基于Micro-CT的玉米籽粒顯微表型特征研究

趙歡 王璟璐 廖生進 張穎 盧憲菊 郭新宇 趙春江

摘要： 植物顯微表型主要是指植物組織、細胞和亞細胞水平的表型信息，是植物表型組學研究的重要組成部分。針對傳統籽粒顯微性狀檢測方法效率低、誤差大且指標單一等問題，本研究利用Micro-CT掃描技術對5種類型11個品種玉米籽粒開展顯微表型精準鑒定研究。基于對CT序列圖像的處理解析，共獲取籽粒、胚、胚乳、空腔、皮下空腔、胚乳空腔和胚空腔的34項顯微表型指標。其中，胚乳空腔表面積、籽粒體積、胚乳體積比和胚乳空腔比表面積等4項表型指標在不同類型玉米間差異顯著（P-value<0.05）。普通玉米胚乳空腔表面積和籽粒體積顯著大于其它類型玉米，高油玉米胚乳空腔比表面積最大，甜玉米胚乳空腔比表面積最小，爆裂玉米胚乳體積比最大。進一步利用34項玉米籽粒表型指標開展差異分析和聚類分析，可將11個不同品種玉米分為四類，其中第一類以普通玉米為主，第二類以爆裂玉米為主，第三類是甜玉米，第四類是高油玉米。結果表明，Micro-CT掃描技術不僅可以實現玉米籽粒顯微表型的精準鑒定，還可以為玉米籽粒分類、品種檢測等提供技術支撐。

關鍵詞： 植物表型組學;顯微表型;Micro-CT;玉米籽粒;表型鑒定

中圖分類號： S126??? ??? 文獻標志碼： A??? 文章編號： 202103-SA004

引用格式：趙歡， 王璟璐， 廖生進， 張穎， 盧憲菊， 郭新宇， 趙春江. 基于Micro-CT的玉米籽粒顯微表型特征研究[J]. 智慧農業（中英文）， 2021， 3 （1）： 16-28.

Citation：ZHAO Huan， WANG Jinglu， LIAO Shengjin， ZHANG Ying， LU Xianju， GUO Xinyu， ZHAO Chunjiang. Study on the micro-phenotype of different types of maize kernels based on Micro-CT[J]. Smart Agriculture， 2021， 3 （1）： 16-28. （

1? 引? 言

進入21世紀以來，隨著新一代信息技術迅速發展，大數據時代及育種4.0[1]的到來，使得農業科學從傳統的理論科學、實驗科學和計算科學轉向數據密集型知識發現研究的科學發展階段，推動作物科學進入以大數據為核心的組學研究時代[2]。進入組學研究時代的農業基礎研究，迫切需要借助先進的信息化手段和自動化、高通量的表型獲取與解析平臺，打破傳統作物表型鑒定和分析技術的限制，從組學研究高度深入挖掘“表型—基因型—環境型”內在關系研究[2]，從而更好地為植物功能基因組學和作物分子育種研究服務[3]。

植物表型已在作物育種[4]、分子生物學[5]和微生物學[6]等多個領域中得到廣泛應用。Tardieu等[7]將植物表型定義為反映植物結構和組成的，或反映植物生長發育過程和結果的受基因型和環境互作產生的全部或部分可辨識特征和性狀。趙春江[2]對植物表型進行更為系統、全面的總結，即植物表型是指能夠反映植物細胞、組織、器官、植株和群體結構及功能的物理、生理和生化性狀。植物表型涉及范圍廣，小到核苷酸序列，大到植株群體[8-10]，都屬于植物表型的研究范疇。

顯微表型是植物表型的重要組成部分，是指在植物組織、細胞和亞細胞層面上能反映植株內部和生化的特征和性狀[2]，在特異基因精準鑒定和功能預測上能夠發揮重要作用。但相對于器官、植株和群體水平的表型信息獲取與解析，顯微表型相關工作相對較少、發展相對滯后。如何全面、快速獲得植物基于組織細胞的表型信息，是植物表型組學的重要研究內容。針對傳統顯微表型研究存在的問題，構建現代顯微表型研究技術是滿足當前植物表型組學尤其是顯微表型精準鑒定的關鍵。

以X射線掃描技術等為代表的新的成像技術極大促進了植物表型組學和植物發育生物學的發展。X射線電子計算機斷層掃描——Micro-CT，是一種三維斷層掃描成像技術，根據植物不同組織對X射線吸收和透過率的差異，重建獲得植物組織的斷面或立體圖像[11]。Micro-CT最初應用于醫學研究，后因為其具有非侵入性、非破壞性和高分辨率等特點，近幾年被逐漸引用到農業領域中并得到高度關注。在玉米研究中，基于Micro-CT掃描技術可以從顯微水平對玉米表型進行鑒定和功能研究，如提取玉米根系導管三維信息研究其與植物抗旱性的關系[12]，獲取莖稈維管束信息研究其與抗倒伏性的關系[13，14]等。將CT圖像與圖像自動處理軟件相結合，可實現玉米顯微表型數據的高通量獲取和解析，進而與基因組數據相結合進行關聯分析，挖掘顯微表型相關的候選基因[11]，實現多組學間的交叉融合。

玉米籽粒作為決定玉米產量的重要“庫”，內部含有淀粉、蛋白質、脂肪、水溶性多糖、維生素、礦物質以及人體必需的氨基酸等多種生理活性物質[15]。根據玉米植物學特征和生物學特性，可將玉米籽粒劃分為多種類型。如根據特殊用途和利用價值，玉米籽粒可被劃分為普通玉米和特種玉米，其中特種玉米包含甜玉米、糯玉米、高油玉米和爆裂玉米等多種類型[16-19]。玉米籽粒主要由胚、胚乳和種皮構成，近幾年研究還發現了玉米籽粒空腔的存在。根據其分布位置不同，空腔又被詳細劃分胚空腔、胚乳空腔和皮下空腔[20]。傳統玉米籽粒表型獲取分析方法主要分為兩大類，一是利用考種儀獲取玉米籽粒的常規RGB圖像并對其進行分析，能得到籽粒的長度、寬度、厚度和密度等外部形態特征表型參數，以及籽粒顏色紋理特征[21]。同Micro-CT相比，獲得樣品顏色紋理特征是常規RGB圖像具備的顯著優勢，但其也具有不可忽略的局限性，即基于考種RGB圖像無法提供籽粒內部形態特征，實現籽粒內部結構研究。二是制作籽粒石蠟切片，在光學顯微鏡下觀察籽粒形態結構并拍攝圖像，利用相關算法將多個切片圖像進行疊加從而取得整個籽粒的表型特征。雖然采用“切片+顯微鏡”觀察能獲得籽粒內部形態結構特征，但是切片制備過程復雜，會出現人工和機械誤差，使得獲取的序列圖像出現如位置偏移等諸多問題，進而導致基于切片圖像的三維重構和可視化效果較差[22]。此外，籽粒切片處理后，籽粒完整性受到嚴重破壞，無法用于后續研究。基于X射線斷層掃描技術的植物作物學組織研究方法克服了傳統制片的復雜過程，實現了無損、三維的組織成像結果及三維表型的定量分析。Rousseau等[23]首次采用同步輻射X射線同軸成像顯微技術研究玉米籽粒的三維解剖結構，并通過調節圖像閾值和主動輪廓算法（Active Contour Method）進行籽粒種皮、珠心、胚乳和胚等結構的分割，驗證了X射線斷層掃描技術能夠快速獲取植物組織的空間結構和分割組織內部不同的結構信息;Guelpa等[24，25]利用uCT掃描估計粉質胚乳和硬質胚乳的真實密度以及整顆籽粒的密度，結合空腔比值和孔隙率實現了玉米籽粒硬度分類和品質分級;Shao等[26]基于Micro-CT獲取的玉米籽粒三維圖像發現玉米籽粒密度、孔隙度等表型特征與種子飽滿度分級密切相關。但是目前關于利用Micro-CT對不同類型玉米籽粒顯微表型特征進行研究的報道尚不多見。

本研究以常見5種類型的11個品種玉米籽粒作為研究對象，研究基于Micro-CT的玉米籽粒顯微表型精準鑒定方法，探究不同類型籽粒顯微性狀特征差異，以期為籽粒分類、品質檢測提供依據。

2? 試驗材料與方法

2.1 試驗材料

選取常見5種類型的11個品種玉米籽粒作為研究對象，分別為普通玉米：B73，丹599，京92，京724，MC01;爆裂玉米：830和105;糯玉米：京黃糯269和京科糯2016;甜玉米：京科甜608;高油玉米：RY732。每個品種選取3顆生長發育一致的籽粒用于后續CT掃描。

2.2 籽粒CT掃描

利用X-射線顯微CT系統（美國Bruker公司，SkyScan 1172型）對玉米籽粒進行CT掃描。掃描電壓為40 kV，電流為250 uA，掃描像素間隔設置為13.55 um，樣品距光源和相機距光源的距離分別為259.850 mm和345.591 mm，掃描模式為2 K模式（2000×1332 px），設置系統以0.4°為間隔對樣品進行180°持續掃描（如圖1步驟B）。

2.3 CT圖像重構

利用CT Scan NRecon（美國Bruker 公司，版本1.6.9.4）軟件對CT掃描原始圖像進行圖像重構，獲得一系列籽粒橫截面格式為8-bit BMP的重構虛擬圖像，分辨率為2000×2000 px（如圖1步驟C）。

2.4 圖像分割與表型指標計算

結合ScanIP圖像處理軟件對CT圖像進行三維分割和表型指標計算，具體步驟如下。

（1）胚結構分割。胚部的分割主要根據圖像中胚和胚乳部分灰度值的不同進行區分，采用區域生長（Region Growing）法進行圖像分割。由于胚的灰度值與胚乳中的灰度值有重合，因此，在3D全序列切片上，胚乳部分會影響到胚的分割。采用單張2D序列圖，選擇性跳躍生長的操作可較好獲得胚的輪廓。在本研究中選擇20張圖像進行區域生長，然后利用閉（close）操作實現胚的完整分割（如圖1步驟D）。

（2）空腔結構分割。空腔位于籽粒內部，根據其分布位置不同，空腔可詳細劃分為胚空腔、胚乳空腔和皮下空腔。空腔部分與其它結構一方面灰度值差距明顯，另一方面與其他結構獨立不連通。根據其結構上獨立不連通這一特性，使用Region growing在當前活動mode上操作，分割得到胚空腔的完整結構，胚乳空腔和皮下空腔分割過程同上。在獲得胚空腔、胚乳空腔、皮下空腔完整結構后，將三者的mode相加得到總空腔的完整結構。

（3）胚乳結構分割。在空腔和胚結構都獲得的情況下，直接利用完整籽粒的mode減去空腔和胚的部分即可得到胚乳部分（含種皮），之后利用腐蝕（erode）操作去除種皮部分。

（4）三維表型指標計算。通過以上步驟（1）～（3）可實現對玉米籽粒內部三維結構的分割，精細分割出胚、胚乳、空腔、皮下空腔、胚乳空腔和胚空腔等不同的組織（如圖1步驟E），進一步對各個成分進行計算即可獲得相關表型指標，包括體積（Volume，mm3）、表面積 （Surface Area，mm2）、原始灰度均值（Mean Greyscale（Original））、體積比和比表面積等（如圖1步驟F）。

2.5 數據分析

使用R語言自帶的cor（ ）函數計算不同類型玉米籽粒表型指標間的相關系數，并利用corrplot包繪制相關性熱圖;采用單因素方差分析和靈敏度較高的最小顯著差法（Least Significant Difference，LSD）在P<0.05水平比較不同類型玉米籽粒間的表型差異顯著性;基于34項玉米籽粒顯微表型指標，使用R語言cluster包pam（ ）函數進行K-中心點（K-Medoids）聚類分析。

3? 結果與分析

3.1 玉米籽粒組織結構三維可視化及表型解析

基于CT序列圖像，使用CT-分析器（CT-Analyser，CTAN）和CT-體積（CT-Volume，CTVOL）對獲得的3D圖像進行渲染，可實現樣品內部結構的定性分析，確定其內部不同結構的特征，以及不同品種之間在內部結構上的差異。如圖2所示，展示了不同類型不同品種籽粒結構的三視圖：x-y平面（橫軸視圖），x-z平面（冠狀視圖）和z-y平面（旋轉矢狀視圖）。結合ScanIP軟件實現了對玉米籽粒內部三維結構的精細分割，包括胚、胚乳、空腔、皮下空腔、胚乳空腔和胚空腔等6個不同的組織，進一步對各個成分進行計算，獲得包括體積、表面積、原始灰度均值、體積比和比表面積等34項玉米籽粒顯微表型指標，如表1所示。

3個維度的二維斷面切片圖像

3.2 籽粒表型性狀相關性分析

為探究不同類型玉米籽粒表型指標之間的關系，對34項顯微表型指標兩兩變量進行相關分析。結果發現，籽粒與胚乳在表面積、體積等表型指標上呈極顯著正相關關系，相關系數r>0.94（圖3），表明胚乳是構成籽粒的主要組成部分，符合胚乳約占玉米籽粒80%以上的結論;空腔、皮下空腔和胚乳空腔三者的體積和體積比兩兩之間相關系數r均大于0.8，呈極顯著正相關，表明空腔大小主要受皮下空腔和胚乳空腔大小影響。

此外，本研究提取到一個能反應籽粒不同結構組織密度的指標Mean Greyscale（Original）。greyscale表示灰度，取值范圍為0～255，0為黑色，255為白色[27]。其中致密物質為白色，空氣為黑色[28]。籽粒不同組織結構原始灰度均值相關性分析顯示，胚、胚乳和籽粒兩兩之間相關系數r均大于0.90，且灰度值相近，說明籽粒與胚乳、胚的組織密度相似，籽粒密度與其內部胚乳、胚組織顯著相關。

3.3 籽粒表型性狀差異分析

為探索同一表型指標在不同類型籽粒間的關系，利用R語言對表型指標進行單因素方差分析和LSD檢驗。本次試驗單因素方差分析主要對籽粒整體、籽粒內部結構以及原始灰度均值進行分析。

3.3.1 籽粒整體組間差異分析

對11個品種玉米籽粒的體積大小進行排序發現，京92、B73、京724等普通玉米籽粒體積明顯大于甜玉米京科甜608、高油玉米RY732、爆裂玉米105和830。其中普通玉米京92體積最大，為251.67 mm3，與特種玉米（糯玉米、爆裂玉米、高油玉米和甜玉米）具有顯著差異（P<0.05）（表2）。但是普通玉米籽粒體積與糯玉米無法區分（表2），可能是由于糯玉米與普通玉米在籽粒大小外觀表型相似的原因。

比表面積是指整個籽粒表面積與體積之比，也是衡量籽粒形態的重要指標。由表2可知，11個品種籽粒比表面積大小排序為京科甜608 > RY732 > 105 > 京科糯2016 > 京黃糯269 > 830 > 丹599 > B73> MC01 > 京724 > 京92，表明特種玉米籽粒比表面積普遍大于普通玉米籽粒比表面積。例如，比表面積最大為甜玉米京科甜608（2.59），與其他籽粒具有顯著差異，而比表面積最小的特種玉米為830（1.49），其比表面積比普通玉米中比表面積最大的丹599（1.43）還大。

以上研究結果表明，基于籽粒體積和籽粒比表面積能實現對特種玉米和普通玉米籽粒的區分。

3.3.2 籽粒內部結構在不同類型籽粒間的差異分析

為進一步對比籽粒內部結構在不同類型籽粒間的差異，本研究對胚、胚乳、空腔、皮下空腔、胚乳空腔以及胚空腔的表型指標進行單因素方差分析。如表3所示，在胚乳體積中排列前5的玉米籽粒中有4個為普通玉米，如京92、B73、京724和MC01，其中京92胚乳體積最大，為210.67 mm3。特種玉米中爆裂玉米105、高油玉米RY732和甜玉米京科甜608的胚乳體積明顯小于普通玉米，其中京科甜608胚乳體積最小，為83.7 mm3。若按不同品種玉米籽粒胚乳空腔表面積由大到小進行排序，11個玉米籽粒中5個普通玉米排列在前七位，分別為丹599，京724，B73，MC01，京92，胚乳空腔表面積在88.73～132.40 mm2之間，顯著高于其它類型玉米籽粒空腔表面積4.79～54.24 mm2（表4）。相反，若按胚體積比分類，除丹599，所有普通玉米籽粒胚體積比為9～15，普遍較小，明顯小于其它類型玉米籽粒，如甜玉米京科甜608（胚體積比為25.19）以及高油玉米RY732（胚體積比為24.11）（表5）。以上分析表明，胚乳體積、胚乳空腔表面積以及胚體積比等顯微表型指標可用于區分普通玉米和特種玉米（爆裂、高油及甜玉米等）。

由胚乳體積比差異分析結果可知，爆裂玉米105和830胚乳體積比值在所有玉米類型中排列前二，且比值均大于87（表5），表明爆裂類型玉米籽粒相較其它類型玉米籽粒胚乳體積占籽粒體積比較大。此外，根據差異分析結果發現，胚乳空腔比表面積表型指標可用于區分高油玉米RY732和甜玉米京科甜608。高油玉米RY732胚乳空腔比表面積最大，為97.44;相反甜玉米京科甜608胚乳空腔比表面積最小，為11.06，且與其他類型籽粒差異顯著（表6）。通過差異分析還發現，胚乳空腔體積比大小也可用于高油玉米RY732和甜玉米京科甜608的區分。甜玉米京科甜608胚乳空腔體積比最大，為7.33，高油玉米RY732最小，為0.05，其中甜玉米京科甜608顯著區別于其它類型玉米籽粒胚乳空腔體積比（表5）。

3.4 原始灰度均值的差異分析

本研究還對原始灰度均值進行差異分析。從表7可知，在11個品種玉米籽粒中，空腔組織結構胚空腔、胚乳空腔、皮下空腔原始灰度均值都低于50;非空腔組織結構胚、胚乳、籽粒原始灰度平均值均高于80，且籽粒空腔與非空腔灰度值差異顯著。表明原始灰度均值能區分籽粒空腔與非空腔組織結構，可作為籽粒空腔與非空腔組織結構劃分的重要表型指標。

3.5 表型指標聚類分析

使用R語言cluster包pam（ ）函數對34項顯微表型指標進行K-Medoids聚類分析，結果如圖4所示。圖中不同顏色和形狀劃分的多邊形代表不同的分類組，11種籽粒可被劃分為四類。第一類：京724、MC01、京黃糯269、B73、丹599、京92（藍色）;第二類：京科糯2016、105、830（綠色）;第三類：京科甜608（黃色）;第四類：RY732（紅色）。

在分類的基礎上，對四類籽粒做不同表型指標的單因素方差分析，結果如表8所示。其中，胚乳體積（Vend）、籽粒體積（Vk）、胚乳空腔表面積（Sendc）、胚空腔表面積（Sembc）、籽粒比表面積（SVk）、胚乳空腔比表面積（SVendc）、胚體積比（VVemb）和胚乳體積比（VVend）等8個表型指標在不同類型玉米籽粒中存在顯著差異（P-value<0.05）。

為進一步確定上述存在顯著差異的8個表型指標對不同分類組的影響程度，基于這8項表型指標和四類玉米籽粒類型進行LSD，結果表明，胚空腔表面積在4類玉米籽粒中不存在顯著差異（表9），不適用于籽粒區分。因此，本研究使用除胚空腔表面積外的7個表型指標對不同類型玉米籽粒進行分類。

結合表型指標在不同分類組的均值大小，每一類的主要特征為：第一類籽粒胚乳空腔表面積、胚乳體積和籽粒體積最大，其中籽粒體積與其余三類籽粒體積具有顯著差異;第二類籽粒胚乳體積比最大，但與第一類和第四類在P-value<0.05水平上無顯著差異，胚體積比最小，但與第一類在P-value<0.05水平上無顯著差異;第三類籽粒胚乳體積、胚乳空腔比表面積和胚乳體積比最小，籽粒比表面積和胚體積比最大;第四類籽粒胚乳空腔表面積和籽粒體積最小，胚乳空腔比表面積最大。

4? 結論與討論

本研究以普通玉米、糯玉米、爆裂玉米、高油玉米和甜玉米5種類型的11個品種玉米籽粒為研究對象，基于Micro-CT開展籽粒表型顯微特征研究，主要結論有：

（1）利用CT掃描技術實現玉米籽粒、胚、胚乳、空腔、皮下空腔、胚乳空腔和胚空腔等7個組織結構的三維分割及34項表型指標的精準提取。

（2）34項表型指標中，胚乳空腔表面積、籽粒體積、胚乳體積比和胚乳空腔比表面積等4項表型指標在不同類型玉米間差異顯著（P-value<0.05）。其中，普通玉米胚乳空腔表面積和籽粒體積顯著大于其他類型玉米籽粒，爆裂玉米胚乳體積比最大，高油玉米胚乳空腔比表面積最大，甜玉米胚乳空腔比表面積最小。

（3）基于34項表型指標進行差異分析和聚類分析，可將11個不同品種玉米籽粒分為四類。第一類：京724、MC01、京黃糯269、B73、丹599、京92;第二類： 105、830、京科糯2016;第三類：京科甜608;第四類：RY732。此分類結果與實際玉米類型基本吻合，表明Micro-CT掃描技術可以為不同品種玉米籽粒分類提供支持。

由于糯玉米同普通玉米相比較，兩者主要區別在于內部組織生化成分不同，而在外形結構上無差異[29]，所以在進行表型數據聚類時，京黃糯269被劃分在普通玉米中。在特種玉米中，甜玉米京科甜608胚乳空腔比表面積與其它類型玉米籽粒相比，其胚乳空腔比表面積最小，差異顯著（表6）。相反，高油玉米籽粒RY732胚乳空腔比表面積在所有玉米籽粒中最大且差異顯著（表6），說明胚乳空腔比表面積表型指標可用于區分甜玉米和高油玉米。該結果與聚類分析結果一致，高油玉米RY732 與甜玉米京科甜608被分別單獨劃分為一類（圖4）。爆裂玉米105和830胚乳體積比值均大于其他類型玉米（表5），且聚類分析后存在顯著差異的8個表型指標LSD檢驗發現，主要由爆裂玉米構成的第二類其胚乳體積比也大于其他三類（表9），表明胚乳體積比可作為爆裂玉米同其它類型玉米區分的重要依據。同樣地，在區分普通玉米和特種玉米中，籽粒表型指標如籽粒體積、胚乳空腔表面積在種間差異較大，可用于區分普通玉米與特種玉米。例如，分別對胚乳空腔表面積、籽粒體積進行單因素方差分析，并對胚乳空腔表面積、籽粒體積大小排序。結果顯示在11個籽粒中，排名前50%的玉米籽粒均為普通玉米（表4和表3），且該結果與聚類分析結果類似。在聚類分析中，普通玉米被劃分為第一類，明顯區分于其它三類特種玉米（圖4）。差異分析結果和聚類分析結果均發現胚乳空腔表面積、籽粒體積、胚乳體積比和胚乳空腔比表面積這四項指標在不同類型玉米籽粒間存在顯著差異，為不同類型玉米籽粒分類提供重要的參考依據。

現有的CT圖像分割流程涉及大量的人工交互耗時長、效率低，無法滿足高通量的玉米籽粒顯微表型特征獲取。今后，如何提升顯微表型獲取的效率與精度，開展大群體籽粒顯微特征研究，將成為下一步工作的研究重點。

致? 謝

感謝北京市農林科學院玉米中心段民孝副研究員和趙衍鑫副研究員提供部分玉米品種種子。

參考文獻：

[1]??? WALLACE J G， RODGERS-MELNICK E， BUCKLER E S. On the road to breeding 4.0： Unraveling the good， the bad， and the boring of crop quantitative genomics[J]. Annual Review of Genetics， 2018， 52： 421-444.

[2]?? 趙春江. 植物表型組學大數據及其研究進展[J]. 農業大數據學報， 2019， 1（2）： 5-18.ZHAO C. Big data of plant phenomics and its research progress[J]. Journal of Agricultrual Big Data， 2019， 1（2）： 5-18.

[3]??? 潘映紅.論植物表型組和植物表型組學的概念與范疇[J]. 作物學報， 2015， 41（2）： 175-186.PAN Y. Analysis of concepts and categories of plant phenome and phenomics[J]. Acta Agronomica Sinica， 2015，? 41（2）： 175-186.

[4]??? 穆金虎， 陳玉澤， 馮慧， 等. 作物育種學領域新的革命：高通量的表型組學時代[J]. 植物科學學報， 2016， 34（6）： 962-971.MU J， CHEN Y， FENG H， et al. A new revolution in crop breeding： The era of high-throughput phenomics[J]. Plant Science Journal， 2016， 34（6）： 962-971.

[5]??? FREY T K， YOUNGNER J S. Novel phenotype of RNA synthesis expressed by vesicular stomatitis virus isolated from persistent infection[J]. Journal of Virology， 1982， 44（1）： 167-174.

[6]??? VIZEACOUMAR F J， CHONG Y， BOONE C， et al. A picture is worth a thousand words： Genomics to phenomics in the yeast Saccharomyces cerevisiae[J]. FEBS letters， 2009， 583（11）： 1656-1661.

[7]??? TARDIEU F， CABRERA-BOSQUET L， PRIDMORE T， et al. Plant phenomics， from sensors to knowledge[J]. Current Biology， 2017， 27（15）： R770-R783.

[8]??? FURBANK R T， JIMENEZ‐BERNI J A， GEORGE‐JAEGGLI B， et al. Field crop phenomics： Enabling breeding for radiation use efficiency and biomass in cereal crops[J]. New Phytologist， 2019， 223（4）： 1714-1727.

[9]??? 玉光惠， 方宣鈞. 表型組學的概念及植物表型組學的發展[J]. 分子植物育種， 2009， 7（4）： 639-645.YU G， FANG X. Concept of phenomics and its development in plant science[J]. Molecular Plant Breeding， 2009， 7（4）： 639-645.

[10]? ZHAO C， ZHANG Y， DU J， et al. Crop phenomics： Current status and perspectives[J]. Frontiers in Plant Science， 2019， 10： ID 714.

[11]? DU Z， HU Y， BUTTAR NALI， et al. X‐ray computed tomography for quality inspection of agricultural products： A review[J]. Food Science & Nutrition， 2019， 7（10）： 3146-3160.

[12]? 潘曉迪， 張穎， 邵萌， 等. 作物根系結構對干旱脅迫的適應性研究進展[J]. 中國農業科技導報， 2016， 19（2）： 51-58.PAN X， ZHANG Y， SHAO M， et al. Research progress on adaptive responses of crop root structure to drought stress[J]. Journal of Agricultural Science and Technology， 2016， 19（2）： 51-58.

[13]? ZHANG Y， DU J， WANG J， et al. High-throughput micro-phenotyping measurements applied to assess stalk lodging in maize （Zea mays L.）[J]. Biological Research， 2018， 51： 40.

[14]? PAN X， MA L， ZHANG Y， et al. Quantification of root anatomical traits in RGP transgenic maize plants based on Micro-CT[C]// International Conference on Computer and Computing Technologies in Agriculture. Berlin， Germany： Springer， Cham， 2017： 340-346.

[15]? 劉曉濤. 玉米的營養成分及其保健作用[J]. 中國食物與營養， 2009（3）： 60-61.LIU X. Nutrition components of corn and its functions[J]. Food and Nutrition in China， 2009（3）： 60-61.

[16]? HALLAUER A R. Specialty corns[M]. Boca Raton： CRC press， 2000.

[17]? 李競雄. 美國玉米種質基礎[J]. 國外農業科技， 1982（4）： 1-7.LI J. Germplasm basis of American maize[J]. Foreign Agricultural Science and Technology， 1982（4）： 1-7.

[18]? 史振聲. 對我國專用特用玉米科研與產業開發問題的思考[J]. 玉米科學， 2004（3）： 111-112， 115.SHI Z. Thoughts on the scientific research and industrial development of special purpose corn in China[J]. Journal of Maize Sciences， 2004（3）： 111-112， 115.

[19]? 韓偉， 呂瑩瑩， 張萌， 等. 我國特用玉米生產現狀與發展對策[J]. 安徽農業科學， 2017， 45（28）： 39-41， 77.HAN J， LYU Y， ZHANG M， et al. Production status and development countermeasures of special maize in China[J]. Journal of Anhui Agricultural Sciences， 2017， 45（28）： 39-41， 77.

[20]? HOU J， ZHANG Y， JIN X， et al. Structural parameters for X-ray micro-computed tomography （μCT） and their relationship with the breakage rate of maize varieties[J]. Plant Methods， 2019， 15（1）： 1-11.

[21]? 吳建偉， 郭新宇， 王傳宇， 等. 玉米育種自動考種儀[J]. 中國種業， 2013（9）： 51-52.WU J， GUO X， WANG C， et al. Automatic seed testing instrument for maize breeding[J]. China Seed Industry， 2013（9）： 51-52.

[22]? ZHANG Y， WANG J， DU J， et al. Dissecting the phenotypic components and genetic architecture of maize stem vascular bundles using high‐throughput phenotypic analysis[J]. Plant Biotechnology Journal， 2021， 19（1）： 35-50.

[23]? ROUSSEAU D， WIDIEZ T， DI TOMMASO S， et al. Fast virtual histology using X-ray in-line phase tomography： Application to the 3D anatomy of maize developing seeds[J]. Plant Methods， 2015， 11（1）： 1-10.

[24]? GUELPA A， DU PLESSIS A， KIDD M， et al. Non-destructive estimation of maize （Zea mays L.） kernel hardness by means of an X-ray micro-computed tomography （μCT） density calibration[J]. Food and Bioprocess Technology， 2015， 8（7）： 1419-1429.

[25]? GUELPA A， DU PLESSIS A， MANLEY M. A high-throughput X-ray micro-computed tomography （μCT） approach for measuring single kernel maize （Zea mays L.） volumes and densities[J]. Journal of Cereal Science， 2016， 69： 321-328.

[26]? SHAO M， ZHANG Y， DU J， et al. Fast analysis of maize kernel plumpness characteristics through Micro-CT technology[C]// International Conference on Computer and Computing Technologies in Agriculture. Berlin， Germany： Springer， Cham， 2017： 31-39.

[27]? 張桂華， 馮艷波， 陸衛東. 圖像處理的灰度化及特征區域的獲取[J]. 齊齊哈爾大學學報， 2007（4）： 49-52.ZHANG G， FENG Y， LU W. Image processing grayscale and feature region acquisition[J]. Journal of Qiqihar University， 2007（4）： 49-52.

[28]? GUSTIN J L， JACKSON S， WILLIAMS C， et al. Analysis of maize （Zea mays） kernel density and volume using microcomputed tomography and single-kernel near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry， 2013， 61（46）： 10872-10880.

[29]? 王義發， 汪黎明， 沈雪芳，等. 糯玉米的起源、分類、品種改良及產業發展[J]. 湖南農業大學學報（自然科學版）， 2007（S1）： 97-102.WANG Y， WANG L， SHEN X. et al. Orlgin classification， variety improvement and industry development of waxy corn[J]. Journal of Hunan Agricultural University（Natural Sciences）， 2007（S1）： 97-102.

Study on the Micro-Phenotype of Different Types of Maize Kernels Based on Micro-CT

ZHAO Huan1，2，3， WANG Jinglu1，2， LIAO Shengjin1，2， ZHANG Ying1，2， LU Xianju1，2， GUO Xinyu1，2， ZHAO Chunjiang1，2*

（1.Beijing Research Center for Information Technology， Beijing 100097， China; 2.National Engineering Research Center for Information Technology in Agriculture/Beijing Key Lab of Digital Plant， Beijing 100097， China;

3.College of Plant Science & Technology of Huazhong Agricultural University， Wuhan 430070， China）

Abstract： Plant micro-phenotype mainly refers to the phenotypic information at the tissue， cell， and subcellular levels， which is an important part of plant phenomics research. In view of the problems of low efficiency， large error， and few traits of traditional methods for detecting kernel microscopic traits， Micro-CT scanning technology was used to carry out precise identification of micro-phenotype on 11 varieties of maize kernels. A total of 34 microscopic traits were obtained based on CT sequence images of 7 tissues， including seed， embryo， endosperm， cavity， subcutaneous cavity， endosperm cavity and embryo cavity. Among the 34 microscopic traits， 4 traits， including endosperm cavity surface area， kernel volume， endosperm volume ratio and endosperm cavity specific surface area， were significantly different among maize types （P-value<0.05）. The surface area of endosperm cavity and kernel volume of common maize were significantly higher than those of other types of maize. The specific surface area of endosperm cavity of high oil maize was the largest. The endosperm cavity of sweet corn had the smallest specific surface area. The endosperm volume ration of popcorn was the largest. Furthermore， 34 traits were used for One-way ANOVA and cluster analysis， and 11 different maize varieties were divided into four categories， of which the first category was mainly common maize， the second category was mainly popcorn， the third category was sweet corn， and the fourth category was high oil maize. The results indicated that Micro-CT scanning technology could not only achieve precise identification of micro-phenotype of maize kernels， but also provide supports for kernel classification and variety detection， and so on.

Key words： plant phenomics; micro-phenotype; Micro-CT; maize kernel; phenotype identification