越來越多的人認為無法高效實施高通量的田間表型是限制育種中遺傳增益的關鍵因素。
田間表型：植物經歷的真實（即野外）條件下的表型評估。 遺傳增益：通過人工選擇每單位時間每年實現的性能增加量。 |
田間表型(xing)分析必(bi)須融入到更廣泛的(de)(de)環(huan)境中，而(er)不僅(jin)僅(jin)是選(xuan)擇正確的(de)(de)性狀特征、表型(xing)分析工具、評估平臺或基本的(de)(de)數據管理(li)方(fang)法(fa)。表型(xing)分析不僅(jin)意味著以資源(yuan)有(you)效的(de)(de)方(fang)式(shi)開展，還需要適(shi)當的(de)(de)試驗管理(li)和空間變異處理(li)、定義目標環(huan)境中普遍存在的(de)(de)關鍵約束條件(jian)、以及開發更全(quan)面的(de)(de)數據管理(li)，包括作物建模。
Trends in Plant Science2018年3月在(zai)線發表(biao)(biao)了此篇綜述，將為(wei)表(biao)(biao)型研(yan)究(jiu)者提(ti)供(gong)一個廣(guang)泛的視野，指導研(yan)究(jiu)人(ren)員(yuan)如何(he)最(zui)好地實施(shi)田間表(biao)(biao)型分析。此文還(huan)概述如何(he)以有效的方式彌合(he)育(yu)(yu)種者和“表(biao)(biao)型育(yu)(yu)種者”之間的差(cha)距(ju)。
由上圖可知，高(gao)通(tong)量的(de)(de)表(biao)(biao)型分(fen)析直(zhi)接影響(xiang)三個方面：更精確的(de)(de)遺(yi)傳(chuan)(chuan)篩(shai)選(xuan)、鑒定(ding)新(xin)的(de)(de)遺(yi)傳(chuan)(chuan)變異以(yi)(yi)及改進對TPEs （target populations of environments，目標群(qun)體(ti)環(huan)境(jing)因(yin)子(zi)）的(de)(de)篩(shai)選(xuan)以(yi)(yi)幫助(zhu)更好的(de)(de)做遺(yi)傳(chuan)(chuan)決策。此(ci)外，高(gao)通(tong)量表(biao)(biao)型分(fen)析也(ye)間(jian)接影響(xiang)了育(yu)種(zhong)規(gui)模(mo)以(yi)(yi)及育(yu)種(zhong)周期(qi)。
最常(chang)用于評(ping)估大田(tian)作物(wu)苗期(qi)特征(zheng)的不同遙感(gan)工(gong)具的總結
利(li)用(yong)紅 - 綠(lv) - 藍(lan)（RGB）圖像(xiang)進行田(tian)間(jian)表(biao)型分(fen)析的應用(yong)實例
作(zuo)者(zhe)利用相(xiang)機獲取(qu)的圖像(xiang)，進(jin)一步分(fen)析，獲得了田間(jian)玉米不同(tong)類別的特(te)征：作(zuo)物(wu)特(te)征的計數、植物(wu)/作(zuo)物(wu)生(sheng)長的監(jian)測和發育以及(ji)三(san)維重建。
不(bu)同應用場景&不(bu)同尺度的表型平臺(tai)
這(zhe)些平臺使用(yong)了(le)基于不(bu)同(tong)光(guang)譜(pu)范圍的遙感(gan)工具，包(bao)括 RGB相(xiang)機（VIS）、多光(guang)譜(pu)和(he)(he)高光(guang)譜(pu)傳(chuan)感(gan)器和(he)(he)相(xiang)機、光(guang)探測和(he)(he)測距（LiDAR）傳(chuan)感(gan)器、熱傳(chuan)感(gan)器和(he)(he)相(xiang)機（TIR / LWIR）以及(ji)不(bu)同(tong)類別的雷達。
小結
表型(xing)分析和作(zuo)物生(sheng)長模型(xing)的不斷發展(zhan)，使(shi)育種(zhong)者(zhe)能夠獲取有關植物適(shi)(shi)應性方面的生(sheng)理(li)決定因素的信息，從而精確選擇適(shi)(shi)合目(mu)標環(huan)境(jing)的品(pin)種(zhong)。在不同的層(ceng)面上(shang)，使(shi)用(yong)大(da)數據將有助于完善新品(pin)種(zhong)的對生(sheng)長環(huan)境(jing)的需求(qiu)，以了解基因分型(xing)í環(huan)境(jing)í管理(li)（GíEíM）互作(zuo)。
事實上，最近(jin)歐洲(zhou)的(de)一項研(yan)究表明，如何將(jiang)來自重要(yao)(yao)目標(biao)(biao)環境(jing)(jing)(jing)下，當前以及(ji)預期(qi)（氣候變化驅動）環境(jing)(jing)(jing)變量的(de)作物模型與(yu)多地點試(shi)驗及(ji)其相關(guan)遺傳(chuan)學的(de)產量數據相結合(he)，可以檢(jian)測到特定的(de)數量性狀基因與(yu)特定的(de)生長條(tiao)件有關(guan)。預計(ji)這(zhe)種信息的(de)綜(zong)合(he)利用可以提高重要(yao)(yao)目標(biao)(biao)環境(jing)(jing)(jing)下遺傳(chuan)增益。
原文：José Luis Araus, Shawn C. Kefauver, Mainassara Zaman-Allah, Mike S. Olsen, and Jill E. Cairns. Translating High-Throughput Phenotyping into Genetic Gain. Trends in Plant Science, 2018.