丹参根用于药用植物育种的关键见解

植物表型组学是一个使用先进图像识别和算法的新兴领域，专注于理解和量化植物性状以改善作物育种。随着自动化系统和机器学习技术的出现，已经取得了重大进展。

然而，该领域在充分捕捉植物生理学的复杂性方面面临挑战，特别是在根系统表型分析方面。丹参(丹参)因其药用特性和市场需求而备受推崇，是这一研究空白的缩影。

尽管在了解其生物活性化合物方面取得了进展，但在更广泛的生理和表型研究，特别是其根部的研究中仍然存在重大差距。解决这一差距至关重要，因为它可以彻底改变这种药用植物和类似药用植物的育种和栽培实践。

Plant Phenomics发表了一篇题为“丹参根的表型分析揭示根性状与生物活性成分之间的关​​联”的研究文章。

在本研究中，采用综合工作流程来剖析丹参根的复杂表型景观。该研究使用 WinRHIZO 和 RhizoVision Explorer 从高分辨率扫描图像中提取农艺特征，在 102 个根图像中生成 81 个参数。

这些参数，特别是总长度、表面积和体积，与实际生物量表现出很强的线性相关性，表明它们在预测根生物量方面的功效。此外，该研究还利用 Rootscan 进行解剖分析，并利用 RootScape 使用基于地标的方法进行详细的根系统架构 (RSA) 分类。这导致根聚类成不同的 RSA 组，并通过直径分类和 K 均值聚类进一步表征。

代谢分析揭示了酚酸和丹参酮等主要活性成分在根组织中的分布。值得注意的是，某些代谢物表现出与特定表型特征(例如体积范围 4 和总表面积)显着相关，表明这些特征可能影响代谢物的产生。

此外，机器学习算法，特别是随机森林(RF)和梯度提升(GB)，被用来评估根的分类准确性。RF 和 GB 成为最有效的模型，超越了其他机器学习和深度学习模型。最终，该研究基于总表面积，在特定生物活性化合物的含量与数字生物量之间建立了显着的线性回归关系。这一发现意味着无需传统化学方法即可定量预测这些化合物的产生。

总之，本研究建立了丹参根表型分析的多维工作流程，成功地根据表型性状预测了生物量和代谢物含量。与传统方法不同，它集成了不同的分析工具以形成综合方法，强调了对特定物种软件的需求。

该研究不仅增进了我们对根系性状及其与生物活性化合物相关性的理解，而且为未来在动态根系建模、应激反应分析和栽培优化中的应用铺平了道路，为育种和栽培策略提供了宝贵的见解。