气孔是叶片表面的微小气孔，有助于叶片和大气之间的气体交换，尤其是对二氧化碳和水蒸气的交换。气孔通过光合作用和蒸腾作用等会对作物生产力产生重大影响，考虑到气孔特征(形状、密度和面积等)在一系列环境条件下对作物生产力的影响，气孔性状的遗传变异被认为是作物改良的关键目标。

　　气孔密度(SD)和气孔复合体面积(SCA)是调节植物气体交换和非生物胁迫反应的重要性状。尽管高粱可以适应干旱条件，但在作物生长的不同阶段，它们对恶劣环境很敏感。但由于现有表型分析方法的不完善，气孔相关性状的遗传潜力仍未被发掘。因此，确定控制气孔性状的基因座是设计具有优化气孔调节的高粱育种策略的基础。本文采用经典和深度学习方法，对311份高粱种质在两种不同田间环境下的气孔性状遗传多样性进行了表征分析。从研究表明，叶片上表面(Ab)和下表面(Ad)收集的近12000张图像显示气孔特征存在显著差异。手动和深度学习方法在预测SD和SCA方面具有显著的准确性。在高粱中，Ab表面的SD比Ad表面大32% - 39%，而Ab表面的SCA比Ad表面小2% - 5%。全基因组关联研究确定了71个遗传位点(38个是环境特异性的)，它们与气孔性状有显著的基因型-表型关联，还确定了表型变异的潜在致病基因。本研究结果为进一步研究高粱气孔构型和调控的遗传和分子机理奠定了基础。综合生理学、深度学习和基因组学方法使我们能够揭示高粱气孔性状自然变异的遗传机制，这种方法也可以应用于其他植物的探究。

　　图1 研究概要。A、对两种环境下SD和SCA的SAP进行表型分析。B、Mask R-CNN模型训练用于预测Ab和Ad的气孔数和复合体面积。C、Mask R-CNN，一个用于气孔实例分割和气孔计数的深度学习框架。网络架构包含卷积层(左)和全连接层(右)，如图中的矩形长方体所示。每个长方体的大小表示对应层的维度。层之间的连接通过箭头表示。

　　图2 采用手动和深度学习方法的SD分析结果(每张图像)。A、B、真实图像和深度学习分割结果。C、D、通过人工计数获得SD与通过深度学习方法获得的SD比较(颜色突出显示)。E、G-Ab和F、H-Ad，获得的预测计数之间的关系。对两种环境下的SAP中进行了表征分析。总共有11196张(实验1)和828张(实验2)图像用于手动计算气孔并生成观测地面真实SD数据。

　　图3 GWAS揭示所有调查性状的相关遗传位点的概要。染色体上的线条(黑色、绿色和蓝色)表示研究中确定的CSNP的物理位置(Mb)。基因座的位置在每个染色体的左侧，基因座名称显示在右侧。 具体可参见文献表4。

　　来源：Bheemanahalli R., Wang C., Bashir E. et al. Classical phenotyping and deep learning concur on genetic control of stomatal density and area in sorghum. Plant Physiol. 2021,186: 1562–1579

　　编辑：张玉