1 Национальная ключевая лаборатория генетического улучшения сельскохозяйственных культур и Национальный центр исследований генов растений, Хуачжунский сельскохозяйственный университет, Ухань 430070, КНР

2 Национальная ключевая лаборатория наук о пшенице и кукурузе / Агрономический колледж, Хэнаньский сельскохозяйственный университет, Чжэнчжоу 450002, КНР

3 Национальный центр феномики растений, Институт биологических, экологических и сельских наук, Аберистуитский университет, Аберистуит, Великобритания

4 Кафедра инженерии биосистем, Обернский университет, Оберн, Алабама, США

5 Эти авторы внесли равный вклад в статью.

DOI: 10.1016/j.molp.2020.01.008. Molecular Plant 13 (2020), 187–214.

С тех пор, как было достигнуто полногеномное секвенирование многих сельскохозяйственных культур, исследования функциональной геномики сельскохозяйственных культур вступили в эпоху больших данных и высокой производительности. Однако получение крупномасштабных фенотипических данных стало одним из основных препятствий, мешающих селекции сельскохозяйственных культур и исследованиям функциональной геномики. Тем не менее, последние технологические достижения дают нам потенциальные решения для устранения этого узкого места и изучения передовых методов крупномасштабного сбора и обработки данных фенотипирования в ближайшие годы. В этой статье мы рассматриваем основной прогресс в области высокопроизводительного фенотипирования в контролируемых средах и полевых условиях, а также его использование для послеуборочной оценки урожайности и качества за последние десятилетия. Затем мы обсудим последние исследования мультиомики, сочетающие высокопроизводительное фенотипирование с генетическими исследованиями. Наконец, мы предлагаем некоторые концептуальные задачи и излагаем наши взгляды на то, как преодолеть разрыв между фенотипом и генотипом. Не говоря уже о том, что точное высокопроизводительное фенотипирование ускорит генетические улучшения растений и будет способствовать следующей зеленой революции в селекции сельскохозяйственных культур.

Термин «фенотип», происходящий от греческого phainein и typos (что означает проявление и тип соответственно), был охарактеризован Вильгельмом Йоханнсеном в 1911 году: «все типы организмов можно отличить путем непосредственного осмотра или с помощью более точных методов измерения или описания» (Johannsen, 1911).

В 1949 году, когда геном был определен как материальная основа генотипа, термин «феном» впервые был определен как сумма экстрагенных, неауторепродуктивных частей клетки и представлял собой набор фенотипов (Davis, 1949).

В 1990-х годах в контексте изучения сложных заболеваний человека и в качестве ключевого дополнения геномики возникла новая дисциплина, феномика, с целью преодоления разрыва между генами и клиническими конечными точками (Schork, 1997).

В 2010 году Хоул и др. (2010) определил феномику как приобретение многомерных фенотипических данных в масштабе всего организма.

В области науки о растениях Фиорани и Шурр (2013) называли фенотипирование растений набором методологий и протоколов, используемых для точного измерения роста, архитектуры и состава растений в различных масштабах.

Кроме того, мы предпочитаем определять феномику сельскохозяйственных культур как междисциплинарное исследование высокопроизводительного точного сбора и анализа многомерных фенотипов в масштабе всего организма посредством развития сельскохозяйственных культур.

Технология секвенирования следующего поколения значительно ускорила прогресс в функциональной геномике (Huang et al., 2010; Werner, Published by the Molecular Plant Shanghai Editorial Office in association with Cell Press, an imprint of Elsevier Inc., on behalf of CSPB and IPPE, CAS.

Molecular Plant 13, 187–214, February 2020 ª The Author 2020. 187 Molecular Plant Review Article MOLP 882 2010; Li et al., 2018), позволив количественному картированию локуса признаков (QTL) и полногеномным исследованиям ассоциаций (GWAS) (Xiao et al., 2017) стать мощными инструментами для выяснения генетической архитектуры сложных признаков (Atwell et al., 2010; Huang et al., 2010; Tian et al., 2011; Wang et al., 2018a; Zhang et al., 2019a), и были идентифицированы многие гены, управляющие важными агрономическими признаками (Zuo and Li, 2014; Yao et al., 2018; Fernie and Yan, 2019; Shi et al., 2019).

Например, до 2000 года в рисе было клонировано всего около 130 генов.

К концу 2017 года более 3000 генов были хорошо охарактеризованы с помощью различных традиционных фенотипических подходов (Yao et al., 2018).

Однако сбор фенотипических данных по-прежнему является узким местом, ограничивающим исследования в области селекции сельскохозяйственных культур и функциональной геномики (Deery et al., 2016).

Традиционные методы фенотипирования сельскохозяйственных культур трудоемки, отнимают много времени, субъективны и часто разрушительны для растений. (Furbank and Tester, 2011; Chen et al., 2014).

Технологические достижения в целом сильно отстают от развития других «омических» технологий и имеют тенденцию быть фрагментарными.

В последние годы передовые технологии датчиков, машинного зрения и автоматизации получили широкое распространение в агропищевой промышленности для повышения автоматизации и повышения эффективности, причем их приложения варьируются от оценки качества продукции до сортировки и упаковки.

В медицине неинвазивные методы клинического скрининга и оценки доказали свою ценность на протяжении многих лет и все чаще разрабатываются для физиологических измерений.

Привлекательность этого пакета технологий заключается в его потенциале масштабирования и обещании того, что он сможет соответствовать другим омикам.

Факт адаптации таких технологий в сельском хозяйстве заключается в том, что производственные процессы часто удовлетворяются бинарными решениями, которые доставляются быстро и отбрасываются сразу после использования, хотя робототехника с визуальным управлением быстро развивается и должна позволить применять технологию в менее стесненных условиях, в том числе на ферме (Pieruschka and Schurr, 2019).

Кроме того, биомедицинские процедуры могут обходиться значительно дороже, чем сельское хозяйство, и уже используют разнообразные высокотехнологичные датчики, начиная от компьютерной томографии (КТ) и заканчивая целевыми метаболическими датчиками.

Достижения в ряде технологий, от датчиков до информационных технологий (ИТ) и извлечения данных, в сочетании с системной интеграцией и снижением затрат, означают, что морфологию и физиологию можно оценивать неразрушающим и повторным образом среди целых популяций и на протяжении всего развития.

Однако технологии все еще находятся в стадии активного развития.

За последнее десятилетие вопрос о том, почему и как измерять всю геномику, был глубоко исследован, и теперь технологические достижения позволят нам ответить на вопрос, почему и как измерять фенотипы целых растений в ближайшие десятилетия (Houle et al., 2010).

В этой статье мы рассматриваем основной прогресс в области высокопроизводительного фенотипирования в контролируемых средах и полевых условиях, а также его использование для послеуборочной оценки урожайности и качества за последние десятилетия (рис. 1).

Мы анализируем и обсуждаем последние исследования мультиомики, сочетающие высокопроизводительное фенотипирование с генетическими исследованиями.

Наконец, со ссылкой на исследование и базу данных Международной сети фенотипирования растений (IPPN), мы обсуждаем текущие проблемы феномики сельскохозяйственных культур и излагаем наши взгляды на исследования, связанные с фенотипированием сельскохозяйственных культур.

Множественные гены взаимодействуют с множеством сред (GxE) на протяжении жизненного цикла, влияя на производительность (Orgogozo et al., 2015).

Влияние окружающей среды на растения может быть особенно выраженным, поскольку их статический образ жизни не позволяет использовать стратегии избегания, обычно используемые животными.

Сенсорные технологии теперь позволяют подробно записывать историю окружающей среды растений, а также динамическую реакцию растений или сельскохозяйственных культур.

Поскольку полногеномное секвенирование арабидопсиса и многих других культур (https://genomevolution.org/wiki/index.php/Sequenced_plant_genomes) было достигнуто (Kersey, 2019), следующей целью является описание всех фенотипов важных сельскохозяйственных культур и анализ ключевых функциональных локусов (генов или QTL) и лучшего понимания генетической архитектуры сельскохозяйственных культур.

Высокопроизводительные платформы фенотипирования будут играть ключевую роль в достижении этой цели.

В этом разделе мы обсуждаем высокопроизводительное фенотипирование побегов арабидопсиса и более крупных культур, а также фенотипирование корней в лабораторных условиях (таблица 1).

неограниченное расширение модельных растений За последние несколько десятилетий было разработано множество интеллектуальных и высокопроизводительных платформ фенотипирования для скрининга небольших растений (таких как арабидопсис и розеточные виды) и более крупных растений (таких как рис и кукуруза).

Arabidopsis thaliana широко используется в качестве модельного растения из-за его быстрого жизненного цикла, относительно небольшого генома и широкого географического распространения ((Kaul et al., 2000)), а также его тесного родства с культурами семейства Brassicaceae.

Автоматизированное и крупномасштабное фенотипирование в контролируемых условиях окружающей среды особенно привлекательно для таких видов для прямой генетики, обратной генетики и количественной генетики.

PHENOPSIS (2003) — одна из первых автоматизированных красно-зелено-синих (RGB) систем визуализации и взвешивания — была разработана для понимания реакции арабидопсиса на дефицит воды ((Granier et al., 2006)), но в ней отсутствовало интегрированное управление данными и был относительно простой контроль окружающей среды.

В 2011 году платформы и камеры роста PHENOPSIS были расширены, а также была разработана база данных PHENOPSIS DB для хранения сотен гигабайт изображений и метаданных, а также для предоставления модулей анализа данных и изображений; эта база данных послужила шаблоном для других групп для разработки аналогичной системы управления данными (Fabre et al., 2011).

GROWSCREEN был создан для количественной оценки динамики роста рассады (общая площадь листьев, относительная скорость роста и площадь корней) в условиях измененного освещения (Walter et al., 2007).

Кроме того, на основе стадий линейного смещения устройство цветной визуализации GROWSCREEN можно заменить системой флуоресцентной визуализации хлорофилла GROWSCREEN FLUORO, которая позволяет одновременно фенотипировать рост листьев и флуоресценцию хлорофилла у Arabidopsis thaliana и Nicotianatabacum с производительностью примерно 60 растений в час (Jansen et al., 2009).

Относительно ограниченная мощность GROWSCREEN (200–500 растений) в сочетании с неоднородностью микросреды на платформе может снизить мощность картографирования для анализа QTL или GWAS.

Крупномасштабная платформа фенотипирования Phenscope была разработана для получения информации о росте побегов и содержании воды. 188 Molecular Plant 13, 187–214, февраль 2020 г. ª The Author 2020.

Molecular Plant The Perspective of Crop Phenomics MOLP 882 для 735 горшков, компенсируя неоднородность окружающей среды за счет непрерывного вращения 735 горшков по платформе. (Tisné et al., 2013) .

Phenovator использовал высокоскоростную систему перемещения по осям X-Y для перемещения монохромной камеры с восемью специальными полосовыми фильтрами над платформой, на которой размещалось до 1440 растений, для получения данных о фотосинтезе (FPSII, эффективность использования света фотосистемой IIтранспорта электронов) и характеристиках роста растений (прогнозируемое накопление площади листьев) (Floodet al., 2016).

Эта конфигурация имела высокую скорость сбора данных: сбор площади листьев занимал 20 минут, а эффективность PSII — менее часа.

Вместо движущихся датчиков коммерчески доступная система PlantScreen транспортировала лотки (20 горшков на лоток) на конвейерных лентах из зоны выращивания в темную камеру акклиматизации и в шкафы для флуоресценции хлорофилла (ChIF) и RGB-визуализации с автоматическим взвешиванием и поливом (Awlia et al., 2016).

Результаты показали, что некоторые параметры фотосинтеза, такие как FV/Fm, устойчиво отражают сильный солевой стресс, в то время как другие параметры (FNPQ, qP и FP) отражают ранний солевой стресс.

Однако влияние перемещения горшечных растений и изменений окружающей среды (e.g., wind, temperature, andother microclimate; Brien et al., 2013) в теплице может повлиять на измерения параметров флуоресценции хлорофилла (Haworth et al., 2018) и требует дальнейшего изучения.

междисциплинарная командная работа Некоторые из первых разработок были направлены на оценку генетически модифицированных сельскохозяйственных культур в промышленном масштабе.

Компания CropDesign (Бельгия) разработала TraitMill, включающую запатентованные инструменты биоинформатики, высокопроизводительную систему генной инженерии, методы трансформации растений и высокопроизводительную платформу фенотипирования, которая использовалась для определения морфометрических признаков (надземной биомассы, морфологии растений, цвета растений), которые могут быть связаны с урожайностью (Reuzeau et al., 2005).

К сожалению, детали TraitMill, экспериментальный план и результаты были запатентованы.

LemnaTec GmbH (Германия) разработала платформу Scanalyzer3D и установила версии по всему миру.

Ускоритель растений (Австралийский центр феномики растений, Университет Аделаиды, Аделаида, Австралия), оснащенный конвейерными системами с компьютерным управлением, автоматическими устройствами для взвешивания и полива и станциями визуализации (RGB, ближний инфракрасный [NIR], флуоресценция и гиперспектральная визуализация), рассчитан на 2400 растений и использовался для оценки устойчивости риса к засолению (Hairmansis et al., 2014), дефицита азота и воды в сельскохозяйственных культурах. (Neilson et al., 2015) и солеустойчивость нута (Atieno et al., 2017).

Кроме того, общая биомасса растений оценивается по изображениям RGB с использованием проецируемой площади побегов в трех различных изображениях и линейных моделях, а точность предсказания модели может быть повышена путем добавления дополнительных факторов, таких как дата роста (Golzarian et al., 2011), или дополнительных структурных или физиологических особенностей в более сложной модели (Chen et al., 2018).

Однако коммерческое программное обеспечение Scanalyzer3D, LenmanGrid, со встроенными алгоритмами не является открытым исходным кодом и его нельзя легко модифицировать для извлечения большего количества признаков.

Поэтому его применение к новым видам или экспериментальным сценариям часто оказывается неудовлетворительным (Hartmann et al., 2011).

Чтобы облегчить эту проблему, Институт генетики растений и исследований сельскохозяйственных растений им.

Лейбница разработал HTPheno, плагин для ImageJ и другое программное обеспечение для обработки изображений с открытым исходным кодом для извлечения стандартных характеристик из цветных изображений, таких как высота, ширина и проекционная площадь растения (Hartmann et al., 2011).

Платформа интегрированного анализа (IAP) на базе Java с открытым исходным кодом, обладающая более широкими функциональными возможностями и гибкостью для интеграции сторонних алгоритмов (Klukas et al., 2014), поддерживает дополнительные типы датчиков (флуоресцентный, ближний инфракрасный, инфракрасный) и более широкий спектр видов (кукуруза и арабидопсис) и облегчает управление данными.

IAP использовался для извлечения признаков из изображений и параметров, полученных из модели, для определения реакции на засуху (DR) ячменя (Chen et al., 2014) и скрининга генетических вариаций динамики роста кукурузы в сочетании с GWAS (Muraya et al., 2017).

Платформа фенотипирования Bellwether установила систему Scanalyzer3D в помещении для выращивания с контролируемым климатом в Научном центре растений Дональда Дэнфорта (Сент-Луис, Миссури, США).

Они разработали PlantCV, независимое от платформы программное обеспечение на основе библиотек с открытым исходным кодом (OpenCV, NumPy и MatPlotLib) для обработки RGB, флуоресцентных и NIR-изображений и количественной оценки различных временных реакций на доступность воды в Setaria (Fahlgren et al., 2015).

Интересно, что группа INRA (Платформа фенотипирования PhenoArch, INRA, Монпелье, Франция) разработала автоматическую процедуру для мониторинга динамики роста шелка у кукурузы путем модификации двух последовательных кабин визуализации — одной для определения пространственных координат потенциальных початков, а второй для информирования роботизированной камеры — тем самым обеспечивая более четкие изображения початков кукурузы и рассчитывая характеристики шелка во времени (Brichet et al., 2017).

Это иллюстрирует необходимость непрерывной междисциплинарной разработки аппаратного и программного обеспечения в соответствии с требованиями пользователей.

Многопрофильная группа из Хуачжунского сельскохозяйственного университета и Хуачжунского университета науки и технологий (Ухань, Китай) разработала высокопроизводительную установку для фенотипирования риса (HRPF, рис. 1), включающую цветную визуализацию, рентгеновскую компьютерную томографию, автоматическое управление и конвейер анализа изображений, который может отслеживать как минимум 15 агрономических признаков в популяциях до 1920 растений риса с общей вместимостью теплиц 5472 растения. (Yang et al., 2014) .

Более того, некоторые характеристики, основанные на изображениях (i-признаки), которые трудно оценить вручную, такие как скручивание листьев и сохранение зелени засухоустойчивого риса, также можно оценить количественно (Duan et al., 2018).

Вместе с GWAS и 51 i-признаком HRPF может разделить сложные признаки DR на наследуемые и простые i-признаки и обнаружить новые гены для DR (Guo et al., 2018a).

Кроме того, с небольшими изменениями в конвейере анализа изображений HRPF может быть расширен для фенотипирования других видов, включая трехмерную архитектуру растений пшеницы (Fang et al., 2016), характеристики листьев сеянцев рапса (Xiong et al., 2017) и генетическую архитектуру вариаций роста кукурузы (Zhang et al., 2017).

Однако создание высокопроизводительных конвейерных систем фенотипирования является дорогостоящим и трудоемким и требует глубоких знаний в области инженерных и вычислительных наук для поддержания функциональности и гибкости.

Стоимость единицы продукции зависит от пропускной способности, поэтому внедрение таких систем может быть оправдано только в крупных исследовательских центрах или компаниях.

Чтобы обеспечить более дешевые решения для фенотипирования, Czedik-Eysenberg et al. (2018) разработал PhenoBox, гибкую систему фенотипирования с открытым исходным кодом и аппаратным обеспечением для извлечения признаков побегов.

Из-за низкой стоимости материалов (V3000) PhenoBox широко применялся для изучения заражения модельной травы, солевого стресса и наблюдения за другими культурами с помощью дополнительных датчиков, таких как датчики гиперспектральной визуализации.

Чтобы принести пользу большему количеству лабораторий, важно снизить себестоимость единицы продукции, связанную с высокопроизводительным фенотипированием не только в лаборатории, но и в полевых условиях.

Другая тенденция заключается в увеличении количества и качества количественных характеристик, особенно новых или требующих трудоемких и разрушительных измерений; т. е. рост побега (Wu et al., 2019) или развитие метелки (Jhala and Thaker, 2015) по данным рентгеновской КТ.

Выбор подходящих датчиков изображения и правильного режима передачи изображений имеют жизненно важное значение при разработке средств фенотипирования, которые зависят от различных экспериментальных целей.

Для сравнения, RGB, флуоресцентная, тепловая, гиперспектральная и 3D визуализация имеет свои плюсы и минусы: (1) RGB визуализация (также называемая визуализацией в видимом свете) является экономически эффективной и наиболее широко используется для измерения морфологических признаков растений или органов, биомассы и роста растений, но она не может предоставить физиологическую информацию. (2) Оснащенная специальным возбуждающим освещением, флуоресцентная визуализация может отражать физиологический сигнал, такой как фотосинтетическая функция и сигнал активных форм кислорода (Fichman et al., 2019). (3) С помощью тепловидения (также называемого тепловидением в дальнем инфракрасном диапазоне) можно получить изображение растения или листа.

Более того, ни флуоресцентное, ни тепловизионное изображение не может предоставить достаточную спектральную информацию. (4) Гиперспектральная визуализация может одновременно предоставить обширную спектральную (видимую и ближнюю инфракрасную) и пространственную информацию и может быть собрана для оценки тяжести заболевания, состояния воды и других физиологических характеристик.

Однако гиперспектральный датчик стоит дорого, а обработка гиперспектральных данных (гигабайт на выборку) может быть сложной (Mahlein et al., 2018). (5) По сравнению с 2D-изображением, методы 3D-изображения, которые в основном включают методы (Fang et al., 2016) на основе изображений и методы (Paulus et al., 2014) на основе лазерного сканирования, могут создавать 3D-модели и получать больше пространственных и объемных характеристик.

В соответствии с преимуществами различных технологий визуализации текущая тенденция заключается в объединении нескольких методов визуализации.

В некоторых исследованиях сравнивались различные методы визуализации фенотипирования растений (Fioraniand Schurr, 2013; Zhao et al., 2019).

Что еще более важно, выбор правильного режима передачи изображений (от растения к датчику или от датчика к растению) зависит от извлеченных признаков, размера объема измеряемых видов, мощности теплицы и других факторов.

CropDesign, Scanalyzer3D и HRPF основаны на режиме «от растения к датчику», который передает растения на станции визуализации для извлечения биомассы, роста побегов и архитектуры растений.

Однако для измерения определенных физиологических характеристик (таких как температура кроны), которые подвержены изменениям окружающей среды (температура воздуха, скорость ветра и т. д.) (Ghanem et al., 2015), перемещение камеры и удержание растений в неподвижном состоянии будет лучше, чем транспортировка растений в инспекционную камеру по длинному ленточному конвейеру.

Другим примером режима «датчик-растение» является Phenodyn (Montpellier, France; Avramova et al., 2019), который имеет датчики смещения и регистратор баланса для каждого растения и измеряет скорость удлинения листьев и скорость транспирации при мощности 500 растений в теплице.

По нашему мнению, объединение режимов «от объекта к датчику» и «от датчика к объекту» было бы интересно и имело бы взаимодополняющие преимущества.

Уход в подполье: дополнительная проблема в фенотипировании растений В отличие от большинства животных, отдельные наземные растения живут на границе двух или более различных сред.

Хотя побеги обычно развиваются в воздухе (и относительно легко доступны для осмотра, измерения и отбора проб), корни обычно функционируют внутри почвы, что ограничивает прямое наблюдение.

Корни являются важнейшими органами, которые определяют поглощение воды и питательных веществ большинством сельскохозяйственных культур, напрямую влияя на их устойчивость к засухе, а также на урожайность и качество.

Фенотипирование архитектуры корневой системы (RSA) in situ является сложной задачей, особенно по сравнению с фенотипированием побегов (Atkinson et al., 2019).

Был оценен широкий спектр решений, которые могут предоставить полезную информацию.

Использование прозрачных (гидропонных, аэропонных и гелевых) сред для выращивания, таких как PlaRoM, позволяет использовать камеры RGB для сбора и извлечения динамики роста и развития волос с максимальной емкостью 50 саженцев (Yazdanbakhsh and Fisahn, 2009).

Другие системы включают Rhizoslides (бумажную систему роста корней и наблюдения) (Le Marie et al., 2014), Rhizoponics (гидропонный ризотрон для оценки RSA арабидопсиса) (Mathieu et al., 2015), RADIX (ризослайд-платформу, используемую для скрининга побегов и корней 200 растений кукурузы) (Le Marie et al., 2016) и RhizoTubes (автоматическую систему) Платформа «растение-сенсор», включающая 1200 корневищ для получения RSA примерно за 6–8 недель) (Jeudy et al., 2016).

Кроме того, было разработано несколько решений для анализа изображений с открытым исходным кодом, оценивающих 2D RSA, включая полуавтоматическое программное обеспечение (RootTrace, French et al., 2009;, SmartRoot, Lobet et al., 2011; RootNav, Pound et al., 2013) и полностью автоматическое программное обеспечение (EZ-Root-VIS, Shahzad et al., 2018).

Айер-Паскуцци и др. (2010) разработал платформу 3D-визуализации RSA, использующую цилиндр роста на основе геля, для получения 16 признаков корня.

Другие конвейеры реконструкции и анализа изображений 3D-изображений включают GiARoots (Galkovskyi et al., 2012) и RootReader3D (Clark et al., 2011).

Чтобы получить RSA, аналогичный наблюдаемому в полевых условиях, Пинерос и др. (2016) разработала вертикальную башенную систему из пластиковой сетки для поддержания трехмерной архитектуры корня и достижения трехмерного изображения в гидропонном цилиндре для выращивания (Pineros et al., 2016).

Однако не всегда очевидно, как результаты, полученные на прозрачной среде, применимы к нормальным условиям выращивания в полевых условиях.

Интеллектуальная механизированная платформа для фенотипирования корней GROWSCREEN-Rhizo была разработана для одновременного получения изображений побегов и корней в прозрачных ризотронах, заполненных почвой.

Пропускная способность составила 60 ризотронов в час из общей мощности 72 ризотронов (Nagel et al., 2012).

Более того, в эту систему фенотипирования были интегрированы дополнительные датчики (т.е. гиперспектральные), способные динамически отражать химические компоненты корня, такие как содержание корневой воды и изменение лигнина (Bodner et al., 2018).

Рентгеновская КТ, приложение для трехмерной структурной визуализации, может использоваться для визуализации внутреннего трехмерного объема в соответствии с различиями в ослаблении рентгеновских лучей различными материалами, такими как корни и почва.

За первым компьютерным томографом (Cormack, 1963) вскоре последовала клинически полезная версия (Hounsfield, 1976), за которую изобретатели получили Нобелевскую премию по физиологии и медицине 1979 года.

Программное обеспечение с открытым исходным кодом RooTrak было разработано группой (Mairhofer et al., 2012, 2013) CPIB (Центр интегративной биологии растений Ноттингемского университета) для использования дифференциального затухания рентгеновских лучей между почвой и корнями и реконструкции RSA в 3D.

Несколько взаимодействующих корневых систем также можно было извлечь и отдельно проанализировать на основе модифицированного RooTrak (Mairhofer et al., 2015).

Кроме того, следует отметить некоторые проблемы, связанные с использованием КТ для сканирования корней: (1) для обеспечения лучшего контраста ослабления рентгеновских лучей между почвой и корнями первым ключевым шагом является подготовка почвы для поддержания ее однородности, включая просеивание и капельное орошение, а на RSA также влияют тип почвы и ее уплотнение (Rogers et al., 2016); (2) КТ-сканирование часто требует компромиссов, например, объем сканирования и разрешение увеличивают время сканирования, поэтому более крупные горшки с высоким разрешением будут ограничивать количество образцов или частоту сбора данных (Mairhofer et al., 2012) ; (3) хотя несколько исследований показали, что рентгеновская КТ с низкой дозой радиации (<30 Гр) не оказывает влияния на рост растений или популяции микробов в почве, следует дополнительно изучить влияние рентгеновского излучения с высокой энергией и временем сканирования с высокой пропускной способностью. (Zappala et al., 2013) .

Molecular Plant 13, 187–214, февраль 2020 г. ª Автор 2020 г. 193 The Perspective of Crop Phenomics Molecular PlantMOLP 882 Другие альтернативные подходы к извлечению 3D RSA из почвы включали магнитно-резонансную томографию (МРТ), позитронно-эмиссионную томографию (ПЭТ) и их комбинацию.

Благодаря визуализации поглощения и повторного излучения электромагнитного излучения ядрами в магнитном поле МРТ можно использовать для структурной визуализации (например, архитектуры корня) или функциональной визуализации (распределения воды в тканях растений) (Atkinson et al., 2019).

Центр фенотипирования растений Юлиха (Юлих, Германия) использовал МРТ для динамической оценки морфологических изменений корня во время заражения Cercospora beticola (Schmittgen et al., 2015) и использовал программное обеспечение для анализа изображений (NMRooting) для количественной оценки характеристик корня (таких как длина корня, масса, угол, диаметр, количество кончиков и пространственное распределение) на основе данных 3D-МРТ с максимальной производительностью измерений 18 горшков в день (van Dusschoten etal., 2016).

Группа из Орхусского университета использовала медицинскую ПЭТ (функциональную визуализацию, которая обнаруживает радионуклиды, испускающие позитроны) для неразрушающего сканирования корней растений на глубину до 82 мм и динамического контроля транспорта углерода (фотоассимилята) в течение длительного периода времени (Garbout et al., 2011).

Методы КТ, МРТ и ПЭТ имеют свои преимущества и ограничения: (1) КТ имеет тенденцию предоставлять больше деталей на небольших горшках (например, горшках диаметром 34 мм), для которых возможно сканирование с более высоким разрешением, но для горшков большего диаметра (>81 мм) было обнаружено, что МРТ обнаруживает больше корней, чем КТ (Metzner et al., 2015). (2) КТ и МРТ имеют более высокое пространственное разрешение (%30 мм3), чем ПЭТ (приблизительно 1,4 мм), но ПЭТ с его высоким g-излучением может обеспечить высокий контраст между корнями и почвой (Jahnke et al., 2009). (3) Ухудшение сигнала из-за структуры почвы и содержания воды ниже для ПЭТ, чем для МРТ и КТ, а высокое содержание воды в почве влияет на КТ больше, чем на МРТ (Jahnke et al., 2009).

Кроме того, почва с высоким содержанием песка и низким содержанием глины (или ила) обеспечивала лучшее качество изображения как для МРТ, так и для КТ (Pflugfelder et al., 2017). (4) Наконец, требования ко времени как для сканирования ПЭТ (60 минут), так и для сканирования МРТ (приблизительно 40–60 минут), как правило, больше, чем для КТ, а это означает, что было бы трудно использовать МРТ и ПЭТ для фенотипирования популяций в больших масштабах, как это требуется для генетических исследований (Jahnke et al., 2009; Metzner etal., 2015).

Таким образом, из-за их различных достоинств использование комбинации этих методов томографии, таких как МРТ-ПЭТ (Jahnke et al., 2009), ПЭТ-КТ (Garbout et al., 2011) и МРТ-КТ (Metzner et al., 2015), популярно не только в медицинской визуализации, но и при фенотипировании корней для решения целенаправленных биологических вопросов.

В настоящее время многие важные функциональные гены, влияющие на RSA, вероятно, остаются необнаруженными из-за узких мест, связанных с фенотипированием корней (Wing et al., 2018), что требует разработки революционных технологий для подземной визуализации в будущем.

Условия окружающей среды, где выращивается подавляющее большинство сельскохозяйственных культур, гораздо более изменчивы, чем лабораторная среда.

Структура почвы может различаться внутри и между полями, и даже небольшие различия в топологии и аспекте могут изменить скорость ветра, влияние солнечной радиации, скорость испарения и так далее.

В селекции полевых культур такая изменчивость учитывается посредством повторных испытаний на нескольких площадках, но применение соответствующих технологий фенотипирования остается ограничением для будущих генетических исследований и достижений селекции (Araus and Cairns, 2014).

Полевое фенотипирование можно в общих чертах разделить на технологические группы на основе сенсорной платформы: наземное, беспилотное летательное аппарат (БПЛА) и портативное фенотипирование (таблица 1), которые обсуждаются в следующих разделах.

Наземное фенотипирование: большое разнообразие решений для фенотипирования.

Сенсорные платформы могут быть стационарными или мобильными.

Башни и другие стационарные платформы легко построить и обслуживать, и они используются для регистрации стадий роста и мониторинга насекомых-вредителей.

Например, цифровые камеры, прикрепленные к стационарной башне для фенотипирования (система регистрации фенологии сельскохозяйственных культур [CPRS]), использовались для мониторинга роста риса и появления рисового жука (Sakamoto et al., 2011; Fukatsu et al., 2012).

Сибаяма и др. (2015a) использовал две цифровые камеры на высоте 12 м над рисовым полем для оценки содержания азота и индекса площади листьев риса-сырца (Shibayama et al., 2015b).

Чжоу и др. (2017) разработала масштабируемую и экономически эффективную платформу полевого фенотипирования (CropQuant), веб-систему управления (CropMonitor) и высокопроизводительный конвейер анализа признаков для измерения динамического роста сельскохозяйственных культур, зелености вегетации и ориентации участков.

Преимущество использования фиксированной башни фенотипирования заключалось в том, что ее было легко установить и обслуживать, тогда как недостатком было то, что была получена ограниченная информация о культурах на фиксированных участках, а затраты на крупномасштабные эксперименты возрастали почти линейно.

Разумным решением стала облачная система датчиков окружающей среды, в которой использовались датчики с открытым исходным кодом и бесплатный облачный сервис передачи данных; этим достигаются длительные наблюдения за отдельными растениями (Hirafuji et al., 2011).

Компания Rothamsted Research создала железнодорожную портальную систему для полевого фенотипирования, полевой сканер (Sadeghi-Tehran et al., 2017; Virlet et al., 2017), размером 125 м (длина), 3,15 м (ширина), 3,6 м (высота) и оснащенную 300-килограммовой сенсорной матрицей, включая камеру видимого диапазона, 3D-лазерный сканер, тепловизионную инфракрасную камеру, гиперспектральную камеру видимого и ближнего инфракрасного диапазона (VNIR), четырехканальную усиленный радиометр, датчик флуоресценции хлорофилла и датчик CO2.

Сбор данных со всех датчиков занял около 7 мин для одного участка (1,5 м2).

Эту платформу можно использовать для получения подробного описания развития растительного покрова на всех стадиях жизни, например, для определения времени появления початков пшеницы и времени цветения (Sadeghi- Tehran et al., 2017).

Аналогичным образом, используя встроенный датчик LiDAR, камеру RGB, тепловизионную камеру и гиперспектральный формирователь изображений в мобильной портальной системе, Guo et al. (2018b) разработала высокопроизводительную платформу фенотипирования сельскохозяйственных культур (Crop3D) для измерения трехмерной архитектуры растений/листьев и температуры листьев.

Однако есть две проблемы, которые следует обсудить: (1) переменное окружающее освещение приводит к проблемам, которые частично решаются за счет получения изображений в ночное время или добавления стандарта отражательной способности на местах (Virlet et al., 2017). (2) Это сложная задача — эффективно анализировать терабайты гиперспектральных изображений и изображений, полученных лазерным сканированием (Vadez et al., 2015), а также интерпретировать временные ряды тепловых, мульти- или гиперспектральных характеристик в изменяющихся условиях (Virlet et al., 2017).

Кроме того, такие крупные железнодорожные системы, охватывающие ограниченную территорию (например, 0,12 га в случае Rothamsted Research), также являются дорогостоящими как с точки зрения строительства, так и с точки зрения обслуживания. 194 Molecular Plant 13, 187–214, февраль 2020 г. ª Автор 2020.

Molecular Plant The Perspective of Crop Fenomics Датчики MOLP 882, установленные на тележках с ручным управлением или самоходных тракторах, решают многие из этих проблем.

Тележка с несколькими датчиками, включая ультразвуковой датчик, датчик нормализованного разностного вегетационного индекса (NDVI), тепловой инфракрасный радиометр, портативный спектрометр, камеру RGB и датчик приближения, использовалась для получения характеристик полога сои и пшеницы, включая высоту, NDVI, температуру, спектры отражения и изображения RGB (Bai et al., 2016).

Чтобы получить трехмерную информацию и измерить высоту растений, Wang et al. (2018b) построил наземную высокопроизводительную систему фенотипирования растений (HTPP) с различными сенсорными технологиями, включая ультразвуковой датчик, датчик LiDAR-Lite v2, камеру Kinect и четыре цифровые однообъективные зеркальные камеры.

Стереокамеры, времяпролётные датчики глубины и инфракрасные камеры использовались для оценки особенностей архитектуры отдельных предприятий (Young et al., 2018), а 3D-датчик технического зрения на основе времени пролёта (TOF) обеспечивал автоматическое измерение расстояния между заводами (Nakarmi andTang, 2012).

Однако большинство платформ визуализации в открытом поле чувствительны к переменным условиям окружающей среды, например к интенсивности света.

Система BreedVision решает эту проблему, просто исключая окружающее освещение и визуализацию в мобильной темной камере (Busemeyer et al., 2013a).

Поскольку BreedVision оснащен множеством датчиков (3D-камера, времяпролетная камера, лазерные датчики расстояния, гиперспектральная визуализация, датчики RGB и визуализация световой завесы) и специальными калибровками характеристик, BreedVision может неразрушающим образом измерять характеристики растений, включая высоту растения, плотность побегов, урожайность зерна, содержание влаги, цвет листьев, полегание и сухую биомассу, с рабочей скоростью 0,5 мс 1 .

Примечательно, что, оснащенный парой линейных световых барьеров (один излучатель, а другой - приемник), визуализацию световой завесы можно использовать для измерения высоты растений, архитектуры растений и биомассы без влияния условий освещения в помещении или в поле. (Busemeyer et al., 2013a; Fanourakis et al., 2014) .

Однако платформы на базе транспортных средств имеют некоторые ограничения; они ограничены почвенными и погодными условиями, а в некоторых случаях и топологией.

Для выращивания определенных культур, таких как рис-сырец, требуются специальные транспортные средства.

Дистанционное зондирование с помощью БПЛА: чем дальше смотришь, тем больше видишь Дроны (или БПЛА) представляют собой гибкую платформу, позволяющую быстро собирать данные на больших площадях и потенциально предоставлять изображения с высоким пространственным разрешением (1 мм на пиксель).

Некоторые передовые ИТ-методы, такие как глубокое обучение (DL), позволяют обрабатывать миллионы изображений дистанционного зондирования с высокой точностью и высокой скоростью. (Bauer et al., 2019) .

Таким образом, дистанционное зондирование широко используется для мониторинга реакции на стресс, вызванный засухой, оценки состояния питательных веществ и роста, обнаружения сорняков и патогенов, прогнозирования урожайности (Maes and Steppe, 2019) и идентификации QTL (Wang et al., 2019).

Характеристики цвета и текстуры купола, полученные с помощью платформ БПЛА (Yue et al., 2019) с высоким пространственным и временным разрешением, облегчают задачи фенотипирования, поскольку улучшение качества и количества изображений предоставляет подробную информацию для извлечения и анализа признаков.

Соответственно, изображения БПЛА с высоким разрешением были приняты для различных целей фенотипирования, таких как оценка индекса площади листьев (Yao et al., 2017), идентификация початков пшеницы (Madec et al., 2019), обнаружение сорняков (Hung et al., 2014) и оценка эффективности посева рапса (Zhao et al., 2018).

Кроме того, исследователи уделили большое внимание определению оптимального разрешения.

Например, недавнее исследование показало, что оптимальное разрешение 0,3 мм позволяет осуществлять фенотипирование с высокой пропускной способностью в поле (Madec et al., 2019).

Благодаря сочетанию высокого пространственного и временного разрешения (Burkart et al., 2018) фенотипирование с помощью БПЛА открывает новые возможности в полевых исследованиях.

Для геометрическо-морфометрического анализа растений, например, в отношении высоты растений и надземной биомассы, трехмерное моделирование растительного покрова дает более точные оценки, чем индексы вегетации (VI) (Maimaitijiang et al., 2019).

С развитием фотограмметрических методов, многоракурсного стереопсиса и подходов компьютерного зрения, таких как структура из движения (SFM), БПЛА стали многообещающей платформой для получения трехмерной информации о структуре растительного покрова (Bendig et al., 2014; Hassan et al., 2019).

Алгоритмы SFM создают геометрически точные 3D-облака точек путем сопоставления характерных точек с 2D-изображениями, полученными с помощью датчиков RGB.

SFM эффективен для оценки высоты растений и биомассы (Bendig et al., 2014; Malambo et al., 2018), но возможности проникновения фотограмметрических методов ограничены по сравнению с возможностями LiDAR.

SFM может создавать облака точек на субпиксельном уровне с точностью и качеством, аналогичными LiDAR(Hassan et al., 2019).

Более того, существует сильная корреляция между цифровой моделью поверхности (DSM, полученной с помощью алгоритмов SFM с использованием данных БПЛА) и оценками высоты растений LiDAR (Madec et al., 2017; Jimenez- Berni et al., 2018), а метод на основе SFM-UAV является менее дорогостоящим и более гибким (Jimenez-Berni et al., 2018).

Различные датчики изображения, установленные на БПЛА, могут использоваться для сбора спектральной информации в видимом или ближнем ИК-диапазоне для диагностики питания сельскохозяйственных культур и мониторинга различных типов стресса (рис. 1).

RGB-камеру потребительского класса можно использовать для создания ряда RGB VI, которые, как было обнаружено, хорошо работают при оценке стрессовых условий, таких как низкий уровень азота (Elazab et al., 2016) и биотический стресс (Vergara-Diaz et al., 2015).

Кроме того, NIR- или ИК-диапазоны могут предоставить больше спектральной информации, что повышает точность измерений при мониторинге роста сельскохозяйственных культур.

Мультиспектральные камеры могут реагировать на спектральную информацию красного края и ближнего ИК-диапазона и используются для диагностики на основе хлорофилла (Deng et al., 2018) и мониторинга водного стресса (Zarco-Tejada et al., 2012).

Однако их спектральное разрешение ограничено количеством линз на сенсорах.

Гиперспектральные камеры охватывают широко используемую спектральную область (400–1000 нм) для мониторинга сельскохозяйственных культур и могут использоваться для оценки содержания каротиноидов в листьях (Zarco-Tejada et al., 2013), концентрации азота (Zheng et al., 2016), стресса от жары и засухи (Trachsel etal., 2019) и т. д.

Датчики этого типа могут захватывать наиболее полную спектральную информацию, но они дороги, а обработка данных может быть относительно сложной.

В дополнение к датчикам изображения на БПЛА даже был установлен невизуализирующий спектрометр VNIRдля сбора точных сигналов спектрального отражения (Garzonio et al., 2017).

Таким образом, можно было быстро получить более подробную спектральную информацию.

Доступны некоторые обзоры технологий спектрального дистанционного зондирования БПЛА (Aasen et al., 2018; Maes and Steppe, 2019) и обработки гиперспектральных данных на основе БПЛА и их применения в сельском хозяйстве (Adão et al., 2017).

Дистанционное зондирование с помощью БПЛА продемонстрировало большой потенциал для высокопроизводительного фенотипирования, что улучшит работу в области молекулярного завода сельскохозяйственных культур 13, 187–214, февраль 2020 г. ª Автор, 2020 г. 195 The Perspective of Crop PhenomicsMolecular Plant MOLP 882 функциональная геномика и селекция сельскохозяйственных культур.

Однако следует учитывать некоторые ограничения, связанные с использованием БПЛА: (1) время полета и грузоподъемность ограничены; (2) местные законы и правила полетов могут быть препятствием; (3) для обеспечения безопасности полетов должны быть введены строгие требования к техническим специалистам; (4) малая высота полета обеспечит получение оригинальных изображений более высокого качества, но также может вызвать изменения в архитектуре и физиологии листьев из-за сильного ветра, создаваемого БПЛА.

Более того, более низкие полеты приведут к увеличению времени полета, что затруднит проверку больших групп населения с помощью полетов дронов на малой высоте.

Таким образом, следует дополнительно изучить разумные высоты полета и другие настройки камеры, связанные с различными целями фенотипирования.

Карманное фенотипирование: гибкое будущее Физиологи уже давно используют специализированные портативные инструменты для измерения ряда функций (Kim et al., 2016).

Многие такие инструменты обязательно сложны и требуют обучения и пристального внимания к деталям для получения полезных данных.

Проблемы и возможности, связанные с портативным фенотипированием, включают (1) снижение требуемого уровня знаний и комплексную стандартизацию данных (например, калибровку цвета и интеллектуальные руководства пользователя); (2) интеграция нескольких датчиков в одно портативное устройство с соответствующим программным обеспечением для анализа данных; и (3) использование мобильной сети 5-го поколения и методов искусственного интеллекта, таких как DL, может создать надежную модель, способную противостоять сложным условиям в полевых условиях. «Карманные» или носимые инструменты фенотипирования следующего поколения могут стать революционной технологией, которая глубоко изменит и ускорит фенотипирование.

Быстрое развитие смартфонов с RGB-камерами высокого разрешения и мощными компьютерами привело к созданию приложений с постоянно растущей полезностью.

Кроме того, аспекты технологии мобильных телефонов были включены в другие портативные инструменты, изготовленные на заказ, что увеличило диапазон оптических и других датчиков и улучшило возможности подключения и портативность традиционного оборудования для фенотипирования.

Это новая и быстро развивающаяся область, поэтому мы приведем лишь несколько примеров, иллюстрирующих ее возможности.

PocketPlant3D измеряет структуру полога кукурузы (Confalonieri et al., 2017) ; смартфон перемещается параллельно пластинке листа от основания к кончику, и все листья можно сканировать, чтобы получить всю архитектуру листа.

Приложение на основе машинного обучения может диагностировать церкоспорозную пятнистость листьев и другие заболевания листьев сахарной свеклы лучше, чем эксперты (Hallau et al., 2018).

Приложение для смартфонов для устройств Android, vitisBerry, может подсчитать количество ягод виноградной лозы (Aquino et al., 2018).

Собранная часть урожая, как правило, наиболее экономически значима, и зачастую уже существуют механизированные системы для обработки и оценки ее урожая или качества как в процессе уборки, так и после сбора урожая.

Как и различные датчики, установленные в тракторах, обсуждаемые в разделе «Наземное фенотипирование», в процессе уборки урожая датчики и система глобального позиционирования (GPS) также могут быть интегрированы в (комбайн) комбайн для мониторинга, например, урожайности черники (Farooque et al., 2013), урожая зерна (Li et al., 2016) и урожая хлопка (Pelletier et al., 2019).

Хотя несколько интеллектуальных сельскохозяйственных машин (например, передовая система земледелия, AFS, Case IH, США) были коммерциализированы в процессе сбора урожая, в этом разделе мы сосредоточимся на фенотипировании после сбора урожая.

Для оценки качества в семеноводческой и мукомольной промышленности используются технологии визуализации, которые легко можно использовать в исследовательских целях.

Относительно простая интеграция захвата 2D-изображений, извлечения признаков и экспорта данных упростила фенотипирование семян, что позволило провести широкое и экономически эффективное исследование зародышевой плазмы пшеницы, выявив генетическую архитектуру, лежащую в основе изменений формы и размера зерна мягкой пшеницы (Gegas et al., 2010).

Этот подход может быть применен практически к любой собранной части растения и может быть дополнительно усовершенствован.

Чтобы устранить узкие места в фенотипировании рисовых колосков, была разработана интегрированная и полностью автоматическая машина: установка SEA может автоматически обмолотывать рисовые метелки, оценивать показатели урожайности с производительностью до 1440 растений в день и средней абсолютной процентной ошибкой менее 5% (Duan et al., 2011).

Аналогичные подходы были использованы для зерен кукурузы (Miller et al., 2017), стеблей (Mazaheri et al., 2019), для которых были идентифицированы гены-кандидаты для признаков сосудистых пучков и кожуры, а также метелок (Gage et al., 2017).

Благодаря использованию недорогого планшетного сканера или цифровой 2D-камеры удобное программное обеспечение для анализа изображений с открытым исходным кодом обеспечивает повышенную доступность.

SmartGrain, бесплатный программный пакет, определяет размер и форму семян (Tanabata et al., 2012), а GrainScanпредоставляет информацию как о размерах, так и о цветовых признаках (Whan et al., 2014).

P-TRAP (AL-Tam et al., 2013) и PANorama (Crowell et al., 2014) благодаря удобным графическим пользовательским интерфейсам (GUI) рекомендуются в качестве гибких инструментов для эффективного количественного определения как характеристик рисовой метелки, так и характеристик зерна с хорошей точностью.

Мобильное приложение SeedCounter, работающее на операционной системе Android, позволяет с высокой эффективностью измерять количество и размер зерен (20–60 с для 50 зерен) (Komyshev et al., 2016).

Несмотря на то, что методы 2D-визуализации/сканирования надежны и быстры, они не способны охватить большую часть морфологических и других сложностей, обычно встречающихся в биологическом материале.

Фено-Сеялка может извлекать 3D-признаки из отдельных семян (Jahnke et al., 2016), которые затем можно проследить до ранних сеянцев.

Гиперспектральная визуализация может использоваться для определения чистоты зерна (Wallays et al., 2009), зерен пшеницы, поврежденных насекомыми (Singh et al., 2010), и содержания белка в зерне (Wang et al., 2004; Sunet al., 2019), потенциально объединяя в будущем как трехмерную структурную, так и физиологическую информацию.

Альтернативный подход к 3D-морфометрии включает перепрофилирование существующих методов биомедицинской визуализации, таких как рентгеновская микрокомпьютерная томография (микро-КТ) (Hughes etal., 2017).

Применение микроКТ для генетики растений потребует разработки специального программного обеспечения, а также увеличения производительности.

В конечном счете, многомерные характеристики семян необходимо сочетать с инструментами генетического анализа (такими как GWAS или QTL) для анализа генетической архитектуры агрономических признаков.

Примеры включают структуру метелки сорго (Zhou et al., 2019) и содержание белка в зернах риса (Sun et al., 2019).

Более того, снижение стоимости этих новых инструментов фенотипирования на основе фотоники и повышение их надежности и расширяемости могут принести пользу исследованиям зерна сельскохозяйственных культур в будущем. 196 Молекулярный завод 13, 187–214, февраль 2020 ª Автор 2020.

Молекулярный завод: Перспективы феномики сельскохозяйственных культур MOLP 882

В последние годы широко обсуждались многие методы фенотипирования, например, фенотипирование корней (Atkinson et al., 2019), дистанционное зондирование (Maes and Steppe, 2019), DL для стресса растений (Singh et al., 2018), а также гиперспектральные и другие технологии визуализации в фитопатологии (Mahlein et al., 2018).

Однако генетические исследования и применения селекции сельскохозяйственных культур, которые уже получили пользу от этих технологий, редко пересматриваются.

Высокопроизводительное фенотипирование и генетическое картирование Здесь мы сосредоточимся на генетических исследованиях, которые получили прямую пользу от платформ механизированного фенотипирования (таблица 2), как в лаборатории, так и в полевых условиях.

Фенотипические данные, перечисленные в Таблице 2, можно разделить на признаки, относящиеся к органам/тканям (Leiboff et al., 2015; Wu et al., 2019), морфологические признаки растений и особенности архитектуры листьев (Bac-Molenaar et al., 2015; Yang et al., 2015; Condorelli et al., 2018), анатомические признаки корней (Courtois et al., 2013; Shi et al., 2013; Xie et al., 2017), признаки, связанные с биомассой или ростом (Busemeyer etal., 2013b; Muraya et al., 2017; Zhang et al., 2017), признаки, связанные с реакцией на засуху и засоление (Honsdorfet al., 2014; Al-Tamimi et al., 2016; Guo et al., 2018a; Condorelli et al., 2018), и признаки, связанные с урожайностью. (Yang et al., 2014; Crowell et al., 2016; Zhou et al., 2019), которые использовались при генетическом картировании и обсуждаются ниже.

Размер апикальной меристемы побега (SAM) на стадии всходов коррелирует с фенотипами раннего цветения кукурузы, которые уменьшают количество дней до цветения.

Используя высокопроизводительный конвейер обработки изображений, морфологические признаки SAMкукурузы (форма и размер) были извлечены из ассоциативной панели и популяции обратного скрещивания (BC).

Анализы GWAS и QTL продемонстрировали, что микроскопическая морфология SAM проростков является предиктором фенотипов взрослых особей и что новые гены, связанные с морфометрическими вариациями SAM, способствуют регуляции размера SAM (Leiboff et al., 2015, 2016).

Совместив высокопроизводительную систему визуализации micro-CT-RGB и GWAS, можно было получить признаки куста риса и признаки роста куста, а также признаки растений девяти стадий роста, и в общей сложности было идентифицировано 402 значимо связанных локуса.

Кроме того, для дальнейших исследований были идентифицированы два локуса, содержащие ассоциации как с признаками, связанными с энергией, так и с урожайностью (Wu et al., 2019).

Листья в основном участвуют в фотосинтезе и транспирации (Wang et al., 2011).

Размер, форма, степень зелености листьев (содержание хлорофилла) и количество листьев определяют фотосинтетический потенциал растения и потенциал урожайности (Pérez-Pérez et al., 2010; Wang et al., 2015).

Два исследования по генетическому картированию признаков листьев риса и кукурузы были проведены в HRPF(Yang et al., 2015).

Они провели GWAS по 29 признакам листьев (т. е. размеру, форме и цвету листьев) на панели из 533 образцов риса на трех стадиях роста, используя разработанную ими систему высокопроизводительной оценки листьев (HLS) и обнаружили множество локусов, в том числе девять локусов, содержащих известные гены, связанные с листьями, связанные с характеристиками листьев.

У кукурузы были получены 22 признака архитектуры листьев популяции RIL в 16 моментов времени и использованы для картирования QTL.

Более того, некоторые характеристики листьев (например, угол наклона листьев и распределение длины листьев) являются прогностическими показателями конечного урожая.

Интересно, что горячая точка QTL для SDLC на хромосоме 10 перекрывается с горячей точкой QTL (Zhang et al., 2017), связанной с метаболическими особенностями.

Анатомические особенности корня оказывают важное влияние на получение питательных веществ и воды из почвы и транспортировку к надземным частям растений (Zhao et al., 2019).

Раскрытие генетической основы особенностей корней будет полезно для улучшения архитектуры корней сельскохозяйственных культур и обещает привести к повышению эффективности использования воды и питательных веществ. (Atkinson et al., 2019).

Топп и др. (2013) проанализировал генетическую основу 25 связанных с корнями признаков, полученных с помощью полуавтоматической трехмерной визуализации in vivo и конвейера цифрового фенотипирования в популяции риса, картированной с двумя родителями.

Куртуа и др. (2013) выполнил GWAS для 15 признаков корней риса с помощью системы фотографии и обнаружил, что большинство ассоциаций было выявлено для массы глубоких корней и количества глубоких корней, тогда как не было обнаружено никаких ассоциаций для общей биомассы корней или пропорций глубоких корней.

У Brassica napus анализ признаков, связанных с архитектурой корня, в условиях высокого фосфата (Pi) и низкого Pi привел к идентификации 38 QTL (Shi et al., 2013).

Засуха и засоление являются двумя важными типами абиотического стресса во многих средах, которые могут вызывать схожие фенотипические эффекты (Munns and Tester, 2008; Munns et al., 2010).

Реакция на стресс засухи взаимодействует со многими другими параметрами окружающей среды (например, температурой, относительной влажностью воздуха, воздушным потоком, освещением, качеством и сушкой почвы, наличием питательных веществ) (Granier et al., 2006), и поэтому их особенно сложно воспроизвести в полевых условиях.

Количественное измерение показателей устойчивости к засухе (DR) (т. е. индикатор скручивания листьев) в сочетании с высокопроизводительными платформами фенотипирования предоставило возможность измерить как традиционные, так и новые признаки DR, а также найти гены, связанные с DR (таблица 2).

Например, на основе Scanalyzer3D компании LemnaTec 44 и 21 DR QTL были идентифицированы в наборе интрогрессивных линий дикого ячменя (Honsdorf et al., 2014) и популяции RIL пшеницы в условиях водного стресса (Parent et al., 2015) соответственно.

В исследовании на рисе 51 i-признак и традиционные признаки DR были идентифицированы в ассоциативной панели и популяции RIL с использованием средства недеструктивного фенотипирования, а 93% локусов, обнаруженных в GWAS, были колокализованы с ранее сообщенными QTL, связанными с DR, и некоторыми локусами, содержащими известные гены, связанные с DR.

Шестьдесят девять ассоциаций итраит-локус были идентифицированы как с помощью GWAS, так и с помощью анализа сцепления.

Роль гена DR, OsPP15, была подтверждена экспериментами по генетической трансформации, продемонстрировавшими, что сочетание высокопроизводительного фенотипирования и генетического картирования является многообещающим новым подходом для открытия генов, вызывающих DR (Guo et al., 2018a) и другие признаки.

Благодаря различным платформам фенотипирования, технологиям секвенирования, GWAS (Huang et al., 2010), статистическим методам генетического картирования (van Eeuwijk et al., 2010) выявлено множество локусов, контролирующих урожайность и ее компоненты у различных сельскохозяйственных культур (табл. 2).

Однако большая часть работ, перечисленных в Таблице 2, находится на стадии идентификации QTL, и остается еще ряд вопросов, требующих решения.

Первый вопрос: когда нам понадобится высокопроизводительное фенотипирование, которое зависит от целей исследования: (1) характеристика динамических QTL для сложного признака на нескольких стадиях развития (Liand Sillanp€ a€ a, 2015); (2) сравнение QTL по одним и тем же признакам у разных крупномасштабных видов (например, риса и кукурузы); (3) the

Таблица 2. Платформы для выявления вариаций признаков и генотипов.

измерения некоторых характеристик субъективны и подвержены ошибкам (например, визуальная оценка скручивания листьев), или некоторые характеристики не могут быть измерены вручную неразрушающим способом (например, цифровая биомасса, архитектура корневой системы). Второй вопрос заключается в том, как использовать обширные списки фенотипических признаков при генетическом картировании. Одним из хороших примеров является проведение анализа главных компонентов (PC) для извлечения PC определенной категории фенотипических признаков и объединение показателей PC и GWAS для идентификации гена, контролирующего архитектуру риса (Yano et al., 2019). Третий вопрос заключается в том, как быстро клонировать гены-кандидаты из большого количества QTL. Одним из решений является объединение технологии генетической трансформации, технологии CRISPR/Cas9, других данных омики и статистических методов для ускорения клонирования QTL(e.g., QTG-seq; Zhang et al., 2019a). Эта информация может быть использована в стратегиях, основанных на омике, а также в системной и синтетической биологии, в программах селекции молекулярного дизайна или молекулярных модулях и будет значительно способствовать будущим агрономическим улучшениям (рис. 2A) (Liet al., 2018; Wing et al., 2018; Zhang et al., 2019b). Высокопроизводительное фенотипирование и геномная селекция. Геномная селекция (GS) использует полногеномные маркеры и статистическое моделирование для выбора сложных признаков, контролируемых многими аллелями, с небольшими эффектами. Впервые он был применен в разведении крупного рогатого скота (Meuwissen et al., 2001), но с учетом постоянно снижающейся стоимости секвенирования в последние годы, GS становится мощным инструментом для оценки племенной ценности в селекции сельскохозяйственных культур (Taylor, 2014). Его преимущество заключается в том, что можно предсказать, как будут вести себя сельскохозяйственные культуры, еще до полевых испытаний. Для разработки точной и надежной прогностической модели необходимы огромные объемы данных о генотипах и фенотипах особей или линий (Meuwissen et al., 2001). С развитием технологии секвенирования нового поколения маркеры можно будет легко и точно получать. Однако фенотипирование представляет собой серьезное узкое место. Было продемонстрировано, что высокопроизводительные платформы фенотипирования повышают GS в зерновых культурах. Например, БПЛА с блоком дистанционного зондирования с камерой RGB или ближней инфракрасной, зеленой и синей (NIR-GB) камерой использовался для высокопроизводительного фенотипирования высоты растений сорго и различных моделей геномного прогнозирования (Watanabe et al., 2017). Дистанционное зондирование с помощью БПЛА станет важным и незаменимым инструментом для высокопроизводительной селекции сельскохозяйственных культур с помощью геномики благодаря его относительно низкой стоимости и простоте в эксплуатации (Watanabe et al., 2017). Данные о вторичных признаках (температура покрова, а также зеленый и красный NDVI), полученные с помощью дистанционного зондирования, могут быть использованы для пшеницы GS для повышения точности прогнозирования урожайности зерна (Rutkoski et al., 2016).

Более того, Международный центр улучшения кукурузы и пшеницы (CIMMYT) обнаружил, что стратегии GSявляются для селекционеров удобным способом увеличить скорость генетического прироста и более эффективно отбирать превосходные высокоурожайные сорта сельскохозяйственных культур после исследования нескольких методов GS, сочетающих данные динамического высокопроизводительного фенотипирования и 2254 маркеров генотипирования путем секвенирования (GBS) 1170 передовых линий пшеницы (Crain et al., 2018).

Сенсорное фенотипирование и ассистент селекции.

Технологии фенотипирования на основе изображений могут быстро и точно количественно определять признаки биотической/абиотической устойчивости, а также урожайность и качество зерна, а также обладают высоким потенциалом для ускорения селекции сельскохозяйственных культур.

Это иллюстрирует сравнение традиционного долгосрочного эксперимента по разведению с более поздним примером, поддерживаемым технологиями.

В 1896 году в Иллинойсе Хопкинс начал долгосрочный направленный рекуррентный отбор по концентрации масла в кукурузе, увеличив содержание масла с 4,69% до 20,37% примерно за 100 поколений (Dudley and Lambert, 2004), в то время как Song et al. (1999) разработал синтетические популяции в Китае, в которых содержание масла увеличилось с 4,71% до 15,55% всего за 18 циклов селекции (Song and Chen, 2004).

Это относительное ускорение во многом можно отнести на счет МРТ и БИК-спектроскопии.

Другой пример касается технологии двойных гаплоидов (DH), которая уже широко используется в программах коммерческой селекции культур (Ishii et al., 2016).

Существует постоянная потребность в лучшем распознавании гаплоидных и гибридных ядер.

Автоматическая система скрининга для идентификации гаплоидных зерен кукурузы, основанная на значении эффекта ксении содержания масла и обнаружении ядерного магнитного резонанса (ЯМР), разработанная Китайским сельскохозяйственным университетом, идентифицировала индуцированные in vivo гаплоидные семена со средней точностью более 90% (Liu et al., 2012), что благоприятно ускорит процесс селекции.

Кроме того, цифровая система визуализации (Yang et al., 2014; Liang et al., 2016; Makanza et al., 2018) может быстро оценить характеристики зерна, связанные с урожайностью и качеством.

Например, высокопроизводительный счетчик свойств ядра кукурузы имел эффективность, которая была в семь раз выше, чем у ручных операторов (Liang et al., 2016).

Кроме того, с помощью рентгеновской микроКТ (Zhang et al., 2018) можно измерить сосудистые пучки кукурузы, как ключевые пути транспортировки воды, минеральных питательных веществ и органических веществ.

Фенотипирование является ключевым фактором для установления точности статистических моделей в традиционном разведении, отборе с помощью маркеров (MAS) или GS; однако высокопроизводительное полевое фенотипирование по-прежнему является узким местом в этих областях (Araus et al., 2018).

Действительно, выведение новых сортов и сосредоточение внимания на рентабельности являются ключевыми задачами селекционных компаний и селекционеров.

Для улучшения управления данными селекции и оптимизации программ селекции было разработано множество коммерческих программ для селекции растений, таких как AGROBASE Generation II (https://www.agronomix.com/) и Менеджер по обмену информацией об исследованиях растений (PRISM, http://www.sytseed.com/).

Однако на сегодняшний день большая часть коммерческого программного обеспечения для разведения имеет ограниченную функциональность.

Таким образом, для селекции сельскохозяйственных культур срочно необходима разработка многофункционального программного обеспечения для селекции, которое объединяет геномы, фенотипы, окружающую среду, управление данными и мультиомный анализ данных и может выполнять генетическое картирование.

С целью содействия сотрудничеству путем содействия общению между заинтересованными сторонами в научных кругах, промышленности, правительстве и широкой общественности в ноябре 2015 года 17 учреждений создалиIPPN, а в 2019 году их число увеличилось до 44 (https://www.plant-phenotyping.org/).

IPPN проводил регулярные исследования тенденций в фенотипировании сельскохозяйственных культур, и основные выводы заключались в том, что (1) инфраструктуры статического фенотипирования были сконцентрированы в Европе и Австралии (рис. 3А), но с увеличением инвестиций в США и Китае; (2) инфраструктура быстро развивалась за последние 5 лет (рис. 3B); и (3) по всему миру создано более 82 механизированных платформ для фенотипирования в помещении, при этом наибольшая доля этих инфраструктур находится в контролируемых средах (59%), а полевые платформы составляют лишь 18% (рис. 3C).

Что касается трех исследований, проведенных в 2014–2018 годах, по нашему мнению, ключевыми темами были фенотипирование корней, абиотический стресс, полевое фенотипирование, управление данными и затраты (рис. 3D), которые представляют собой проблемы, которые обсуждаются в следующих разделах.

Кроме того, мы искали темы феномики сельскохозяйственных культур или высокопроизводительного фенотипирования сельскохозяйственных культур в Web of Science и наблюдали аналогичные тенденции в количестве опубликованных статей (рис. 3B) и наиболее упоминаемых видов (рис. 3E).

Будущее фенотипирование корней в полевых условиях: потребность в инновациях под землей Эффективным методом оценки RSA по-прежнему остается просто выкопать корневую систему и встряхнуть или смыть почву; часто называемый

«шовеломика» при масштабировании до уровня поля (Trachsel et al., 2010). Хотя этот метод является разрушительным и несколько неприятно беспорядочным, получение изображений может быть относительно быстрым (до 5000 изображений в час), и эти изображения могут быть богаты информацией о признаках (39 корневых признаков). Другие методы фенотипирования корней включают, например, метод разрушения сердцевины, который был предложен для определения глубины корня (Wasson et al., 2017), и миниризотроны с датчиками визуализации для наблюдения за ростом корня.

(Svane et al., 2019). Но как метод разрушения сердцевины, так и метод миниризотрона могут обнаружить только ограниченное количество корней, а измерения корней зависели от положения образца. Некоторые методы неразрушающего обнаружения, такие как георадар (Delgado et al., 2017) и электроимпедансная томография (Corona-Lopez et al., 2019), можно использовать для фенотипирования корневой биомассы и развития корней. Однако пространственное разрешение обоих методов значительно ниже (см/пиксель), и отдельные тонкие корни трудно обнаружить. На сегодняшний день недеструктивное фенотипирование корней в полевых условиях остается проблемой из-за отсутствия подходящей технологии. Пытаясь решить эту проблему, Министерство энергетики США в 2017 году профинансировало проект ROOTS (https://arpa-e.energy.gov/? q=programs/roots), целью которого является оценка и разработка новых подходов, таких как термоакустическая томография (ТАТ), визуализация связанных частиц (API) с использованием нейтронов, томографическая электрическая визуализация ризосферы (TERI), недорогая рентгеновская КТ и рентгеновские платформы с обратным рассеянием, чтобы динамически изображение РСА. Долгосрочное обоснование инвестиций связано с производством культур, которые увеличивают поглощение углерода и снижают выбросы N2O в полевых условиях. Поскольку развитие БПЛА и сенсорных технологий в настоящее время приносит пользу фенотипированию купола в полевых условиях, мы считаем, что прорывные технологии могут обеспечить аналогичные преимущества под землей. Современные методы фенотипирования абиотического стресса. Генетическая архитектура абиотической толерантности, такой как DR, сложна и находится под влиянием множества аллелей с небольшими эффектами (Fukao and Xiong, 2013). Таким образом, поиск общей толерантности к засухе с использованием отдельных генов с основным эффектом почти всегда разочаровывал (Passioura, 2012). Еще предстоит решить несколько проблем, связанных с высокопроизводительными платформами фенотипирования и высокопроизводительными конвейерами анализа изображений, которые можно использовать для извлечения обширного списка 2D- и 3D-фенотипических признаков, связанных со стрессом, и которые имеют потенциал для понимания толерантности с течением времени: (1) Можно ли разложить сложности толерантности на простые и более наследуемые черты? Это может быть возможно с использованием недеструктивного фенотипирования и признаков, основанных на изображениях; сложный DR, например, можно разделить на высоконаследуемые и простые признаки, основанные на изображениях (i-признаки), включая признаки цифрового пребывания в зеленом состоянии и цифрового свертывания листьев (Guo et al., 2018a). Если локусы (гены или QTL), идентифицированные с помощью этих простых признаков, также могут влиять на урожайность при различных стрессовых сценариях, то эффекты идентифицированных локусов могут принести пользу селекции сельскохозяйственных культур (Tardieu and Tuberosa, 2010).

(2) Как архитектура корней способствует повышению урожайности и устойчивости к абиотическому стрессу?

Ген DRO1, например, который контролирует угол и глубину роста корней, использовался для увеличения урожайности риса в условиях засухи путем обратного скрещивания с сортом риса с мелкой корневой системой (Uga et al., 2013).

Однако вариации в архитектуре и функциях корней не часто напрямую используются в селекции, во многом из-за огромных сложностей при оценке свойств корней. (3) Может ли DL устранить узкое место в анализе данных?

DL — это универсальный инструмент, который можно использовать для анализа больших наборов данных о стрессе сельскохозяйственных культур ICQP (идентификация, классификация, количественная оценка и прогнозирование) (Singh et al., 2018).

Однако из-за выдающихся результатов в идентификации заболеваний большинство моделей DL применялись для выявления биотического стресса и заболеваний.

В будущем, благодаря различным сенсорным технологиям (гиперспектральные, тепловые, КТ, терагерцовые, МРТ, радары и т. д.) и большим многомасштабным (лабораторно-полевым) наборам фенотипических данных, включающим данные о погоде и других условиях окружающей среды, DL также можно будет использовать для количественной оценки абиотического стресса и прогнозирования локусов, которые контролируют толерантность к стрессу посредством интеграции с генетической информацией и другой омической информацией.

Этот подход, скорее всего, будет лучше всего работать с большими и хорошо аннотированными наборами данных, что дает возможность использовать открытые данные.

Узкое место полевого фенотипирования и перспективы на будущее В предыдущем разделе мы обсудили применение наземных, БПЛА и портативных методов полевого фенотипирования, которые имеют преимущества и ограничения.

С быстрым развитием БПЛА и периферийного оборудования быстро появляются многие новые платформы для дистанционного зондирования на малых высотах, такие как причальные платформы БПЛА, камеры с разрешением 100 000 000 пикселей, мультисенсорные интегрированные платформы, миниатюризация и упрощение платформ БПЛА.

Платформа БПЛА частично заменит наземную платформу фенотипирования и, вероятно, получит широкое распространение на основе новых технологий в будущем.

Кроме того, интегрированное специальное программное обеспечение для обработки изображений БПЛА и стандартизированное аналитическое программное обеспечение, вероятно, станут доступными для более широкого круга пользователей, что позволит неспециалистам обрабатывать и анализировать, например, гиперспектральные, тепловые данные или данные LiDAR.

Для наземного фенотипирования одним из трендов является разработка полевых интеллектуальных роботов, таких как BreedVision (Busemeyer et al., 2013a).

Эти типы роботов, оснащенные множеством датчиков, интегрированных в камеру визуализации для обеспечения хорошего качества изображения и автоматической навигации, могут гибко переходить к фенотипированию различных областей и в будущем могут совместно работать в полевых условиях.

Что касается портативных инструментов фенотипирования, одной из тенденций является интеграция нескольких датчиков в одно портативное устройство и разработка встроенного программного обеспечения для анализа данных для совместного получения и управления большим количеством признаков.

Другая тенденция заключается в уменьшении вмешательства человека и добавлении процессов стандартизации данных для повышения надежности и эффективности измерений.

Благодаря достижениям в области методов анализа искусственного интеллекта, мобильных сетей пятого поколения и облачных технологий в последние годы, вероятно, будут разработаны более умные «карманные» инструменты фенотипирования, которые заменят ручное полевое фенотипирование, которое существовало уже тысячи лет.

Кроме того, чтобы достичь реального ощущения «экономного фенотипирования», следует учитывать компромисс между инвестициями в методы фенотипирования и затратами на рабочую силу, которые в основном зависят от различных целей (Reynolds et al., 2019b).

Сбор данных в полевых условиях с использованием высокопроизводительных технологий в последние годы претерпел быстрые изменения.

Однако сейчас ограничивающим фактором является то, как управлять и анализировать огромные объемы данных, собранных с полей с помощью высокопроизводительных технологий.

Во-первых, должна быть четко сформулирована биологическая цель сбора данных.

Далее, срочно необходимы надежные и удобные для пользователя инструменты постобработки и анализа для обработки и интерпретации необработанных данных, которые следует улучшить (Araus and Cairns, 2014).

For Molecular Plant 13, 187–214, февраль 2020 г. ª Автор, 2020 г. 205 Перспектива феномики сельскохозяйственных культур Molecular Plant Например, объединение DL и нескольких оптических изображений, полученных в различных полевых условиях, позволит создать надежные модели для фенотипирования заболеваний и даже раннего обнаружения стресса растений (Singh et al., 2018).

Ежегодно тысячи экспериментов по фенотипированию на объектах выращивания с контролируемой средой или в полевых условиях будут давать большие объемы фенотипических данных.

Однако повторение результатов одного и того же исследователя или воспроизводимость результатов разными лабораториями в независимых экспериментах часто неудовлетворительны из-за необъяснимой изменчивости сред (Poorter et al., 2012).

Таким образом, факторы окружающей среды имеют жизненно важное значение, и им следует уделять как минимум такое же внимание, как и измеряемым характеристикам, что приводит к следующему вопросу: как измерить все воздействия на окружающую среду?

Энвиротипирование, определяемое как полный набор высокопроизводительных и точных технологий окружения нового поколения, могло бы помочь решить эту проблему. (Xu, 2016) .

Более того, интегрируя информацию о мультитипировании, можно также исследовать взаимодействие управления средой генотипирования 3 (G3E3M), и станет возможной прогностическая феномика (Xu, 2016; Araus et al., 2018).

В последние годы рост урожайности сельскохозяйственных культур (генетический прирост) замедляется, на что влияет несколько факторов, например, популяция, генотип, наследственность, модель GS и схема селекции (Xu etal., 2020).

В сочетании с оптимизированным экспериментальным дизайном, высоким качеством полевых испытаний, надежной моделью сельскохозяйственных культур, энвиротипированием и другими стратегиями высокопроизводительное и точное фенотипирование улучшит наследственность и потенциал генетической выгоды (Araus et al., 2018).

Анализ данных изображений и организация больших данных.

Форматы данных изображений сильно различаются в зависимости от различных датчиков изображения (например, RGB, тепловых, гиперспектральных, КТ; рисунок 2B), поэтому сложно завершить общий процесс анализа изображений.

Хотя анализ фенотипических данных не является предметом этого обзора, мы резюмируем рабочий процесс анализа данных изображений (рис. 2B): (1) предварительная обработка изображений для вырезания или объединения необработанных изображений, повышения контрастности изображения, удаления шума и преобразования пространства, чтобы изображение было легко обрабатывать на следующем этапе; (2) сегментация изображения (например, пороговая, морфологическая обработка) для выделения интересующих объектов из фона; (3) извлечение признаков для получения необработанных признаков в соответствии с экспериментальными целями, которые в основном включают оттенки серого, градиент, края, счетчик, форму, размер, текстуру, угловую точку, цветовые характеристики и т. д.; (4) после извлечения огромного количества необработанных признаков следует использовать предварительную обработку признаков и выбор признаков для фильтрации и изучения ключевых признаков; (5) интеллектуальный анализ данных, например, построение динамического роста с использованием механистических моделей (Chen et al., 2014) или с использованием DL (например, глубоких нейронных сетей [DNN] или рекуррентных нейронных сетей [RNN]); (Singh et al., 2018), чтобы изучить больше пространственной и временной информации.

Одной из проблем использования DL является недостаточное количество наборов обучающих данных, которую можно разумно решить с помощью гражданской науки (Giuffrida et al., 2018).

Есть обзоры на программное обеспечение и алгоритмы анализа изображений (Fiorani and Schurr, 2013; Perez-Sanzet al., 2017; Atkinson et al., 2019).

Интересно, что онлайн-база данных, ссылающаяся на более чем 90 программных решений для анализа изображений растений, поможет пользователям быстро найти подходящие решения, и ей рекомендовано (Lobet etal., 2013).

После получения огромных объемов данных возникает следующий вопрос: как управлять большими данными?

Чтобы управлять и интегрировать огромные объемы данных от мультиоптических и других датчиков, Уилкинсон и др. (2016) предложил принцип FAIR (находимость, доступность, идентифицируемость и возможность повторного использования), позволяющий находить и повторно использовать данные разными людьми или группами.

Это означает, что все необходимые метаданные, такие как информация о ресурсах и сборе данных, протоколы измерений, описание данных и условия окружающей среды, должны быть четко определены и доступны.

В соответствии с принципом FAIR также было предпринято несколько усилий по управлению и анализу данных, например, PHENOPSIS DB (Fabre et al., 2011) и CropSight (Reynolds et al., 2019a).

Однако фенотипические данные редко используются повторно, в отличие от геномных и других данных омики.

Большая часть фенотипических данных, несмотря на соответствие критериям FAIR, не является общедоступной, и мы поощряем развитие инфраструктур ОТКРЫТЫХ данных или публикацию первичных данных с DOI.

Это облегчит повторное использование данных и, что не менее важно, разработку, тестирование и сравнение технологий.

Чтобы проложить путь для обмена и повторного использования данных, необходимо четко определить некоторые общие стандарты управления и форматы данных.

Одним из хороших примеров для биологии растений является киберинфраструктура iPlant (CI), проект с открытым исходным кодом, поддерживаемый Национальным научным фондом США (NSF), который обеспечивает высокопроизводительные вычисления, простое в использовании программное обеспечение для биоинформатики и доступ к большим данным, а также способствует сотрудничеству в различных междисциплинарных дисциплинах, таких как биология растений, биоинформатика, информатика и т. д. (Goff etal., 2011).

Документ «Минимальная информация об эксперименте по фенотипированию растений» (MIAPPE) был предложен и рекомендован в качестве необходимого набора метаданных в формате ISA-Tab, который в основном включал фенотипические данные, окружающую среду, дизайн эксперимента, ресурсы и т. д. ( Cwiek-Kupczy nskaet al., 2016).

Чтобы поддержать аннотацию данных и избежать неоднозначного описания, онтология является ключом к облегчению построения набора данных.

Онтология культур в программе «Вызов поколения» была предложена Консультативной группой по международным сельскохозяйственным исследованиям (CGIAR) с целью разработки онлайн-интегрированного инструмента управления данными GP (генотипических и фенотипических) по нескольким видам и нескольким международным институтам сельскохозяйственных исследований (Shrestha et al., 2012).

Оэллрих и др. (2015) использовал общие онтологии, стандарты аннотаций и общие форматы для аннотирования 2741 генотипа с 2023 уникальными заявлениями о качестве объектов и проведения межтаксонного фенотипического анализа данных (например, определения одного и того же пути как при гравитропизме кончика корня арабидопсиса, так и при дефекте внутреннего уха у людей).

Дополнительные базы данных или программное обеспечение с открытым исходным кодом, такие как Phenobook(open software for data collection in plant breeding; Crescente et al., 2017), база данных Planteome (an integratedontology resource; Cooper et al., 2018), BrAPI (an application programming interface for plant breeding; Selby et al., 2019), были разработаны для пользы как фундаментальных исследований в области биологии растений, так и селекции растений.

В некоторых обзорах описывается стандартизация данных с помощью MIAPPE (Bolger et al., 2019) и интеграция данных (Coppens et al., 2017).

Функциональная геномика культур вступила в крупномасштабную и мультиомную стадию.

Растет интерес к объединению данных феномики с геномными данными и другими омическими данными, такими как метаболомика, протеомика и транскриптомика.

Хранение данных должно быть стандартизировано, чтобы облегчить совместный анализ и повторный анализ данных независимых экспериментов или взаимосвязей с другими доступными биологическими базами данных и ресурсами (Billiau et al., 2012).

Поэтому для создания базы данных мультиомной информации необходимы комплексное описание метаданных и согласованные онтологии.

Однако огромные объемы собранных данных разбросаны по небольшим частям во многих лабораториях и различаются по формату и качеству (Li et al., 2018).

Обмен данными и их стандартизация в различных сообществах остаются большой проблемой.

Еще одной проблемой является отсутствие финансирования и инфраструктуры данных для обработки этих данных. (Bolger et al., 2019).

Чтобы справиться с этими проблемами, необходимо предпринять усилия по синергизму, а интегрированные ресурсы и биоинформационные технологии будут способствовать функциональной геномике сельскохозяйственных культур и усилиям по селекции сельскохозяйственных культур.

Ключ к успеху в будущем.

Задача: талант и совместное сотрудничество.

В ближайшее десятилетие для решения проблем, обсуждавшихся ранее, акцент должен быть сделан на инновационные методы под землей, современные методы анализа абиотического стресса или других сложных признаков, интеллектуальное и легко продвигаемое полевое фенотипирование, стандартизацию данных и мультиомное анализ данных.

Кроме того, следует также рассмотреть вопрос о создании талантов в области феномики, еще до строительства центра фенотипирования.

К сожалению, экспертов по фенотипам мало, а потеря исследователей (например, специалистов по анализу данных изображений) в настоящее время является обычным явлением.

По нашему мнению, чтобы устранить это узкое место, необходимо следующее: (1) технические инновации: ценность традиционного сельского хозяйства должна быть повышена, чтобы привлечь больше талантов из промышленности; (2) более междисциплинарная подготовка по феномике, особенно в сельскохозяйственных университетах или колледжах; Сельскохозяйственный университет Хуачжун (Ухань, Китай) планирует открыть новую специальность «Интеллектуальное сельское хозяйство» в 2020 году, что, по нашему мнению, будет способствовать развитию междисциплинарных талантов в будущем; (3) обмен данными: обмен нужными данными и правильными вопросами для привлечения большего количества компьютерных специалистов для бесплатного решения проблем, даже если решения не идеальны (Tsaftaris and Scharr, 2018) .

Благодаря быстрому развитию сенсорных технологий, машинного зрения, технологий автоматизации, мобильных сетей пятого поколения, облачных технологий и искусственного интеллекта (DL), фенотипирование продемонстрировало огромную эффективность в продвижении фундаментальных исследований сельскохозяйственных культур и селекции сельскохозяйственных культур.

В дополнение к техническим достижениям и развитию талантов, определенное международное сотрудничество также могло бы облегчить решение этих проблем.

Проекты европейского сообщества фенотипирования, в том числе EPPN2020 (https://eppn2020.plant-phenotyping.eu/) и COST Action (http://www.cost.eu/COST_Actions/), продемонстрировали эффективность объединения фенотипирования и различных ученых-омиков для содействия селекции сельскохозяйственных культур.

Для содействия следующей «зеленой революции» в селекции сельскохозяйственных культур следует также поощрять разработку Международного проекта «Феном сельскохозяйственных культур» (ICPP).

Для достижения этой цели мы призываем к скоординированным усилиям международных сетей мультиомики и различных дисциплин, а также к скоординированной финансовой поддержке во многих странах.

Мы благодарим Национальную программу ключевых исследований и разработок Китая (2016YFD0100101-18, 2016YFD0100103), Национальный фонд естественных наук Китая (31770397, 21800305), Фонд фундаментальных исследований центральных университетов (2662017PY058, 2662017QD044), британско-китайский грант BBSRC(грант № BB/R02118X/1) и Национальный институт продовольствия и сельского хозяйства Министерства сельского хозяйства США, Hatch. проект (ALA014-1-16016).

W.Y., H.F. и X.Z. совместно написали статью, подготовили рисунки и таблицы.

JZ, JHD, WDB, LX и JY. помог доработать и улучшить статью.

Мы благодарим Цзявэй Ши из Сельскохозяйственного университета Хуачжун за помощь в подготовке цифр, а также благодарим Роланда Пьерушку и Ули Шурра из Forschungszentrum Julich GmbH за предоставление базы данных и веб-сайта IPPN.

Мы приносим извинения тем коллегам, чьи работы не удалось цитировать из-за нехватки места.

Конфликт интересов не заявлен.

Поступила: 11 октября 2019 г.

Доработана: 6 января 2020 г.

Принята: 10 января 2020 г.

Опубликована: 21 января 2020 г.

Aasen, H., Honkavaara, E., Lucieer, A., and Zarco-Tejada, P.J. (2018). Quantitative remote sensing at ultra-high resolution with UAV spectroscopy: a review of sensor technology, measurement procedures, and data correction workflows. Rem. Sens. 10:1091. Adão, T., Hru ska, J., Pádua, L., Bessa, J., Peres, E., Morais, R., and

Sousa, J.J. (2017). Hyperspectral imaging: a review on UAV-based sensors, data processing and applications for agriculture and forestry. Rem. Sens. 9:1110.

AL-Tam, F., Adam, H., dos Anjos, A., Lorieux, M., Larmande, P., Ghesquiere, A., Jouannic, S., and Shahbazkia, H.R. (2013). P- TRAP: a panicle trait phenotyping tool. BMC Plant Biol. 13:122.

Al-Tamimi, N., Brien, C., Oakey, H., Berger, B., Saade, S., Ho, Y.S., Schmockel, S.M., Tester, M., and Negrao, S. (2016). Salinity tolerance loci revealed in rice using high-throughput non-invasive phenotyping. Nat. Commun. 7:13342.

Aquino, A., Barrio, I., Diago, M.-P., Millan, B., and Tardaguila, J. (2018). vitisBerry: an Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis. Comput. Electron. Agric. 148:19–28.

Araus, J.L., and Cairns, J.E. (2014). Field high-throughput phenotyping: the new crop breeding frontier. Trends Plant Sci. 19:52–61.

Araus, J.L., Kefauver, S.C., Zaman-Allah, M., Olsen, M.S., and Cairns, J.E. (2018). Translating high-throughput phenotyping into genetic gain. Trends Plant Sci. 23:451–466.

Atieno, J., Li, Y., Langridge, P., Dowling, K., Brien, C., Berger, B., Varshney, R.K., and Sutton, T. (2017). Exploring genetic variation for salinity tolerance in chickpea using image-based phenotyping. Sci. Rep. 7:1300.

Atkinson, J.A., Wingen, L.U., Griffiths, M., Pound, M.P., Gaju, O., Foulkes, M.J., Le Gouis, J., Griffiths, S., Bennett, M.J., King, J., et al. (2015). Phenotyping pipeline reveals major seedling root growth QTL in hexaploid wheat. J. Exp. Bot. 66:2283–2292.

Atkinson, J.A., Pound, M.P., Bennett, M.J., and Wells, D.M. (2019). Uncovering the hidden half of plants using new advances in root phenotyping. Curr. Opin. Biotechnol. 55:1–8.

Atwell, S., Huang, Y.S., Vilhjalmsson, B.J., Willems, G., Horton, M., Li, Y., Meng, D., Platt, A., Tarone, A.M., Hu, T.T., et al. (2010). Genome- wide association study of 107 phenotypes in Arabidopsis thaliana inbred lines. Nature 465:627–631.

Avramova, V., Meziane, A., Bauer, E., Blankenagel, S., Eggels, S., Gresset, S., Grill, E., Niculaes, C., Ouzunova, M., Poppenberger, The Perspective of Crop Phenomics Molecular Plant B., et al. (2019). Carbon isotope composition, water use efficiency, and drought sensitivity are controlled by a common genomic segment in maize. Theor. Appl. Genet. 132:53–63.

Awlia, M., Nigro, A., Fajkus, J., Schmoeckel, S.M., Negrao, S., Santelia, D., Trtilek, M., Tester, M., Julkowska, M.M., and Panzarova, K. (2016). High-throughput non-destructive phenotyping of traits that contribute to salinity tolerance in Arabidopsis thaliana. Front. Plant Sci. 7:1414.

Bai, G., Ge, Y., Hussain, W., Baenziger, P.S., and Graef, G. (2016). A multi-sensor system for high throughput field phenotyping in soybean and wheat breeding. Comput. Electron. Agric. 128:181–192.

Bac-Molenaar, J.A., Vreugdenhil, D., Granier, C., and Keurentjes, J.J. (2015). Genome-wide association mapping of growth dynamics detects time-specific and general quantitative trait loci. J. Exp. Bot. 66:5567–5580.

Bauer, A., Bostrom, A.G., Ball, J., Applegate, C., Cheng, T., Laycock, S., Rojas, S.M., Kirwan, J., and Zhou, J. (2019). Combining computer vision and deep learning to enable ultra-scale aerial phenotyping and precision agriculture: a case study of lettuce production. Hortic. Res. 6:70.

Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., and Bareth, G. (2014). Estimating biomass of barley using crop surface models (CSMs) derived from UAV-based RGB imaging. Rem. Sens. 6:10395–10412.

Billiau, K., Sprenger, H., Schudoma, C., Walther, D., and K€ ohl, K.I. (2012). Data management pipeline for plant phenotyping in a multisite project. Funct. Plant Biol. 39:948–957.

Bodner, G., Nakhforoosh, A., Arnold, T., and Leitner, D. (2018). Hyperspectral imaging: a novel approach for plant root phenotyping. Plant Methods 14:84.

Bolger, A.M., Poorter, H., Dumschott, K., Bolger, M.E., Arend, D., Osorio, S., Gundlach, H., Mayer, K.F.X., Lange, M., Scholz, U., et al. (2019). Computational aspects underlying genome to phenome analysis in plants. Plant J. 97:182–198.

Brichet, N., Fournier, C., Turc, O., Strauss, O., Artzet, S., Pradal, C., Welcker, C., Tardieu, F., and Cabrera-Bosquet, L. (2017). A robot- assisted imaging pipeline for tracking the growths of maize ear and silks in a high-throughput phenotyping platform. Plant Methods 13:96.

Brien, C.J., Berger, B., Rabie, H., and Tester, M. (2013). Accounting for variation in designing greenhouse experiments with special reference to greenhouses containing plants on conveyor systems. Plant Methods 9:5.

Burkart, A., Hecht, V.L., Kraska, T., and Rascher, U. (2018). Phenological analysis of unmanned aerial vehicle based time series of barley imagery with high temporal resolution. Precis. Agr. 19:134–146.

Busemeyer, L., Mentrup, D., Moller, K., Wunder, E., Alheit, K., Hahn, V., Maurer, H.P., Reif, J.C., Wurschum, T., Muller, J., et al. (2013a). BreedVision–a multi-sensor platform for non-destructive field-based phenotyping in plant breeding. Sensors 13:2830–2847.

Busemeyer, L., Ruckelshausen, A., Moller, K., Melchinger, A.E., Alheit, K.V., Maurer, H.P., Hahn, V., Weissmann, E.A., Reif, J.C., and Wurschum, T. (2013b). Precision phenotyping of biomass accumulation in triticale reveals temporal genetic patterns of regulation. Sci. Rep. 3:2442.

Camargo, A.V., Mackay, I., Mott, R., Han, J., Doonan, J.H., Askew, K., Corke, F., Williams, K., and Bentley, A.R. (2018). Functional mapping of quantitative trait loci (QTLs) associated with plant performance in a wheat MAGIC mapping population. Front. Plant Sci. 9:887.

Campbell, M.T., Knecht, A.C., Berger, B., Brien, C.J., Wang, D., and Walia, H. (2015). Integrating image-based phenomics and association analysis to dissect the genetic architecture of temporal salinity responses in rice. Plant Physiol. 168:1476–1489.

Chen, D., Neumann, K., Friedel, S., Kilian, B., Chen, M., Altmann, T., and Klukas, C. (2014). Dissecting the phenotypic components of crop plant growth and drought responses based on high-throughput image analysis. Plant Cell 26:4636–4655.

Chen, D., Shi, R., Pape, J.M., Neumann, K., Arend, D., Graner, A., Chen, M., and Klukas, C. (2018). Predicting plant biomass accumulation from image-derived parameters. Gigascience 7. https://doi.org/10.1093/gigascience/giy001.

Clark, R.T., MacCurdy, R.B., Jung, J.K., Shaff, J.E., McCouch, S.R., Aneshansley, D.J., and Kochian, L.V. (2011). Three-dimensional root phenotyping with a novel imaging and software platform. Plant Physiol. 156:455–465.

Condorelli, G.E., Maccaferri, M., Newcomb, M., Andrade-Sanchez, P., White, J.W., French, A.N., Sciara, G., Ward, R., and Tuberosa, R. (2018). Comparative aerial and ground based high throughput phenotyping for the genetic dissection of NDVI as a proxy for drought adaptive traits in durum wheat. Front. Plant Sci. 9:893.

Confalonieri, R., Paleari, L., Foi, M., Movedi, E., Vesely, F.M., Thoelke, W., Agape, C., Borlini, G., Ferri, I., Massara, F., et al. (2017). PocketPlant3D: analysing canopy structure using a smartphone. Biosyst. Eng. 164:1–12.

Coppens, F., Wuyts, N., Inzé, D., and Dhondt, S. (2017). Unlocking the potential of plant phenotyping data through integration and data- driven approaches. Curr. Opin. Syst. Biol. 4:58–63.

Cooper, L., Meier, A., Laporte, M., Elser, J.L., Mungall, C., Sinn, B.T., Cavaliere, D., Carbon, S., Dunn, N.A., Smith, B., et al. (2018). The Planteome database: an integrated resource for reference ontologies, plant genomics and phenomics. Nucleic Acids Res. 46:D1168–D1180.

Cormack, A.M. (1963). Representation of a function by its line integrals with some radiological applications. J. Appl. Phys. 34:2722–2727.

Corona-Lopez, D.D.J., Sommer, S., Rolfe, S.A., Podd, F., and Grieve, B.D. (2019). Electrical impedance tomography as a tool for phenotyping plant roots. Plant Methods 15:49.

Courtois, B., Audebert, A., Dardou, A., Roques, S., Ghneim-Herrera, T., Droc, G., Frouin, J., Rouan, L., Goze, E., Kilian, A., et al. (2013). Genome-wide association mapping of root traits in a japonica rice panel. PLoS One 8:e78037.

Crain, J., Mondal, S., Rutkoski, J., Singh, R.P., and Poland, J. (2018). Combining high-throughput phenotyping and genomic information to increase prediction and selection accuracy in wheat breeding. Plant Genome 11:170043.

Crescente, J.M., Guidobaldi, F., Demichelis, M., Formica, M.B., Helguera, M., and Vanzetti, L.S. (2017). Phenobook: an open source software for phenotypic data collection. Gigascience 6:1–5.

Crowell, S., Falcao, A.X., Shah, A., Wilson, Z., Greenberg, A.J., and McCouch, S.R. (2014). High-resolution inflorescence phenotyping using a novel image-analysis pipeline, PANorama. Plant Physiol. 165:479–495.

Crowell, S., Korniliev, P., Falcao, A., Ismail, A., Gregorio, G., Mezey, J., and McCouch, S. (2016). Genome-wide association and high- resolution phenotyping link Oryza sativa panicle traits to numerous trait-specific QTL clusters. Nat. Commun. 7:10527. Cwiek-Kupczy nska, H., Altmann, T., Arend, D., Arnaud, E., Chen, D.,

Cornut, G., Fiorani, F., Frohmberg, W., Junker, A., Klukas, C., et al. (2016). Measures for interoperability of phenotypic data: minimum information requirements and formatting. Plant Methods 12:44.

Czedik-Eysenberg, A., Seitner, S., Guldener, U., Koemeda, S., Jez, J., Colombini, M., and Djamei, A. (2018). The ’PhenoBox’, a flexible, 208 Molecular Plant 13, 187–214, February 2020 ª The Author 2020. Molecular Plant The Perspective of Crop Phenomics automated, open-source plant phenotyping solution. New Phytol. 219:808–823.

Davis, B.D. (1949). The isolation of biochemically deficient mutants of bacteria by means of penicillin. Proc. Natl. Acad. Sci. U S A 35:1–10.

Deng, L., Mao, Z.H., Li, X.J., Hu, Z.W., Duan, F.Z., and Yan, Y.N. (2018). UAV-based multispectral remote sensing for precision agriculture: a comparison between different cameras. ISPRS J. Photogramm. Remote Sens. 146:124–136.

Deery, D.M., Rebetzke, G.J., Jimenez-Berni, J.A., James, R.A., Condon, A.G., Bovill, W.D., Hutchinson, P., Scarrow, J., Davy, R., and Furbank, R.T. (2016). Methodology for high-throughput field phenotyping of canopy temperature using airborne thermography. Front. Plant Sci. 7:1808.

Delgado, A., Hays, D.B., Bruton, R.K., Ceballos, H., Novo, A., Boi, E., and Selvaraj, M.G. (2017). Ground penetrating radar: a case study for estimating root bulking rate in cassava (Manihot esculenta Crantz). Plant Methods 13:65.

Duan, L., Yang, W., Huang, C., and Liu, Q. (2011). A novel machine- vision-based facility for the automatic evaluation of yield-related traits in rice. Plant Methods 7:44.

Duan, L., Han, J., Guo, Z., Tu, H., Yang, P., Zhang, D., Fan, Y., Chen, G., Xiong, L., Dai, M., et al. (2018). Novel digital features discriminate between drought resistant and drought sensitive rice under controlled and field conditions. Front. Plant Sci. 9:492.

Dudley, J.W., and Lambert, R.J. (2004). 100 generations of selection for oil and protein in corn. Plant Breed. Rev. 24:79–110.

Elazab, A., Ordonez, R.A., Savin, R., Slafer, G.A., and Araus, J.L. (2016). Detecting interactive effects of N fertilization and heat stress on maize productivity by remote sensing techniques. Eur. J. Agron. 73:11–24.

Fabre, J., Dauzat, M., Negre, V., Wuyts, N., Tireau, A., Gennari, E., Neveu, P., Tisné, S., Massonnet, C., Hummel, I., et al. (2011). PHENOPSIS DB: an information system for Arabidopsis thaliana phenotypic data in an environmental context. BMC Plant Biol. 11:77.

Fahlgren, N., Feldman, M., Gehan, M.A., Wilson, M.S., Shyu, C., Bryant, D.W., Hill, S.T., McEntee, C.J., Warnasooriya, S.N., Kumar, I., et al. (2015). A versatile phenotyping system and analytics platform reveals diverse temporal responses to water availability in Setaria. Mol. Plant 8:1520–1535.

Fang, W., Feng, H., Yang, W., Duan, L., Chen, G., Xiong, L., and Liu, Q. (2016). High-throughput volumetric reconstruction for 3D wheat plant architecture studies. J. Innov. Opt. Health Sci. 9. https://doi.org/10. 1142/S1793545816500371.

Fanourakis, D., Briese, C., Max, J.F., Kleinen, S., Putz, A., Fiorani, F., Ulbrich, A., and Schurr, U. (2014). Rapid determination of leaf area and plant height by using light curtain arrays in four species with contrasting shoot architecture. Plant Methods 10:9.

Farooque, A.A., Chang, Y.K., Zaman, Q.U., Groulx, D., Schumann, A.W., and Esau, T.J. (2013). Performance evaluation of multiple ground based sensors mounted on a commercial wild blueberry harvester to sense plant height, fruit yield and topographic features in real-time. Comput. Electron. Agric. 91:135–144.

Feng, H., Guo, Z., Yang, W., Huang, C., Chen, G., Fang, W., Xiong, X., Zhang, H., Wang, G., Xiong, L., et al. (2017). An integrated hyperspectral imaging and genome-wide association analysis platform provides spectral and genetic insights into the natural variation in rice. Sci. Rep. 7:4401.

Fernie, A.R., and Yan, J. (2019). De novo domestication: an alternative route toward new crops for the future. Mol. Plant 12:615–631.

Fichman, Y., Miller, G., and Mittler, R. (2019). Whole-plant live imaging of reactive oxygen species. Mol. Plant 12:1203–1210.

Fiorani, F., and Schurr, U. (2013). Future scenarios for plant phenotyping. Annu. Rev. Plant Biol. 64:267–291.

Flood, P.J., Kruijer, W., Schnabel, S.K., van der Schoor, R., Jalink, H., Snel, J.F., Harbinson, J., and Aarts, M.G. (2016). Phenomics for photosynthesis, growth and reflectance in Arabidopsis thaliana reveals circadian and long-term fluctuations in heritability. Plant Methods 12:14.

French, A., Ubeda-Tomas, S., Holman, T.J., Bennett, M.J., and Pridmore, T. (2009). High-throughput quantification of root growth using a novel image-analysis tool. Plant Physiol. 150:1784–1795.

Fukao, T., and Xiong, L.Z. (2013). Genetic mechanisms conferring adaptation to submergence and drought in rice: simple or complex? Curr. Opin. Plant Biol. 16:196–204.

Fukatsu, T., Watanabe, T., Hu, H., Yoichi, H., and Hirafuji, M. (2012). Field monitoring support system for the occurrence of Leptocorisa chinensis Dallas (Hemiptera: Alydidae) using synthetic attractants, field servers, and image analysis. Comput. Electron. Agric. 80:8–16.

Furbank, R.T., and Tester, M. (2011). Phenomics-technologies to relieve the phenotyping bottleneck. Trends Plant Sci. 16:635–644.

Gage, J.L., Miller, N.D., Spalding, E.P., Kaeppler, S.M., and de Leon, N. (2017). TIPS: a system for automated image-based phenotyping of maize tassels. Plant Methods 13:21.

Galkovskyi, T., Mileyko, Y., Bucksch, A., Moore, B., Symonova, O., Price, C.A., Topp, C.N., Iyer-Pascuzzi, A.S., Zurek, P.R., Fang, S.Q., et al. (2012). GiA Roots: software for the high throughput analysis of plant root system architecture. BMC Plant Biol. 12:116.

Garbout, A., Munkholm, L.J., Hansen, S.B., Petersen, B.M., Munk, O.L., and Pajor, R. (2011). The use of PET/CT scanning technique for 3D visualization and quantification of real-time soil/plant interactions. Plant Soil 352:113–127.

Garzonio, R., Di Mauro, B., Colombo, R., and Cogliati, S. (2017). Surface reflectance and sun-Induced fluorescence spectroscopy measurements using a small hyperspectral UAS. Rem. Sens. 9:472.

Gegas, V.C., Nazari, A., Griffiths, S., Simmonds, J., Fish, L., Orford, S., Sayers, L., Doonan, J.H., and Snape, J.W. (2010). A genetic framework for grain size and shape variation in wheat. Plant Cell 22:1046–1056.

Gerie, V.D.H., Song, Y., Horgan, G., Polder, G., Dieleman, A., Bink, M., Palloix, A., van Eeuwijk, F., and Glasbey, C. (2012). SPICY: towards automated phenotyping of large pepper plants in the greenhouse. Funct. Plant Biol. 39:870–877.

Ghanem, M.E., Marrou, H., and Sinclair, T.R. (2015). Physiological phenotyping of plants for crop improvement. Trends Plant Sci. 20:139–144.

Giuffrida, M.V., Chen, F., Scharr, H., and Tsaftaris, S.A. (2018). Citizen crowds and experts: observer variability in image-based plant phenotyping. Plant Methods 14:12.

Goff, S.A., Vaughn, M., McKay, S., Lyons, E., Stapleton, A.E., Gessler, D., Matasci, N., Wang, L., Hanlon, M., Lenards, A., et al. (2011). The iPlant collaborative: cyberinfrastructure for plant biology. Front. Plant Sci. 2:34.

Golzarian, M.R., Frick, R.A., Rajendran, K., Berger, B., Roy, S., Tester, M., and Lun, D.S. (2011). Accurate inference of shoot biomass from high-throughput images of cereal plants. Plant Methods 7:2.

Granier, C., Aguirrezabal, L., Chenu, K., Cookson, S.J., Dauzat, M., Hamard, P., Thioux, J.J., Rolland, G., Bouchier-Combaud, S., Lebaudy, A., et al. (2006). PHENOPSIS, an automated platform for reproducible phenotyping of plant responses to soil water deficit in Arabidopsis thaliana permitted the identification of an accession with low sensitivity to soil water deficit. New Phytol. 169:623–635. The Perspective of Crop Phenomics Molecular Plant

Guo, Z., Yang, W., Chang, Y., Ma, X., Tu, H., Xiong, F., Jiang, N., Feng, H., Huang, C., Yang, P., et al. (2018a). Genome-wide association studies of image traits reveal genetic architecture of drought resistance in rice. Mol. Plant 11:789–805.

Guo, Q., Wu, F., Pang, S., Zhao, X., Chen, L., Liu, J., Xue, B., Xu, G., Li, L., Jing, H., et al. (2018b). Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping. Sci. China Life Sci. 61 (3):328–339.

Hairmansis, A., Berger, B., Tester, M., and Roy, S.J. (2014). Image- based phenotyping for non-destructive screening of different salinity tolerance traits in rice. Rice 7:16.

Hallau, L., Neumann, M., Klatt, B., Kleinhenz, B., Klein, T., Kuhn, C., Rohrig, M., Bauckhage, C., Kersting, K., Mahlein, A.K., et al. (2018). Automated identification of sugar beet diseases using smartphones. Plant Pathol. 67:399–410.

Hartmann, A., Czauderna, T., Hoffmann, R., Stein, N., and Schreiber, F. (2011). HTPheno: an image analysis pipeline for high-throughput plant phenotyping. BMC Bioinformatics 12:148.

Hassan, M.A., Yang, M.J., Fu, L.P., Rasheed, A., Zheng, B.Y., Xia, X.C., Xiao, Y.G., and He, Z.H. (2019). Accuracy assessment of plant height using an unmanned aerial vehicle for quantitative genomic analysis in bread wheat. Plant Methods 15:37.

Hawkesford, M.J., and Lorence, A. (2017). Plant phenotyping: increasing throughput and precision at multiple scales. Funct. Plant Biol. 44, v–vii.

Haworth, M., Marino, G., and Centritto, M. (2018). An introductory guide to gas exchange analysis of photosynthesis and its application to plant phenotyping and precision irrigation to enhance water use efficiency. J. Water Clim. Change 9:786–808.

Hirafuji, M., Yoichi, H., Kiura, T., Matsumoto, K., Fukatsu, T., Tanaka, K., Shibuya, Y., Itoh, A., Nesumi, H., Hoshi, N., et al. (2011). Creating high-performance/low-cost ambient sensor cloud system using OpenFS (Open Field Server) for high-throughput phenotyping. SICE Annual Conference 2011, Tokyo, pp. 2090–2092.

Honsdorf, N., March, T.J., Berger, B., Tester, M., and Pillen, K. (2014). High-throughput phenotyping to detect drought tolerance QTL in wild barley introgression lines. PLoS One 9:e97047.

Houle, D., Govindaraju, D.R., and Omholt, S. (2010). Phenomics: the next challenge. Nat. Rev. Genet. 11:855–866.

Hounsfield, G.N. (1976). Historical notes on computerized axial tomography. Can. Assoc. Radiol. J. 27:135–142.

Huang, X., Wei, X., Sang, T., Zhao, Q., Feng, Q., Zhao, Y., Li, C., Zhu, C., Lu, T., Zhang, Z., et al. (2010). Genome-wide association studies of 14 agronomic traits in rice landraces. Nat. Genet. 42:961–967.

Hughes, N., Askew, K., Scotson, C.P., Williams, K., Sauze, C., Corke, F., Doonan, J.H., and Nibau, C. (2017). Non-destructive, high-content analysis of wheat grain traits using X-ray micro computed tomography. Plant Methods 13:76.

Hughes, N., Oliveira, H.R., Fradgley, N., Corke, F., Nibau, C., and Doonan, J.H. (2019). mCT trait analysis reveals morphometric differences between domesticated temperate small grain cereals and their wild relatives. Plant J. https://doi.org/10.1111/tpj.14312.

Hung, C., Xu, Z., and Sukkarieh, S. (2014). Feature learning based approach for weed classification using high resolution aerial images from a digital camera mounted on a UAV. Rem. Sens. 6:12037–12054.

Ishii, T., Karimi-Ashtiyani, R., and Houben, A. (2016). Haploidization via chromosome elimination: means and mechanisms. Annu. Rev. Plant Biol. 67:421–438.

Iyer-Pascuzzi, A.S., Symonova, O., Mileyko, Y., Hao, Y., Belcher, H., Harer, J., Weitz, J.S., and Benfey, P.N. (2010). Imaging and analysis platform for automatic phenotyping and trait ranking of plant root systems. Plant Physiol. 152:1148–1157.

Jahnke, S., Menzel, M.I., van Dusschoten, D., Roeb, G.W., Buhler, J., Minwuyelet, S., Blumler, P., Temperton, V.M., Hombach, T., Streun, M., et al. (2009). Combined MRI-PET dissects dynamic changes in plant structures and functions. Plant J. 59:634–644.

Jahnke, S., Roussel, J., Hombach, T., Kochs, J., Fischbach, A., Huber, G., and Scharr, H. (2016). PhenoSeeder - a robot system for automated handling and phenotyping of individual seeds. Plant Physiol. 172:1358–1370.

Jansen, M., Gilmer, F., Biskup, B., Nagel, K.A., Rascher, U., Fischbach, A., Briem, S., Dreissen, G., Tittmann, S., Braun, S., et al. (2009). Simultaneous phenotyping of leaf growth and chlorophyll fluorescence via GROWSCREEN FLUORO allows detection of stress tolerance in Arabidopsis thaliana and other rosette plants. Funct. Plant Biol. 36:902–914.

Jasinski, S., Lecureuil, A., Durandet, M., Bernard-Moulin, P., and Guerche, P. (2016). Arabidopsis seed content QTL mapping using high-throughput phenotyping: the assets of near infrared spectroscopy. Front. Plant Sci. 7:1682.

Jeudy, C., Adrian, M., Baussard, C., Bernard, C., Bernaud, E., Bourion, V., Busset, H., Cabrera-Bosquet, L., Cointault, F., Han, S., et al. (2016). RhizoTubes as a new tool for high throughput imaging of plant root development and architecture: test, comparison with pot grown plants and validation. Plant Methods 12:31.

Jhala, V.M., and Thaker, V.S. (2015). X-ray computed tomography to study rice (Oryza sativa L.) panicle development. J. Exp. Bot. 66:6819–6825.

Jiang, L., Sun, L., Ye, M., Wang, J., Wang, Y., Bogard, M., Lacaze, X., Fournier, A., Beauchene, K., Gouache, D., et al. (2019). Functional mapping of N deficiency-induced response in wheat yield- component traits by implementing high-throughput phenotyping. Plant J. 97:1105–1119.

Jimenez-Berni, J.A., Deery, D.M., Rozas-Larraondo, P., Condon, A.G., Rebetzke, G.J., James, R.A., Bovill, W.D., Furbank, R.T., and Sirault, X.R.R. (2018). High throughput determination of plant height, ground cover, and above-ground biomass in wheat with LiDAR. Front. Plant Sci. 9:237.

Johannsen, W. (1911). The genotype conception of heredity. Am. Nat. 45:129–159.

Kaul, S., Koo, H.L., Jenkins, J., Rizzo, M., Rooney, T., Tallon, L.J., Feldblyum, T., Nierman, W., Benito, M.I., Lin, X.Y., et al. (2000). Analysis of the genome sequence of the flowering plant Arabidopsis thaliana. Nature 408:796–815.

Kersey, P.J. (2019). Plant genome sequences: past, present, future. Curr. Opin. Plant Biol. 48:1–8.

Kim, T., Kim, J.I., Visbal-Onufrak, M.A., Chapple, C., and Kim, Y.L. (2016). Nonspectroscopic imaging for quantitative chlorophyll sensing. J. Biomed. Opt. 21:16008.

Klukas, C., Chen, D., and Pape, J.M. (2014). Integrated analysis platform: an open-source information system for high-throughput plant phenotyping. Plant Physiol. 165:506–518.

Knoch, D., Abbadi, A., Grandke, F., Meyer, R.C., Samans, B., Werner, C.R., Snowdon, R.J., and Altmann, T. (2019). Strong temporal dynamics of QTL action on plant growth progression revealed through high-throughput phenotyping in canola. Plant Biotechnol. J. https://doi.org/10.1111/pbi.13171.

Komyshev, E., Genaev, M., and Afonnikov, D. (2016). Evaluation of the SeedCounter, a mobile application for grain phenotyping. Front. Plant Sci. 7:1990. Le Marie, C., Kirchgessner, N., Marschall, D., Walter, A., and Hund, A. (2014). Rhizoslides: paper-based growth system for non-destructive, high throughput phenotyping of root development by means of image analysis. Plant Methods 10:13. 210 Molecular Plant 13, 187–214, February 2020 ª The Author 2020. Molecular Plant The Perspective of Crop Phenomics Le Marie, C., Kirchgessner, N., Flutsch, P., Pfeifer, J., Walter, A., and

Hund, A. (2016). RADIX: rhizoslide platform allowing high throughput digital image analysis of root system expansion. Plant Methods 12:40.

Leiboff, S., Li, X., Hu, H.C., Todt, N., Yang, J., Yu, X., Muehlbauer, G.J., Timmermans, M.C., Yu, J., Schnable, P.S., et al. (2015). Genetic control of morphometric diversity in the maize shoot apical meristem. Nat. Commun. 6:8974.

Leiboff, S., DeAllie, C.K., and Scanlon, M.J. (2016). Modeling the morphometric evolution of the maize shoot apical meristem. Front. Plant Sci. 7:1651.

Li, Z., and Sillanp€ a€ a, M.J. (2015). Dynamic quantitative trait locus analysis of plant phenomic data. Trends Plant Sci. 20:822–833.

Li, M, Xu, J., Zhang, N., Shan, J., and Yao, S. (2016). Study on the factors affecting grain yield measurement system. 2016 International Conference on Service Science, Technology and Engineering, 14-15 May 2016, Suzhou, China, pp. 566–572.

Li, Y., Xiao, J., Chen, L., Huang, X., Cheng, Z., Han, B., Zhang, Q., and Wu, C. (2018). Rice functional genomics research: past decade and future. Mol. Plant 11:359–380.

Liang, X., Wang, K., Huang, C., Zhang, X., Yan, J., and Yang, W. (2016). A high-throughput maize kernel traits scorer based on line-scan imaging. Measurement 90:453–460.

Liu, J., Guo, T., Yang, P., Wang, H., Liu, L., Lu, Z., Xu, X., Hu, J., and Huang, Q. (2012). Development of automatic nuclear magnetic resonance screening system for haploid kernels in maize. Trans. Chin. Soc. Agric. Eng. 28:233–236.

Lobet, G., Pages, L., and Draye, X. (2011). A novel image-analysis toolbox enabling quantitative analysis of root system architecture. Plant Physiol. 157:29–39.

Lobet, G., Draye, X., and Périlleux, C. (2013). An online database for plant image analysis software tools. Plant Methods 9:38.

Madec, S., Baret, F., de Solan, B., Thomas, S., Dutartre, D., Jezequel, S., Hemmerle, M., Colombeau, G., and Comar, A. (2017). High- throughput phenotyping of plant height: comparing unmanned aerial vehicles and ground LiDAR estimates. Front. Plant Sci. 8:2002.

Madec, S., Jin, X., Lu, H., De Solan, B., Liu, S., Duyme, F., Heritier, E., and Baret, F. (2019). Ear density estimation from high resolution RGB imagery using deep learning technique. Agric. For. Meteorol. 264:225–234.

Maes, W.H., and Steppe, K. (2019). Perspectives for remote sensing with unmanned aerial vehicles in precision agriculture. Trends Plant Sci. 24:152–164.

Mahlein, A.K., Kuska, M.T., Behmann, J., Polder, G., and Walter, A. (2018). Hyperspectral sensors and imaging technologies in phytopathology: state of the art. Annu. Rev. Phytopathol. 56:535–558.

Maimaitijiang, M., Sagan, V., Sidike, P., Maimaitiyiming, M., Hartling, S., Peterson, K.T., Maw, M.J.W., Shakoor, N., Mockler, T., and Fritschi, F.B. (2019). Vegetation index weighted canopy volume model (CVMVI) for soybean biomass estimation from unmanned aerial system-based RGB imagery. ISPRS J. Photogramm. Remote Sens. 151:27–41.

Mairhofer, S., Zappala, S., Tracy, S.R., Sturrock, C., Bennett, M., Mooney, S.J., and Pridmore, T. (2012). RooTrak: automated recovery of three-dimensional plant root architecture in soil from x- ray microcomputed tomography images using visual tracking. Plant Physiol. 158:561–569.

Mairhofer, S., Zappala, S., Tracy, S., Sturrock, C., Bennett, M.J., Mooney, S.J., and Pridmore, T.P. (2013). Recovering complete plant root system architectures from soil via X-ray mu-computed tomography. Plant Methods 9:8.

Mairhofer, S., Sturrock, C.J., Bennett, M.J., Mooney, S.J., and Pridmore, T.P. (2015). Extracting multiple interacting root systems using X-ray microcomputed tomography. Plant J. 84:1034–1043.

Makanza, R., Zaman-Allah, M., Cairns, J.E., Eyre, J., Burgueno, J., Pacheco, A., Diepenbrock, C., Magorokosho, C., Tarekegne, A., Olsen, M., et al. (2018). High-throughput method for ear phenotyping and kernel weight estimation in maize using ear digital imaging. Plant Methods 14:49.

Malambo, L., Popescu, S.C., Murray, S.C., Putman, E., Pugh, N.A., Horne, D.W., Richardson, G., Sheridan, R., Rooney, W.L., Avant, R., et al. (2018). Multitemporal field-based plant height estimation using 3D point clouds generated from small unmanned aerial systems high-resolution imagery. Int. J. Appl. Earth Obs. Geoinf. 64:31–42.

Mathieu, L., Lobet, G., Tocquin, P., and Perilleux, C. (2015). "Rhizoponics": a novel hydroponic rhizotron for root system analyses on mature Arabidopsis thaliana plants. Plant Methods 11:3.

Mazaheri, M., Heckwolf, M., Vaillancourt, B., Gage, J.L., Burdo, B., Heckwolf, S., Barry, K., Lipzen, A., Ribeiro, C.B., Kono, T.J.Y., et al. (2019). Genome-wide association analysis of stalk biomass and anatomical traits in maize. BMC Plant Biol. 19:45.

McCormick, R.F., Truong, S.K., and Mullet, J.E. (2016). 3D sorghum reconstructions from depth images identify QTL regulating shoot architecture. Plant Physiol. 172:823–834.

Metzner, R., Eggert, A., van Dusschoten, D., Pflugfelder, D., Gerth, S., Schurr, U., Uhlmann, N., and Jahnke, S. (2015). Direct comparison of MRI and X-ray CT technologies for 3D imaging of root systems in soil: potential and challenges for root trait quantification. Plant Methods 11:17.

Meuwissen, T.H., Hayes, B.J., and Goddard, M.E. (2001). Prediction of total genetic value using genome-wide dense marker maps. Genetics 157:1819–1829.

Miller, N.D., Haase, N.J., Lee, J., Kaeppler, S.M., de Leon, N., and Spalding, E.P. (2017). A robust, high-throughput method for computing maize ear, cob, and kernel attributes automatically from images. Plant J. 89:169–178.

Moore, C.R., Johnson, L.S., Kwak, I.-Y., Livny, M., Broman, K.W., and Spalding, E.P. (2013). High-Throughput computer vision introduces the time axis to a quantitative trait map of a plant growth response. Genetics 195:1077–1086.

Munns, R., and Tester, M. (2008). Mechanisms of salinity tolerance. Annu. Rev. Plant Biol. 59:651–681.

Munns, R., James, R.A., Sirault, X.R.R., Furbank, R.T., and Jones, H.G. (2010). New phenotyping methods for screening wheat and barley for beneficial responses to water deficit. J. Exp. Bot. 61:3499–3507.

Muraya, M.M., Chu, J., Zhao, Y., Junker, A., Klukas, C., Reif, J.C., and Altmann, T. (2017). Genetic variation of growth dynamics in maize (Zea mays L.) revealed through automated non-invasive phenotyping. Plant J. 89:366–380.

Nagel, K.A., Putz, A., Gilmer, F., Heinz, K., Fischbach, A., Pfeifer, J., Faget, M., Blossfeld, S., Ernst, M., Dimaki, C., et al. (2012). GROWSCREEN-Rhizo is a novel phenotyping robot enabling simultaneous measurements of root and shoot growth for plants grown in soil-filled rhizotrons. Funct. Plant Biol. 39:891–904.

Nakarmi, A.D., and Tang, L. (2012). Automatic inter-plant spacing sensing at early growth stages using a 3D vision sensor. Comput. Electron. Agric. 82:23–31.

Neilson, E.H., Edwards, A.M., Blomstedt, C.K., Berger, B., Moller, B.L., and Gleadow, R.M. (2015). Utilization of a high-throughput shoot imaging system to examine the dynamic phenotypic responses of a C4 cereal crop plant to nitrogen and water deficiency over time. J. Exp. Bot. 66:1817–1832. The Perspective of Crop Phenomics Molecular Plant

Oellrich, A., Walls, R.L., Cannon, E.K.S., Cannon, S.B., Cooper, L., Gardiner, J., Gkoutos, G.V., Harper, L., He, M., Hoehndorf, R., et al. (2015). An ontology approach to comparative phenomics in plants. Plant Methods 11:10.

Orgogozo, V., Morizot, B., and Martin, A. (2015). The differential view of genotype–phenotype relationships. Front. Genet. 6:179.

Parent, B., Shahinnia, F., Maphosa, L., Berger, B., Rabie, H., Chalmers, K., Kovalchuk, A., Langridge, P., and Fleury, D. (2015). Combining field performance with controlled environment plant imaging to identify the genetic control of growth and transpiration underlying yield response to water-deficit stress in wheat. J. Exp. Bot. 66:5481–5492.

Passioura, J.B. (2012). Phenotyping for drought tolerance in grain crops: when is it useful to breeders? Funct. Plant Biol. 39:851–859.

Paulus, S., Schumann, H., Kuhlmann, H., and Leon, J. (2014). High- precision laser scanning system for capturing 3D plant architecture and analysing growth of cereal plants. Biosyst. Eng. 121:1–11.

Pelletier, M.G., Wanjura, J.D., and Holt, G.A. (2019). Embedded micro- controller software design of a cotton harvester yield monitor calibration system. AgriEngineering 1:485–495. Pérez-Pérez, J.M., Esteve-Bruna, D., and Micol, J.L. (2010). QTL analysis of leaf architecture. J. Plant Res. 123:15–23.

Perez-Sanz, F., Navarro, P.J., and Egea-Cortines, M. (2017). Plant phenomics: an overview of image acquisition technologies and image data analysis algorithms. Gigascience 6:1–18.

Pflugfelder, D., Metzner, R., van Dusschoten, D., Reichel, R., Jahnke, S., and Koller, R. (2017). Non-invasive imaging of plant roots in different soils using magnetic resonance imaging (MRI). Plant Methods 13:102.

Pieruschka, R., and Schurr, U. (2019). Plant phenotyping: past, present, and future. Plant Phenomics https://doi.org/10.34133/2019/7507131.

Pineros, M.A., Larson, B.G., Shaff, J.E., Schneider, D.J., Falcao, A.X., Yuan, L., Clark, R.T., Craft, E.J., Davis, T.W., Pradier, P.L., et al. (2016). Evolving technologies for growing, imaging and analyzing 3D root system architecture of crop plants. J. Integr. Plant Biol. 58:230–241.

Poorter, H., Fiorani, F., Stitt, M., Schurr, U., Finck, A., Gibon, Y., Usadel, B., Munns, R., Atkin, O.K., Tardieu, F., et al. (2012). The art of growing plants for experimental purposes: a practical guide for the plant biologist. Funct. Plant Biol. 39:821–838.

Pound, M.P., French, A.P., Atkinson, J.A., Wells, D.M., Bennett, M.J., and Pridmore, T. (2013). RootNav: navigating images of complex root architectures. Plant Physiol. 162:1802–1814.

Prado, S.A., Cabrera-Bosquet, L., Grau, A., Coupel-Ledru, A., Millet, E.J., Welcker, C., and Tardieu, F. (2018). Phenomics allows identification of genomic regions affecting maize stomatal conductance with conditional effects of water deficit and evaporative demand. Plant Cell Environ. 41:314–326.

Reuzeau, C., Pen, J., Frankard, V., de Wolf, J., Peerbolte, R., Broekaert, W., and van Camp, W. (2005). TraitMill: a discovery engine for identifying yield-enhancement genes in cereals. Mol. Plant Breed. 3:753–759.

Reynolds, D., Ball, J., Bauer, A., Davey, R., Griffiths, S., and Zhou, J. (2019a). CropSight: a scalable and open-source information management system for distributed plant phenotyping and IoT- based crop management. Gigascience 8:giz009.

Reynolds, D., Baret, F., Welcker, C., Bostrom, A., Ball, J., Cellini, F., Lorence, A., Chawade, A., Khafif, M., Noshita, K., et al. (2019b). What is cost-efficient phenotyping? Optimising costs for different scenarios. Plant Sci. 282:14–22.

Rogers, E.D., Monaenkova, D., Mijar, M., Nori, A., Goldman, D.I., and Benfey, P.N. (2016). X-Ray computed tomography reveals the response of root system architecture to soil texture. Plant Physiol. 171:2028–2040.

Ruiz-Garcia, L., Lunadei, L., Barreiro, P., and Robla, J.I. (2009). A review of wireless sensor technologies and applications in agriculture and food industry: state of the art and current trends. Sensors 9:4728–4750.

Rutkoski, J., Poland, J., Mondal, S., Autrique, E., Perez, L.G., Crossa, J., Reynolds, M., and Singh, R. (2016). Canopy temperature and vegetation indices from high-throughput phenotyping improve accuracy of pedigree and genomic selection for grain yield in wheat. Genes Genomes Genet. 6:2799–2808.

Sadeghi-Tehran, P., Sabermanesh, K., Virlet, N., and Hawkesford, M.J. (2017). Automated method to determine two critical growth stages of wheat: heading and flowering. Front. Plant Sci. 8:252. Salas Fernandez, M.G., Bao, Y., Tang, L., and Schnable, P.S. (2017). A high-throughput, field-based phenotyping technology for tall biomass crops. Plant Physiol. 174:2008–2022.

Sakamoto, T., Shibayama, M., Kimura, A., and Takada, E. (2011). Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth. ISPRS J. Photogramm. Remote Sens. 66:872–882.

Schmittgen, S., Metzner, R., Van Dusschoten, D., Jansen, M., Fiorani, F., Jahnke, S., Rascher, U., and Schurr, U. (2015). Magnetic resonance imaging of sugar beet taproots in soil reveals growth reduction and morphological changes during foliar Cercospora beticola infestation. J. Exp. Bot. 66:5543–5553.

Schork, N.J. (1997). Genetics of complex disease - approaches, problems, and solutions. Am. J. Respir. Crit. Care Med. 156:S103– S109.

Selby, P., Abbeloos, R., Backlund, J.E., Salido, M.B., Bauchet, G., Benites-Alfaro, O.E., Birkett, C., Calaminos, V.C., Carceller, P., Cornut, G., et al. (2019). BrAPI—an application programming interface for plant breeding applications. Bioinformatics 35:4147– 4155.

Shahzad, Z., Kellermeier, F., Armstrong, E.M., Rogers, S., Lobet, G., Amtmann, A., and Hills, A. (2018). EZ-Root-VIS: a software pipeline for the rapid analysis and visual reconstruction of root system architecture. Plant Physiol. 177:1368–1381.

Shi, L., Shi, T., Broadley, M.R., White, P.J., Long, Y., Meng, J., Xu, F., and Hammond, J.P. (2013). High-throughput root phenotyping screens identify genetic loci associated with root architectural traits in Brassica napus under contrasting phosphate availabilities. Ann. Bot. 112:381–389.

Shi, C., Zhao, L., Zhang, X., Lv, G., Pan, Y., and Chen, F. (2019). Gene regulatory network and abundant genetic variation play critical roles in heading stage of polyploidy wheat. BMC Plant Biol. 19:6.

Shibayama, M., Sakamoto, T., Takada, E., Inoue, A., Morita, K., Takahashi, W., and Kimura, A. (2015a). Continuous monitoring of visible and near-infrared band reflectance from a rice paddy for determining nitrogen uptake using digital cameras. Plant Prod. Sci. 12:293–306.

Shibayama, M., Sakamoto, T., Takada, E., Inoue, A., Morita, K., Takahashi, W., and Kimura, A. (2015b). Estimating paddy rice leaf area index with fixed point continuous observation of near infrared reflectance using a calibrated digital camera. Plant Prod. Sci. 14:30–46.

Shrestha, R., Matteis, L., Skofic, M., Portugal, A., McLaren, G., Hyman, G., and Arnaud, E. (2012). Bridging the phenotypic and genetic data useful for integrated breeding through a data annotation 212 Molecular Plant 13, 187–214, February 2020 ª The Author 2020. Molecular Plant The Perspective of Crop Phenomics using the Crop Ontology developed by the crop communities of practice. Front. Physiol. 3:326.

Singh, C.B., Jayas, D.S., Paliwal, J., and White, N.D.G. (2010). Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging. Comput. Electron. Agric. 73:118–125.

Singh, A.K., Ganapathysubramanian, B., Sarkar, S., and Singh, A. (2018). Deep learning for plant stress phenotyping: trends and future perspectives. Trends Plant Sci. 23:883–898.

Song, T.M., Kong, F., Li, C.J., and Song, G.H. (1999). Eleven cycles of single kernel phenotypic recurrent selection for percent oil in Zhongzong no. 2 maize synthetics. J. Genet. Breed. 53:31–35.

Song, T.M., and Chen, S.J. (2004). Long term selection for oil concentration in five maize populations. Maydica 49:9–14.

Sun, D., Cen, H., Weng, H., Wan, L., Abdalla, A., El-Manawy, A.I., Zhu, Y., Zhao, N., Fu, H., Tang, J., et al. (2019). Using hyperspectral analysis as a potential high throughput phenotyping tool in GWAS for protein content of rice quality. Plant Methods 15:54.

Svane, S.F., Jensen, C.S., and Thorup-Kristensen, K. (2019). Construction of a large-scale semi-field facility to study genotypic differences in deep root growth and resources acquisition. Plant Methods 15:26.

Tanabata, T., Shibaya, T., Hori, K., Ebana, K., and Yano, M. (2012). SmartGrain: high-throughput phenotyping software for measuring seed shape through image analysis. Plant Physiol. 160:1871–1880.

Tanger, P., Klassen, S., Mojica, J.P., Lovell, J.T., Moyers, B.T., Baraoidan, M., Naredo, M.E., McNally, K.L., Poland, J., Bush, D.R., et al. (2017). Field-based high throughput phenotyping rapidly identifies genomic regions controlling yield components in rice. Sci. Rep. 7:42839.

Tardieu, F., and Tuberosa, R. (2010). Dissection and modelling of abiotic stress tolerance in plants. Curr. Opin. Plant Biol. 13:206–212.

Taylor, J.F. (2014). Implementation and accuracy of genomic selection. Aquaculture 420-421:S8–S14.

Tian, F., Bradbury, P.J., Brown, P.J., Hung, H., Sun, Q., Flint-Garcia, S., Rocheford, T.R., McMullen, M.D., Holland, J.B., and Buckler, E.S. (2011). Genome-wide association study of leaf architecture in the maize nested association mapping population. Nat. Genet. 43:159–162. Tisné, S., Serrand, Y., Bach, L., Gilbault, E., Ben Ameur, R., Balasse, H., Voisin, R., Bouchez, D., Durand-Tardif, M., Guerche, P., et al. (2013). Phenoscope: an automated large-scale phenotyping platform offering high spatial homogeneity. Plant J. 74:534–544.

Topp, C.N., Iyer-Pascuzzi, A.S., Anderson, J.T., Lee, C.R., Zurek, P.R., Symonova, O., Zheng, Y., Bucksch, A., Mileyko, Y., Galkovskyi, T., et al. (2013). 3D phenotyping and quantitative trait locus mapping identify core regions of the rice genome controlling root architecture. Proc. Natl. Acad. Sci. U S A 110:E1695–E1704.

Trachsel, S., Kaeppler, S.M., Brown, K.M., and Lynch, J.P. (2010). Shovelomics: high throughput phenotyping of maize (Zea mays L.) root architecture in the field. Plant Soil 341:75–87.

Trachsel, S., Dhliwayo, T., Perez, L.G., Lugo, J.A.M., and Trachsel, M. (2019). Estimation of physiological genomic estimated breeding values (PGEBV) combining full hyperspectral and marker data across environments for grain yield under combined heat and drought stress in tropical maize (Zea mays L.). PLoS One 14:e0212200.

Tsaftaris, S.A., and Scharr, H. (2018). Sharing the right data right: a symbiosis with machine learning. Trends Plant Sci. 24:99–102.

Uga, Y., Sugimoto, K., Ogawa, S., Rane, J., Ishitani, M., Hara, N., Kitomi, Y., Inukai, Y., Ono, K., Kanno, N., et al. (2013). Control of root system architecture by DEEPER ROOTING 1 increases rice yield under drought conditions. Nat. Genet. 45:1097–1102.

Vadez, V., Kholová, J., Hummel, G., Zhokhavets, U., Gupta, S.K., and Hash, C.T. (2015). LeasyScan: a novel concept combining 3D imaging and lysimetry for high-throughput phenotyping of traits controlling plant water budget. J. Exp. Bot. 66:5581–5593. van Dusschoten, D., Metzner, R., Kochs, J., Postma, J.A., Pflugfelder, D., Buhler, J., Schurr, U., and Jahnke, S. (2016). Quantitative 3D analysis of plant roots growing in soil using magnetic resonance imaging. Plant Physiol. 170:1176–1188. van Eeuwijk, F.A., Bink, M.C., Chenu, K., and Chapman, S.C. (2010). Detection and use of QTL for complex traits in multiple environments. Curr. Opin. Plant Biol. 13:193–205.

Vergara-Diaz, O., Kefauver, S.C., Elazab, A., Nieto-Taladriz, M.T., and Araus, J.L. (2015). Grain yield losses in yellow-rusted durum wheat estimated using digital and conventional parameters under field conditions. Crop J. 3:200–210.

Virlet, N., Sabermanesh, K., Sadeghi-Tehran, P., and Hawkesford, M.J. (2017). Field Scanalyzer: an automated robotic field phenotyping platform for detailed crop monitoring. Funct. Plant Biol. 44:143–153.

Wallays, C., Missotten, B., Baerdemaeker, J.D., and Saeys, W. (2009). Hyperspectral waveband selection for on-line measurement of grain cleanness. Biosyst. Eng. 104:1–7.

Walter, A., Scharr, H., Gilmer, F., Zierer, R., Nagel, K.A., Ernst, M., Wiese, A., Virnich, O., Christ, M.M., Uhlig, B., et al. (2007). Dynamics of seedling growth acclimation towards altered light conditions can be quantified via GROWSCREEN: a setup and procedure designed for rapid optical phenotyping of different plant species. New Phytol. 174:447–455.

Wang, Z., Wang, J., Liu, L., Huang, W., Zhao, C., and Wang, C. (2004). Prediction of grain protein content in winter wheat (Triticum aestivum L.) using plant pigment ratio (PPR). Field Crops Res. 90:311–321.

Wang, P., Zhou, G., Yu, H., and Yu, S. (2011). Fine mapping a major QTL for flag leaf size and yield-related traits in rice. Theor. Appl. Genet. 123:1319–1330.

Wang, Q., Xie, W., Xing, H., Yan, J., Meng, X., Li, X., Fu, X., Xu, J., Lian, X., Yu, S., et al. (2015). Genetic architecture of natural variation in rice chlorophyll content revealed by a genome-wide association study. Mol. Plant 8:946–957.

Wang, H., Xu, S., Fan, Y., Liu, N., Zhan, W., Liu, H., Xiao, Y., Li, K., Pan, Q., Li, W., et al. (2018a). Beyond pathways: genetic dissection of tocopherol content in maize kernels by combining linkage and association analyses. Plant Biotechnol. J. 16:1464–1475.

Wang, X., Singh, D., Marla, S., Morris, G., and Poland, J. (2018b). Field- based high-throughput phenotyping of plant height in sorghum using different sensing technologies. Plant Methods 14:53.

Wang, X.Q., Zhang, R.Y., Song, W., Han, L., Liu, X.L., Sun, X., Luo, M.J., Chen, K., Zhang, Y.X., Yang, H., et al. (2019). Dynamic plant height QTL revealed in maize through remote sensing phenotyping using a high-throughput unmanned aerial vehicle (UAV). Sci. Rep. 9:3458.

Wasson, A.P., Chiu, G.S., Zwart, A.B., and Binns, T.R. (2017). Differentiating wheat genotypes by Bayesian hierarchical nonlinear mixed modeling of wheat root density. Front. Plant Sci. 8:282.

Watanabe, K., Guo, W., Arai, K., Takanashi, H., Kajiya-Kanegae, H., Kobayashi, M., Yano, K., Tokunaga, T., Fujiwara, T., Tsutsumi, N., et al. (2017). High-throughput phenotyping of sorghum plant height using an unmanned aerial vehicle and its application to genomic prediction modeling. Front. Plant Sci. 8:421.

Werner, T. (2010). Next generation sequencing in functional genomics. Brief. Bioinform. 11:499–511. The Perspective of Crop Phenomics Molecular Plant

Whan, A.P., Smith, A.B., Cavanagh, C.R., Ral, J.P., Shaw, L.M., Howitt, C.A., and Bischof, L. (2014). GrainScan: a low cost, fast method for grain size and colour measurements. Plant Methods 10:23.

Wilkinson, M.D., Dumontier, M., Aalbersberg, I.J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.W., Santos, L.B.D., Bourne, P.E., et al. (2016). Comment: the FAIR guiding principles for scientific data management and stewardship. Sci. Data 3:160018.

Wing, R.A., Purugganan, M.D., and Zhang, Q. (2018). The rice genome revolution: from an ancient grain to Green Super Rice. Nat. Rev. Genet. 19:505–517.

Wu, D., Guo, Z., Ye, J., Feng, H., Liu, J., Chen, G., Zheng, J., Yan, D., Yang, X., Xiong, X., et al. (2019). Combining high-throughput micro- CT-RGB phenotyping and genome-wide association study to dissect the genetic architecture of tiller growth in rice. J. Exp. Bot. 70:545–561.

Xiao, Y., Liu, H., Wu, L., Warburton, M., and Yan, J. (2017). Genome- wide association studies in maize: praise and stargaze. Mol. Plant 10:359–374.

Xie, Q., Fernando, K.M.C., Mayes, S., and Sparkes, D.L. (2017). Identifying seedling root architectural traits associated with yield and yield components in wheat. Ann. Bot. 119:1115–1129.

Xiong, X., Yu, L., Yang, W., Liu, M., Jiang, N., Wu, D., Chen, G., Xiong, L., Liu, K., and Liu, Q. (2017). A high-throughput stereo-imaging system for quantifying rape leaf traits during the seedling stage. Plant Methods 13:7.

Xu, Y. (2016). Envirotyping for deciphering environmental impacts on crop plants. Theor. Appl. Genet. 129:653–673.

Xu, Y., Liu, X., Fu, J., Wang, H., Wang, J., Huang, C., Prasanna, B.M., Olsen, M.S., Wang, G., and Zhang, A. (2020). Enhancing genetic gain through genomic selection: from livestock to plants. Plant Commun. 1:100005.

Yang, W., Guo, Z., Huang, C., Duan, L., Chen, G., Jiang, N., Fang, W., Feng, H., Xie, W., Lian, X., et al. (2014). Combining high-throughput phenotyping and genome-wide association studies to reveal natural genetic variation in rice. Nat. Commun. 5:5087.

Yang, W., Guo, Z., Huang, C., Wang, K., Jiang, N., Feng, H., Chen, G., Liu, Q., and Xiong, L. (2015). Genome-wide association study of rice (Oryza sativa L.) leaf traits with a high-throughput leaf scorer. J. Exp. Bot. 66:5605–5615.

Yao, X., Wang, N., Liu, Y., Cheng, T., Tian, Y.C., Chen, Q., and Zhu, Y. (2017). Estimation of wheat LAI at middle to high levels using unmanned aerial vehicle narrowband multispectral imagery. Rem. Sens. 9:1304.

Yao, W., Li, G., Yu, Y., and Ouyang, Y. (2018). funRiceGenes dataset for comprehensive understanding and application of rice functional genes. Gigascience 7:1–9.

Yano, K., Morinaka, Y., Wang, F., Huang, P., Takehara, S., Hirai, T., Ito, A., Koketsu, E., Kawamura, M., and Kotake, K. (2019). GWAS with principal component analysis identifies a gene comprehensively controlling rice architecture. Proc. Natl. Acad. Sci. U S A 116:21262– 21267.

Yazdanbakhsh, N., and Fisahn, J. (2009). High throughput phenotyping of root growth dynamics, lateral root formation, root architecture and root hair development enabled by PlaRoM. Funct. Plant Biol. 36:938–946.

Young, S.N., Kayacan, E., and Peschel, J.M. (2018). Design and field evaluation of a ground robot for high-throughput phenotyping of energy sorghum. Precision Agric. 4:697–722.

Yue, J.B., Yang, G.J., Tian, Q.J., Feng, H.K., Xu, K.J., and Zhou, C.Q. (2019). Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices. ISPRS J. Photogramm. Remote Sens. 150:226–244.

Zappala, S., Helliwell, J.R., Tracy, S.R., Mairhofer, S., Sturrock, C.J., Pridmore, T., Bennett, M., and Mooney, S.J. (2013). Effects of x- ray dose on rhizosphere studies using x-ray computed tomography. PLoS One 8:e67250.

Zarco-Tejada, P.J., Gonzalez-Dugo, V., and Berni, J.A.J. (2012). Fluorescence, temperature and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a thermal camera. Remote Sens. Environ. 117:322–337.

Zarco-Tejada, P.J., Guillen-Climent, M.L., Hernandez-Clemente, R., Catalina, A., Gonzalez, M.R., and Martin, P. (2013). Estimating leaf carotenoid content in vineyards using high resolution hyperspectral imagery acquired from an unmanned aerial vehicle (UAV). Agric. For. Meteorol. 171:281–294.

Zhang, X., Huang, C., Wu, D., Qiao, F., Li, W., Duan, L., Wang, K., Xiao, Y., Chen, G., Liu, Q., et al. (2017). High-throughput phenotyping and QTL mapping reveals the genetic architecture of maize plant growth. Plant Physiol. 173:1554–1564.

Zhang, Y., Ma, L., Pan, X., Wang, J., Guo, X., and Du, J. (2018). Micron- scale phenotyping techniques of maize vascular bundles based on x- ray microcomputed tomography. J. Vis. Exp. 140:e58501.

Zhang, H., Wang, X., Pan, Q., Li, P., Liu, Y., Lu, X., Zhong, W., Li, M., Han, L., Li, J., et al. (2019a). QTG-Seq accelerates QTL fine mapping through QTL partitioning and whole-genome sequencing of bulked segregant samples. Mol. Plant 12:426–437.

Zhang, J., Li, X.-M., Lin, H.-X., and Chong, K. (2019b). Crop improvement through temperature resilience. Annu. Rev. Plant Biol. 70:753–780.

Zhao, B., Zhang, J., Yang, C., Zhou, G., Ding, Y., Shi, Y., Zhang, D., Xie, J., and Liao, Q. (2018). Rapeseed seedling stand counting and seeding performance evaluation at two early growth stages based on unmanned aerial vehicle imagery. Front. Plant Sci. 9:1362.

Zhao, C., Zhang, Y., Du, J., Guo, X., Wen, W., Gu, S., Wang, J., and Fan, J. (2019). Crop phenomics: current status and perspectives. Front. Plant Sci. 10:714.

Zheng, H.B., Zhou, X., Cheng, T., Yao, X., Tian, Y.C., Cao, W.X., and Zhu, Y. (2016). Evaluation of a UAV-based hyperspectral frame camera for monitoring the leaf nitrogen concentration in rice. 2016 IEEE International Geoscience and Remote Sensing Symposium, 10– 15 July 2016, Beijing, China, pp. 7350–7353.

Zhou, J., Reynolds, D., Cornu, T.L., Websdale, D., Orford, S., Lister, C., Gonzalez-Navarro, O., Laycock, S., Finlayson, G., Stitt, T., et al. (2017). CropQuant: an automated and scalable field phenotyping platform for crop monitoring and trait measurements to facilitate breeding and digital agriculture. bioRxiv https://doi.org/10.1101/ 161547.

Zhou, Y., Srinivasan, S., Mirnezami, S.V., Kusmec, A., Fu, Q., Attigala, L., Salas Fernandez, M.G., Ganapathysubramanian, B., and Schnable, P.S. (2019). Semiautomated feature extraction from RGB images for sorghum panicle architecture GWAS. Plant Physiol. 179:24–37.

Zuo, J., and Li, J. (2014). Molecular dissection of complex agronomic traits of rice: a team effort by Chinese scientists in recent years. Natl. Sci. Rev. 1:253–276. 214 Molecular Plant 13, 187–214, February 2020 ª The Author 2020. Molecular Plant The Perspective of Crop Phenomics