基因中心联合南京农业大学发布BloomSight框架:超高频表型技术精准解析水稻日间开花动态

近日，上海市农业生物基因中心梅捍卫研究员团队联合南京农业大学周济教授团队等，在国际期刊《Plant Phenomics》上发表题为“BloomSight: An ultra-high-frequency phenotyping framework for diurnal flowering dynamics in japonica and indica rice to enable genetic dissection and hybrid-breeding applications” 的研究论文。该研究首次提出了名为 BloomSight 的超高频、深度学习驱动的植物表型分析框架，实现了对水稻分钟级日间开花动态的精准量化与遗传解析，为杂交育种中父母本花期同步这一长期难题提供了全新的技术解决方案。

水稻是全球半数以上人口的主食，而开花期是决定授粉、受精、结实率和籽粒产量的关键发育阶段。相较于已被广泛研究的“抽穗期”，日间开花动态——即一天之内花朵开放、花药伸出、散粉的具体时间进程——对杂交水稻，尤其是籼粳交超高产杂交稻育种更为重要。

在实际生产中，育种家长期面临一个棘手问题：如何让不育系（母本）与恢复系（父本）的日间开花时间精准同步？父母本开花时间窗口不匹配，会直接导致制种产量下降。此外，开花时间还影响着水稻对高温热害的规避能力。然而，由于开花过程的动态性（花药伸出瞬息变化）、复杂性（穗部遮挡、叶片干扰）以及品种间的高度变异，传统人工观测方法难以实现对日间开花动态的高精度、高通量的量化观测，这一领域长期以来缺乏有效的研究工具。

为突破上述瓶颈，研究团队建立了BloomSight超高频表型分析框架。研究团队利用高性价比延时成像平台，对172份水稻种质抽穗期的盆栽植株进行为期16天的观测，采集了超53万张图像，并构建了包含39,608张穗级图像及超过35万个花药级掩膜图像的开放水稻开花训练（ORFT）数据集。基于两阶段深度学习模型（YOLACT-Panicle用于穗状结构分割、UNet-Anther用于花药识别），BloomSight实现了花药数量与面积的分钟级自动化测量。

图1、BloomSight框架的构建，该框架包含超高频成像平台、图像预处理模块以及专用 ORFT 集，旨在利用深度学习技术实现水稻穗状结构及花药伸出过程的定量分析。

通过无监督自组织映射（SOM）聚类，172份水稻品种被分为慢速型（~200分钟）、中速型（~120分钟）、快速型（~70分钟）。籼稻开花起始时间通常比粳稻早约30分钟，为杂交制种父母本选配提供了关键量化依据。

通过曲线拟合与动态性状提取，研究首次定义了开花起始时间（T_Ini）、最快开花时间（T_Qck）、开花高峰（T_peak）等关键时间点，以及开花密度、快速开花期持续时间（P_Rpd）等新型动态性状。以此为基础进行全基因组关联分析，成功定位到EMF1、OsMYB8、PME42等多个已知开花调控基因。而传统人工观测的开花时间无法检出任何显著位点，凸显了BloomSight在正向遗传学研究中的独特价值。

研究团队已将ORFT数据集、原始测序数据及完整代码面向全球开源。上海市农业生物基因中心为论文共同通讯单位，梅捍卫研究员为共同通讯作者，冯芳君副研究员为共同第一作者。该研究得到国家自然科学基金联合基金（U24A20399）等项目资助。

原文详见：https://doi.org/10.1016/j.plaphe.2026.100215

文图：冯芳君

编辑：张婧琪

审核：周佩雯