解剖表型组学(Anatomics)是一种新兴的植物表型提取和分析策略，其注重于对大田作物解剖结构的高通量成像和量化。本研究探讨了解剖表型组学在植物解剖表型遗传和生理分析中的潜在应用。

　　细胞和组织的结构是植物形态和功能的基本特征，而植物解刨学(Plant anatomy)则是植物生长基本过程中的关键调节器，包括光合作用、水和养分的获取和运输、构建和维持组织的代谢成本、组织生物力学以及与其他有机体的相互作用等。但是，如何对植物解剖表型进行测量和分析仍然是研究的瓶颈之一，其制约了对分类群之间表型差异的理解，从而无法分析这些差异与植物适应性之间的关系。因此，探索解剖表型的提取和分析方法有助于基础研究和作物育种等诸多植物科学领域。本研究描述了解剖表型组学的技术框架，针对大田作物的成熟植株，分别讨论了解剖表型组学中的图像获取和分析方法，旨在获取高通量的植物解剖表型信息，并将其用于植物遗传和生理分析。

　　在图像获取方面，光学显微镜可用于提取根毛、毛状体和气孔等的表面结构信息。同时，随着便携式显微镜的不断发展和进步，其成本、紧凑性和性能方面具有显著提升，光学显微镜已逐渐成为获取高通量解剖表型信息的主要工具。此外，激光消融断层摄影术(Laser ablation tomography, LAT)可用于内部结构成像，解决了样本通量和空间尺度之间的矛盾。除了结构信息外，解剖表型组学致力于对组织成分进行量化。得益于可见光、多光谱和高光谱传感器的发展，诸多成像手段可用于探测植物的组织成分，为解剖表型组学提供了新的发展空间。

　　在图像分析和数据提取方面，准确量化具有生物学意义的表型参数是研究的重点。在解剖图像中定量地提取数据，需要对特定组织或细胞进行图像分割。根据图像的复杂性和一致性，可以采用手动、半自动或全自动的方式进行特征识别和分割。虽然已有一些成熟的软件(如ImageJ等)可以实现批量化的图像处理，但是其自动化程度较低、处理速度较慢，且难以应对复杂特征的提取和识别任务。近年来，计算机视觉和机器学习的推广和应用，为解剖表型组学的图像分析提供了新的技术手段，提高了图像处理效率和精度，为解剖表型组学的发展提供了新的契机。

　　因此，解剖表型组学将有助于加深植物解剖学的理解，在农业和生态学中具有广泛的应用潜力。

图1 利用激光消融断层摄影技术获取的植物不同器官的解剖特征

　　图2 从样本收集到遗传标记识别的解剖表型组学技术框架

　　来源：Christopher F. Strock, Hannah M. Schneider and Jonathan P. Lynch. Anatomics: High-throughput phenotyping of plant anatomy. Trends in Plant Science, 2022.

　　编辑：段博