Bitki Fenotipleme (Plant Phenotyping)

Yüksek verimli bitki fenotipleme (High-Throughput Phenotyping - HTP), bitki özelliklerini -- boy, yaprak alanı, biyokütle, büyüme hızı, kanopi mimarisi, kök yapısı ve stres tepkileri -- manuel gözlemle imkansız olacak hız ve ölçeklerde ölçmek için görüntüleme teknolojilerini makine öğrenmesi ile birleştirir. Fenotipleme, modern bitki ıslahında kritik darboğazdır: genotipleme maliyetleri dramatik biçimde düşerken (tüm bir genomun dizilenmesi yüzlerce dolara mal olur), ortaya çıkan fiziksel özelliklerin (fenotiplerin) ölçülmesi yavaş, öznel ve pahalı kalmaya devam etmektedir. Makine öğrenmesi destekli fenotipleme bu açığı kapatmayı hedefler.

Fenotipleme Darboğazı

Bitki ıslahatçıları her yetiştirme mevsiminde binlerce deneysel hattı değerlendirir. Geleneksel fenotipleme, eğitimli personelin tarla parselleri arasında yürüyerek özellikleri görsel olarak puanlamasını, bitki boyu, yaprak boyutları ve hastalık şiddetini manuel olarak ölçmesini gerektirir. Bu süreç: - Yavaştır: Tek bir araştırmacı günde belki 100-200 parseli fenotipleyebilir - Özneldir: Görsel puanlar gözlemciler arasında ve hatta aynı gözlemcide zaman içinde değişir - Tahribatlıdır: Biyokütle ölçümü bitkinin hasat edilmesini gerektirir - Düşük boyutludur: Ziyaret başına yalnızca birkaç özellik ölçülür

HTP, otomatik, tahribatsız, yüksek boyutlu ölçüm yoluyla bu sınırlamaların tümünü giderir.

Kontrollü Ortam Fenotiplemesi

Sera Platformları

Otomatik sera fenotipleme sistemleri, saksılı bitkileri konveyör bantlar veya dönen platformlar üzerinde görüntüleme istasyonlarından geçirir. Sensörler şunları içerir: - RGB kameralar: Sürgün biyokütle tahmini, yaprak sayımı ve renk analizi için çok görünümlü görüntüler - Hiperspektral kameralar: Biyokimyasal bileşim (klorofil, su içeriği, azot durumu) - Termal kameralar: Stoma iletkenliği ve su stresi için vekil olarak kanopi sıcaklığı - 3B sensörler: Hacimsel rekonstrüksiyon için LiDAR veya yapılandırılmış ışık - Floresans görüntüleme: Fotosentetik verimlilik ve erken stres tespiti

Büyük platformlar (LemnaTec, Phenospex, Wiwam) günde yüzlerden binlere bitki görüntüleyerek, otomatik analiz gerektiren terabaytlarca veri üretir.

Kontrollü Ortamlarda Özellik Çıkarımı için Makine Öğrenmesi

• Yaprak sayımı ve bölütleme: Örnek bölütleme (Mask R-CNN, PlantSeg), bireysel ölçüm için örtüşen yaprakları ayırır
• Biyokütle tahmini: 3B nokta bulutu analizi veya 2B yansıtılmış alan regresyonu, taze ve kuru ağırlığı tahribatsız olarak tahmin eder (gerçek değere karşı R-kare 0.85-0.95)
• Büyüme hızı modellemesi: Tekrarlanan ölçümlerin zaman serisi analizi, her genotip için büyüme eğrileri (lojistik, Gompertz) uydurur
• Kök fenotipleme: Özel platformlar (rizotronlar, görüntüleme ile shovelomics) ve bölütleme ağları, kök mimarisi özelliklerini (derinlik, dallanma açısı, yoğunluk) nicelleştirir

Tarla Fenotiplemesi

Tarla fenotiplemesi, çok daha zorlu koşullarda -- değişken aydınlatma, rüzgar, toprak arka planı, bitkiden bitkiye varyasyon ve örtüşen kanopiler -- çalışır, ancak sera verilerinin kopyalayamayacağı gerçekçi yetiştirme koşullarında özellik ifadesini yakalar.

Drone Tabanlı Kanopi Analizi

Multispektral, termal veya LiDAR sensörlerle donatılmış İHA'lar, tarla HTP için birincil araçtır: - Bitki boyu: Hareketten yapı (Structure from Motion) ile hesaplanan sayısal yüzey modellerinden (DSM) türetilir; yer kontrol noktalarına referansla 2-5 cm doğruluk - Kanopi örtüsü: Ortomozaik bölütlemeden tahmin edilir; erken canlılık ve yer kaplama hızı ile korelasyonlu - Bitki örtüsü indeksleri: Multispektral sensörlerden NDVI, NDRE; biyokütle ve azot durumu için vekiller - Kanopi sıcaklığı: Termal kameralar genotipler arasındaki su stresi farklılıklarını tespit eder; daha serin kanopi sıcaklıkları genellikle daha iyi su durumunu gösterir - Yatma değerlendirmesi: Fırtına sonrası kanopi yükseklik azalmasının DSM farkından haritalanması

Yer Tabanlı Tarla Platformları

Traktöre monte veya robotik platformlar (Rothamsted'deki Field Scanalyzer, PhenoMobile, Phenocart) kanopi düzeyinde yüksek çözünürlüklü veri yakalar. Bu sistemler, hava platformlarının çözemeyeceği ayrıntılı yapısal özellikleri yakalayarak uzamsal kapsamı ölçüm hassasiyetiyle takas eder.

Özellik Kategorileri

Genomik Bağlantısı ve Islah Hızlandırma

Fenotipleme verileri, genotipik verilerle (genotipleme-ile-dizileme'den SNP markerleri) birleştirildiğinde şunlara olanak tanır: - Genom Çapında İlişkilendirme Çalışmaları (GWAS): Fenotipik varyasyonu belirli genomik bölgelerle ilişkilendirme - Genomik tahmin: Tam fenotipleme olmadan genotipten fenotipi tahmin eden modellerin eğitimi; seçimi mümkün kılar - QTL haritalama: Kuraklık toleransı veya verim potansiyeli gibi karmaşık özellikleri kontrol eden kantitatif özellik lokuslarının belirlenmesi - G x E etkileşim modellemesi: Genotiplerin farklı ortamlarda nasıl farklı performans gösterdiğinin anlaşılması

Binlerce hattı doğru ve hızlı bir şekilde fenotipleyerek, HTP platformları birçok bitki için ıslah döngülerini 10-15 yıldan 5-7 yıla hızlandırmaktadır.

Bağlantılar

Bitki fenotipleme, paylaşılan sensör teknolojisi ve veri işleme boru hatları aracılığıyla uzaktan algılama ile derin bağlantılara sahiptir. Özellik çıkarım yöntemleri hastalık tespiti (lezyon nicelleştirmesi) ve meyve sayımı (organ tespiti ve bölütleme) ile örtüşür. Fenotipleme verileri verim tahmin modellerine beslenir ve iklim adaptasyonu ıslah programlarını bilgilendirir.

Ingest Edilen Makalelerden Bulgular

Kuraklık Toleransı için Fenotipleme

[Tuberosa, 2012] — Genomik çağda bitkilerin kuraklık toleransı için fenotiplenmesini kapsamlı biçimde ele alan bu derleme, yüksek verimli fenotiplemenin (HTP) ıslah programlarındaki kritik darboğaz olduğunu vurgular. Kuraklık direnci, dehidrasyon kaçınması (derin kökler, erken çiçeklenme, epikutiküler mumlar, ozmotik düzenleme) ve dehidrasyon toleransı (gövde suda çözünür karbonhidrat mobilizasyonu, moleküler koruyucu birikimi) olmak üzere iki temel stratejiye ayrılır. Tahıl verimi su kısıtlı koşullarda GY = W x WUE x HI formülüyle ifade edilir; burada W toplam transpire edilen su, WUE su kullanım verimliliği ve HI hasat indeksidir. Makale, düşük WUE'ye sahip ancak topraktan daha fazla su çıkarabilen genotiplerin paradoks olarak daha yüksek verim sağlayabildiğini gösterir; bu nedenle WUE'nin kuraklık toleransıyla eşdeğer tutulmaması gerektiğini vurgular. Fenotipleme hedefleri arasında erken canlılık (toprak yüzey buharlaşmasını azaltarak WUE'yi optimize eder), kök mimarisi (derin ve güçlü kök sistemi depolanan nem erişimini artırır), kanopi sıcaklık depresyonu (termal kameralarla ölçülebilen stoma iletkenliği vekili) ve fenolojik gelişim ile mevsimsel yağış örüntüsünün eşleştirilmesi öne çıkar. Hedef ortam popülasyonu (TPE) kavramı, bitki simülasyon modelleri ve tarihsel hava verileri kullanılarak karakterize edilir. Çok ortamlı denemeler, ılıman mısırda verim potansiyelini artırırken verim stabilitesini de korumuş ve birkaç durumda farklı su rejimleri boyunca verimi tutarlı biçimde etkileyen büyük etkili QTL'lerin tanımlanmasına olanak sağlamıştır.

Pirinçte Genomik Seleksiyon ve İlişkilendirme Haritalama

[Spindel et al., 2015] — IRRI'nin sulu pirinç ıslah programından 363 elit ıslah hattında genomik seleksiyonun (GS) etkinliğini değerlendiren ilk çalışmadır. 73.147 SNP markeri ile genotipleme-ile-dizileme (GBS) kullanılmıştır. Beş katlı çapraz doğrulama sonuçlarına göre tahmin doğrulukları: tane verimi için 0.31, bitki boyu için 0.34 ve çiçeklenme zamanı için 0.63 olarak raporlanmıştır. Tüm üç özellikte genomik tahmin modelleri soy kayıtlarına dayalı tahminlerden daha iyi performans göstermiştir. RR-BLUP, GWAS tarafından büyük etkili QTL tespit edilmeyen tane verimi için en iyi yöntem olurken; çiçeklenme zamanında kromozom 3 üzerinde varyasyonun %40'ından fazlasını açıklayan tek bir çok büyük etkili QTL tespit edilmiş ve geleneksel çoklu doğrusal regresyon (MLR) GS modellerinden daha iyi performans göstermiştir. Bitki boyunda dört orta büyüklükte QTL tanımlanmış ve Rastgele Orman (RF) en tutarlı doğru GS modelini üretmiştir. Marker alt küme analizleri, bu popülasyonda her 0.2 cM'de bir marker kullanmanın (~7.142 SNP) genomik seleksiyon için yeterli olduğunu göstermiştir. RR-BLUP ve RF, soy tabanlı tahmine göre ortalama ~%8 doğruluk iyileştirmesi sağlamıştır. Sonuçlar, özellik genetik mimarisinin (az sayıda büyük etkili QTL vs. çok sayıda küçük etkili QTL) en uygun istatistiksel yöntemi belirlediğini ve GWAS sonuçlarının GS model seçimini bilgilendirmesi gerektiğini ortaya koymuştur.

Otomatik Hücre/Bitki Görüntü Analizi Altyapısı

[Carpenter et al., 2006] — CellProfiler: Hücre fenotiplerini tanımlamak ve nicelleştirmek için geliştirilen ilk ücretsiz, açık kaynaklı yüksek verimli görüntü analiz yazılımı. Modüler boru hattı mimarisi, programlama bilgisi gerektirmeden karmaşık görüntü analiz iş akışları oluşturmayı sağlar. Tekil hücre düzeyinde yüzlerce özellik (yoğunluk, doku, lokalizasyon, şekil, boyut) otomatik olarak ölçülür. İnsan gözüyle algılanamayan ince farklılıkları (DNA boyama yoğunluğundaki 2 katlık fark, çekirdek boyutundaki %10 değişim) nicel olarak tespit eder. Bitki fenotiplemesi bağlamında CellProfiler, sera platformlarından elde edilen yüksek verimli mikroskop görüntülerinin otomatik analizinde temel altyapı oluşturmuştur. (5.420 atıf)

Domates Genomu ve Etli Meyve Evrimi

[Tomato Genome Consortium, 2012] — Evcilleştirilmiş domates (Solanum lycopersicum, 'Heinz 1706') ve yabani akrabası S. pimpinellifolium'un yüksek kaliteli genom dizileri. Temel bulgular: (i) Domates genomu yaklaşık 900 Mb, 34.727 protein kodlayan gen; (ii) iki domates genomu arasında yalnızca %0,6 nükleotit farklılığı, patatesle %8+ ayrışma; (iii) Solanum hattında iki ardışık genom üçlemesi tespit edilmiş -- meyve rengi ve etliliği gibi özelliklerin neofunksiyonalizasyonuna zemin hazırlamış; (iv) 23.208 gen grubundan 727'si yalnızca etli meyveli bitkilerde korunmuş; (v) RNA-Seq ile kök, yaprak, çiçek ve meyvenin altı gelişim evresinde gen ifade profilleri belirlenmiş. Fenotipleme için referans genom omurgası ve marker destekli seleksiyon altyapısı sağlamıştır. (3.332 atıf)

Küresel Bitki Özellikleri Veritabanı

[Kattge et al., 2011] — TRY: 93 veritabanını birleştiren küresel bitki özellikleri (trait) veritabanı. 300.000 türden 69.000'i için yaklaşık 3 milyon özellik kaydı; 52 özellik grubu (büyüme, yayılma, yerleşme, kalıcılık). Temel bulgular: (i) bitki özelliklerinin çoğu log-normal dağılımlı; (ii) tür içi varyasyon toplam varyasyonun %40'ına ulaşabilir; (iii) Bitki Fonksiyonel Tipleri (PFT) varyasyonun önemli kısmını yakalar ancak birçok özellikte varyasyonun %75'i PFT içinde. Fenotipleme ve makine öğrenmesi açısından TRY, küresel ölçekte morfolojik, fizyolojik ve biyokimyasal özellik verisi sağlayan temel eğitim veri kaynağıdır. (2.647 atıf)

Yüksek Kapasiteli Genotipleme Boru Hattı

[Glaubitz et al., 2014] — TASSEL-GBS: GBS verilerinin verimli işlenmesi için biyoinformatik boru hattı. 8-16 GB RAM ile masaüstü bilgisayarlarda çalışabilir; 100.000 bireyde yüz binlerce SNP'ye ölçeklenebilir. Mısır türü genelinde 31.978 örnekle kıyaslamada ortalama hata oranı 0,0042'ye düşürülmüştür. Keşif ve Üretim olmak üzere iki aşamalı tasarım, hızlandırılmış ıslahın iki fazını yansıtır. Fenotipleme açısından fenotip-genotip birleştirmesi için GWAS, genomik seleksiyon ve QTL haritalama analizlerini mümkün kılan temel genotipleme altyapısıdır. (1.738 atıf)

Klorofil a Floresansi ile Bitki Fizyolojik Durum İzleme

[Kalaji et al., 2016] — Klorofil a floresansi (ChlF), abiyotik stres kosullarinda bitkilerin fizyolojik durumunu izlemek için güçlü, tahribatsız, hizli ve düşük maliyetli bir fenotipleme araci olarak değerlendirilmistir. JIP-testi (OJIP induksiyon egrisi analizi) ile Fotosistem II (PSII) reaksiyon merkezlerinin durumu, isik hasat anten komplekslerinin islevi ve PSII'nin verici-alici taraflarinin aktivitesi hakkinda detayli bilgi elde edilmektedir. Stres turleri ve ChlF yanitlari:

• Yüksek sıcaklık: Fo artisi (LHC II ayrilmasi), FM azalmasi, K-bant (300 mikrosaniye) ortaya cikmasi (OEC hasari). Bugdayda 35 derece etkisizken, 45 derece OEC'de geri dönüşümsuz hasar oluşturur.
• Kuraklik: Performans indeksi (PI) en duyarli parametre; bugdayda kuraklik toleransi ile tane verimi arasında iyi korelasyon. DFI (kuraklik faktor indeksi) arpa çeşitlerinde tolerans siralamasi için kullanılır.
• Düşük sıcaklık: PSII verici tarafi hasari ve PQ havuzu degisiklikleri.
• Tuzluluk/Agir metal/Besin eksikligi: ABS/RC artisi gibi spesifik parametre değişimleri.

PI parametresi (reaksiyon merkezi yoğunlugu x primer fotokimya verimi x elektron tasinimi), stres algılama için en kapsamli tek parametredir. Tasinabilir ChlF cihazlarinin yayginlasmasi, teknigin tarla fenotiplemesi ve ürün izlemesinde kullanilabilirligini önemli ölçüde artirmistir. ChlF, islahatcilara kurakliga, sicaga ve tuza dayanikli genotipleri secmede pratik ve hizli bir fenotipleme araci sunmaktadir. (1.221 atif)