摘要：成像和图像处理已经*改变了植物的表型，现在是表型特征测量的主要工具。在这里，本文通过检查三个重要特征来回顾植物表型系统：通量、维度和分辨率。首先，强调了整株表型系统以及自动化方面的进步，这些进步使通量显著增加。然后讨论器官和细胞水平的表型分析及其工具（通常以较低的通量运行），作为以较高的空间和时间分辨率获得高维表型数据的一种手段。显示了传感器技术的新发展对获取植物形态和生理相关性状的重要性。总的来说，应该讲注意力集中在空间和时间分辨率上，因为这些是植物表型系统成像程序的关键方面。
植物表型是一个复杂问题，涉及许多的系统和工具
表型组学被认为是生物学中的一门新学科，涉及在多个组织层次上收集高维表型数据，以便与全基因组测序类似，朝着完整描述基因组表型的方向发展。当然，这一最终目标仍将是假设性的；然而，植物表型和表型组学的当前和未来发展可能得益于对维度、通量和分辨率的考虑，因为我们对植物过程的总体理解，特别是基因型-表型关系的理解还远未完成。植物表型本质上是复杂的，因为它们是基因型与多种环境因素相互作用的结果。这种相互作用一方面影响植物的发育程序和生长，可以通过结构特征来描述，另一方面影响植物的功能，可以通过生理特征来描述（图1）。结构和生理特征最终决定了植物在生物量和产量方面的表现。不同组织级别或不同类别的表型特征可能在一个特定或多个环境中表现出高度相关性（依赖性变异）。如果稳健，这些可能会降低表型的复杂性（即，需要测量的不同性状的数量），但这是否需要取决于生物学问题。
图1.从植物表型到表型组学
总体而言，植物表型组学似乎在高通量、低分辨率表型和低通量和高分辨率的深度表型之间有些分歧。这种差异目前在植物发育营养阶段的表型中最为突出。本综述侧重于营养枝条和根系表型的技术方面，涵盖生物体（整株植物）到细胞水平。 通过检查三个关键特征——通量、维度和分辨率来讨论表型系统和工具。突出显示了可以提高高通量和低通量系统维度的新技术。
整株植物表型自动化
在植物突变体集合中，探索性表型分析用于检测“异常”性状（普通的是野生型表型），而自然和隔离种群则用于评估理想性状，这可能是对干旱或低温等压力环境条件的响应。大量基因型集合的表型分析能够鉴定与性状相关的基因组区域并最终进行基因克隆，并建立可能有助于基于标记的种质选择的遗传标记。筛选目的通常需要处理大量植物，优选通过高通量系统，以测量表型性状，通常在整株植物或生物体水平（即，茎或根系统）。一般来说，当耗时或重复的手动干预和分析可以被以下全部或部分方法取代时，自动化工作流程可以提高通量：(i) 非侵入性传感器，(ii) 自动化数据处理以获得感兴趣的表型特征， (iii) 自动将植物传送到传感器，反之亦然，(iv) 自动植物培养，以及 (v) 数据管理管道中处理数据的自动分析（图2）。
图2.通量、分辨率和维数是植物表型系统的关键方面，影响着数据质量
植物表型系统自动化的最后一个途径是开发与平台相关的数据管理管道，包括专用和注释数据库，以及表型特征数据的标准化分析。此外，由于许多机器人化平台每天都要采集千兆字节的数据，包括图像、表型特征值、环境传感器生成的数据和实验元数据，因此有必要适当考虑数据管理。已采取措施促进表型系统普遍采用数据管理，因为这可能促进基因型-表型图谱和植物模型的发展，并支持元分析。最近，关于高通量筛选遗传微妙性的“表型瓶颈”有很多讨论。全株生长性状仅构成结构、生理和性能相关性状矩阵的一小部分（图1）。提高维度的一种方式是以更高的空间和时间分辨率考虑组织的多个层次（即器官、组织和细胞）的特征，尽管这仍然可能以通量为代价（图2）。
器官和细胞水平的植物表型分析
茎和根系生长是单个器官、叶片和根系发育的累积结果，这些器官、叶片和根系本身整合了两个基本过程，即细胞分裂和扩展。”当通过不同的补偿发育途径获得相同的植物或叶表面积时。此外，这些生长过程受环境条件的影响，或直接（例如）土壤水分亏缺对叶片伸长率的负面影响，或间接通过对植物发育阶段的影响。
尽管已经有可能从根系图像中获得（半）自动器官大小测量值，但植物茎的图像通常不适用于单个叶子尺寸的测量，因为叶子可能不是（*）可见，或者它们可能由于复杂的非平面排列而重叠。此外，在发育的最早阶段，叶子要么太小而无法通过常规成像进行可视化，要么它们一直隐藏在叶鞘内直到出现。单子叶植物叶片的长度和伸长率仍然是手动或通过位移传感器测量的。双子叶植物叶表面积通常是通过物理解剖芽和在成像前排列出现的叶子来破坏性地确定的（图3B）。大多数处理这些图像的工具提供叶表面积、高度、宽度和周长，而其他工具则专门开发用于以定量方式表达叶片形状和叶片锯齿的程度。除了大小和形状外，确定叶脉模式以研究生长与叶片水力结构建立之间的关系也很有趣；在这种情况下，叶子被固定、清除并通过暗视野显微镜成像（图 3C）。与叶子相比，用于确定根生长速率的伸长根的动态分析以及根对诸如向重弯曲等刺激的反应是非破坏性的，并且已在培养皿中透明培养基上生长的植物中实现自动化。
图3.在多个组织级别进行植物表型分析
增加维度以更好地理解表型
表型由结构、生理和性能相关的特征以及它们在多个组织层次上的相互作用组成。因此，可以通过包括生理特征以及有助于解释生理特征的结构特征来增加维度以更好地理解表型。首先描述了旨在提取植物固有3D结构、发育和功能的技术，然后是具有报告植物生理状态潜力的新型传感器。
关于通量、分辨率、维度和质量的观点
工作流程中的机器人硬件和自动化促进了植物表型，尤其是在整个植株层面（图2）。将历史意义上的遥感（即卫星图像采集和基于特定波长衍生指数的分析）应用于野外、温室和实验室规模，可能会在未来几年提供大量数据。此外，应该提高维度，因为将包括植物生理学相关性状。然而，在枝条的3D记录和重建、枝条结构性状的动态定量分析以及单叶水平上仍然可以取得重要进展。定量3D分析很重要，因为可以提高叶级性状的通量，如长度和面积一样简单，或者更复杂的叶位置和角度，迄今为止这些性状是手动测量、破坏性或根本没有测量。将同时确定茎和叶性状，从而提高对表型的理解。在细胞水平上，由特定研究问题或问题驱动的微观系统的发展可以在成像水平上进行改进。事实上，高通量显微成像正在进入植物研究。
