027-87860098

The Plant Cell 论文解读|AnatomyArray+AnatomyNet:解码小麦微观解剖遗传密码

2026/9/24

原文

Cheng Y, Shi J, et al. AnatomyArray: A high-throughput platform for anatomical phenotyping in plants[J]. The Plant Cell, 2025, 37(10), koaf223.

随着全球人口高速增长与极端气候现象频发,粮食安全面临严峻挑战,因此培育高产、高抗作物已成为当务之急。然而,相比宏观上的植物性状,隐藏在宏观表型背后的植物内部解剖结构才是决定光合作用、水分养分运输及环境适应性的核心基础。


传统的植物解剖学研究面临三大瓶颈:手工切片与传统石蜡切片效率低下,难以支撑大规模群体筛选;人工测量主观性强且容易出错,无法捕捉精细的微观变化;解剖性状的遗传解析因缺乏高通量量化手段而长期滞后。


为解决这三大问题,华中农业大学于2025年九月在 The Plant Cell 上发表的研究,通过自主研发的 AnatomyArray 高通量切片平台与 AnatomyNet 深度学习软件,构建了一个从硬件采集到AI识别的“解剖表型组学”全流程流水线,为解析植物内部结构的遗传密码提供了革命性工具。


01硬件革新+AI识别的“双轮驱动”


AnatomyArray:组织切片的“工业化加速器”

该设备的灵感源自中国传统榫卯结构,设计稳固且易于组装。单套装置对于根、茎、叶、颖片等样本,可同时固定处理多达144个材料,支持梯度脱水、透明、包埋及修块的全流程自动操作。整套设备适配高通量石蜡切片机,结合高分辨多通道荧光扫描成像系统,单张玻片扫描时间小于5分钟,且支持组织连续切片的3D重建。

图:为多重石蜡切片设计的AnatomyArray 实验方法和切片重建效果


AnatomyNet:细胞表型的“智能翻译官”

研究对比了多种语义分割模型,最终确立了针对植物细胞特征的AI方案:

技术类型

执行软件

核心优化

典型应用

深度学习分割

AnatomyNet

在U-Net基础上引入ASPP(多尺度特征提取)与CBAM(卷积块注意力机制)

实现对低质量图像中细胞边界的精准锁定

全自动量化

配套软件

自动划分6类组织区域(中柱、皮层等)

从单细胞层面提取大小、位置、分布等212个表型性状


图:用于细胞级图像分割的AnatomyNet流程



02 解剖学GWAS策略,解码微观结构“隐藏”位点


研究将“数字化切片”与全基因组数据深度融合,形成了“解剖全基因组关联分析(aGWAS)”新策略:

图:使用 AnatomyNet 对单个细胞的解剖特征进行量化


1. 群体级表型关联: 对352份小麦种质的4,061张切片图像进行分析。结果显示,212个解剖性状中有206个表现出极高的遗传力,证实了这些性状在遗传改良中的巨大潜力。

2. 遗传图谱构建: 在A、B、D亚基因组上共鉴定出97个控制根系微观结构的QTL位点。

3. 组织独立性分析: 发现不同组织(如皮层与中柱)在遗传调控上具有相对独立性,为精准定制植物内部结构提供了遗传依据。