越來越多的人認(rèn)為無法高效實(shí)施高通量的田間表型是限制育種中遺傳增益的關(guān)鍵因素。

田間表型分析必須融入到更廣泛的環(huán)境中，而不僅僅是選擇正確的性狀特征、表型分析工具、評估平臺(tái)或基本的數(shù)據(jù)管理方法。表型分析不僅意味著以資源有效的方式開展，還需要適當(dāng)?shù)脑囼?yàn)管理和空間變異處理、定義目標(biāo)環(huán)境中普遍存在的關(guān)鍵約束條件、以及開發(fā)更全面的數(shù)據(jù)管理，包括作物建模。

Trends in Plant Science2018年3月在線發(fā)表了此篇綜述，將為表型研究者提供一個(gè)廣泛的視野，指導(dǎo)研究人員如何最好地實(shí)施田間表型分析。此文還概述如何以有效的方式彌合育種者和“表型育種者”之間的差距。

由上圖可知，高通量的表型分析直接影響三個(gè)方面：更精確的遺傳篩選、鑒定新的遺傳變異以及改進(jìn)對TPEs （target populations of environments，目標(biāo)群體環(huán)境因子）的篩選以幫助更好的做遺傳決策。此外，高通量表型分析也間接影響了育種規(guī)模以及育種周期。

最常用于評估大田作物苗期特征的不同遙感工具的總結(jié)

利用紅 - 綠 - 藍(lán)（RGB）圖像進(jìn)行田間表型分析的應(yīng)用實(shí)例

作者利用相機(jī)獲取的圖像，進(jìn)一步分析，獲得了田間玉米不同類別的特征：作物特征的計(jì)數(shù)、植物/作物生長的監(jiān)測和發(fā)育以及三維重建。

不同應(yīng)用場景&不同尺度的表型平臺(tái)

這些平臺(tái)使用了基于不同光譜范圍的遙感工具，包括 RGB相機(jī)（VIS）、多光譜和高光譜傳感器和相機(jī)、光探測和測距（LiDAR）傳感器、熱傳感器和相機(jī)（TIR / LWIR）以及不同類別的雷達(dá)。

小結(jié)

表型分析和作物生長模型的不斷發(fā)展，使育種者能夠獲取有關(guān)植物適應(yīng)性方面的生理決定因素的信息，從而精確選擇適合目標(biāo)環(huán)境的品種。在不同的層面上，使用大數(shù)據(jù)將有助于完善新品種的對生長環(huán)境的需求，以了解基因分型í環(huán)境í管理（GíEíM）互作。

事實(shí)上，最近歐洲的一項(xiàng)研究表明，如何將來自重要目標(biāo)環(huán)境下，當(dāng)前以及預(yù)期（氣候變化驅(qū)動(dòng)）環(huán)境變量的作物模型與多地點(diǎn)試驗(yàn)及其相關(guān)遺傳學(xué)的產(chǎn)量數(shù)據(jù)相結(jié)合，可以檢測到特定的數(shù)量性狀基因與特定的生長條件有關(guān)。預(yù)計(jì)這種信息的綜合利用可以提高重要目標(biāo)環(huán)境下遺傳增益。

原文：José Luis Araus, Shawn C. Kefauver, Mainassara Zaman-Allah, Mike S. Olsen, and Jill E. Cairns. Translating High-Throughput Phenotyping into Genetic Gain. Trends in Plant Science, 2018.