，穗表型難以測量，并且在遺傳作圖期間容易混淆。此文利用成像平臺PANorama量化了242個熱帶水稻種質中的49個穗型表型。這是第一個使用高分辨率表型分析平臺來評估田間種植材料的花序表型的研究。在此，作者為馴化的水稻建立了一個基因模型，提出了一個復雜的遺傳模型，以解釋穗特性，并證明穗粒大小和產量表現之間的微妙聯系。

PANorama表型分析平臺對水稻穗的分割

穗相關表型參數間的相關性分析

TOP 5

● 植物高通量脅迫表型的機器學習研究

（Trends Plant Sci,2016）

自動化和高通量成像技術的進步已經導致了植物高分辨率圖像和傳感器數據的大量涌現。 然而，從這個龐大的數據庫中提取模式和特征，需要使用機器學習（ML）工具來進行數據同化和特征識別以進行脅迫表型分析。

植物脅迫表型和植物育種活動的四個階段可以部署不同的ML方法即（i）識別，（ii）分類，（iii）量化和（iv）預測（ICQP），此文提供了ML工具的綜合概述和用戶友好的分類，使植物群體能夠正確、輕松地應用適當的ML工具，以及成為各種生物和非生物脅迫性狀的最佳實踐指南。

TOP 4

● 高通量表型和全基因組關聯分析：研究揭示水稻的自然遺傳變異

(Nat Commun,2014)

通過使用高通量測序技術對植物基因組學的研究迅速發展，傳統的植物表型測試已遠遠落后。此文的作者開發了一個高通量水稻表型測定設施（HRPF），用于監測水稻生育期的13個傳統農藝性狀和2個新定義的性狀。利用15個性狀的全基因組關聯研究（GWAS），他們確定了141個相關基因位點，其中25個包含已知基因，如‘綠色革命’半矮生基因SD1。 基于對HRPF和GWAS結果的性能評估，此文證明高通量表型分析具有取代傳統表型分型技術的潛力，并且可以提供有價值的基因識別信息。多功能表型分型工具HRPF和GWAS的結合，實現對重要性狀遺傳結構的深入了解。

使用三種表型方法進行鮮重，地上部干重和綠葉面積的測量后，GWAS結果之間的比較

TOP 3

● 細胞到整株水平的表型分析時代

（Trends Plant Sci，2013）

成像和圖像處理已成為植物表型研究的革命性技術，是表型性狀測量的主要工具。 此文作者通過檢查三個重要的特征來評估植物表型系統：通量，維數和分辨率。首先，整個植物表型分析系統與自動化技術的進步相結合，能夠顯著提高通量。然后討論器官和細胞水平表型及其工具（通常以較低的通量操作），作為在升高的空間和時間分辨率下獲得高維表型數據的手段。此文認為未來需要集中注意力在空間和時間分辨率的研究上，因為這些成像程序在植物表型系統應用中是關鍵方面。

表型分析的時空分辨率

多維度的表型分析示意圖

模式植物擬南芥葉片組織、葉肉細胞表型分析

TOP 2

● 田間表型：作物育種新方向

（Trends Plant Sci,2014）

田間表型分析受限因素太多，因此限制了大家研究數量性狀遺傳學的能力，特別是哪些與產量和脅迫耐受性相關的性狀。發展有效的基于田間高通量表型分析平臺（HTPPs）仍然是未來育種進展的瓶頸。然而，傳感器、高性能計算技術的發展正在為此鋪平道路。此文回顧了田間HTPPs的最新進展，類似這樣的平臺可以將低成本、高性能的數據收集/評估/處理技術、非侵入式遙感方法及自動化的環境數據收集過程結合起來，從而提高作物遺傳改良的效率，滿足實際需求。

涉及高通量表型分析的育種過程的不同組分的總結（包括適時評估關鍵性狀，評估空間變異性，環境表征以及進一步整合所有信息）

重點來了

TOP 1

● 植物表型分析的未來情景

（Annu Rev Plant Biol,2013）

此文是檢索出來近年來引用次數與影響因子綜合排名的NO1，文章通訊作者Schurr U.是表型領域的領軍人物之一。此文雖然發表時間較早，但時到今日，仍有很大的影響力。此文提供植物表型分析多學科研究的綜述，這些表型分析有助于選擇具有提高資源利用效率的基因型的性狀。他們關注于利用無創或微創技術，篩選出能有效分析可控和田間環境下的植物表型特征的方案。

根形態和生長動力學參數分析常用軟件包列表

作者悉心整理了如上表格，可以利用這些軟件，對基于在各種生長介質中生長的根的2D成像進行高級分析。

小結

雖然表型技術發展迅速，但仍有非常大的提升空間，因為大規模的表型分析需要以最少信息量的實驗方案、數據管理與建模整合，來獲取最準確的表型信息，系統植物表型研究的旅程才剛剛開始。小編以大神Schurr Ulrich的圖作為此文結束，可以看到隨著傳感器、軟件的發展，表型分析流程與表型參數獲取這兩個領域，發展得越來越成熟，在結果輸出方面，特別是在基因型、環境、表型三者的研究中，研究者們對于數據的解釋、應用要求更多，讓我們共同期待2018年表型發展得越來越好。

植物表型的概念方案