Summary

ジャガイモの単一および複合ストレスに対する形態学的および生理学的応答を決定するためのハイスループット画像ベース表現型

Published: June 07, 2024
doi:

Summary

私たちは、単一および複合的な熱、干ばつ、および浸水処理に対する形態学的および生理学的反応を決定するために、画像ベースの表現型決定プロトコルを設計しました。このアプローチにより、プラント全体、特に地上の部品レベルでの早期、遅延、および回復の応答を特定でき、複数のイメージングセンサーを使用する必要性が浮き彫りになりました。

Abstract

ハイスループットの画像ベースの表現型は、特定の条件下での植物の発育とパフォーマンスを経時的に非侵襲的に決定するための強力なツールです。複数のイメージングセンサーを使用することで、植物バイオマス、光合成効率、樹冠温度、葉の反射率指数など、多くの興味深い形質を評価できます。植物は、厳しい熱波、洪水、干ばつが作物の生産性を深刻に脅かす圃場条件下で、複数のストレスに頻繁にさらされます。ストレスが一致すると、相乗的または拮抗的な相互作用により、植物に生じる影響が明確になる可能性があります。ジャガイモ植物が、自然に発生するストレスシナリオに似た単一および複合ストレスにどのように応答するかを解明するために、塊茎化の開始時に、選択したジャガイモ品種(Solanum tuberosum L.、cv. Lady Rosetta)に5つの異なる処理、すなわち、制御、干ばつ、熱、浸水、および熱、干ばつ、および浸水ストレスの組み合わせが課されました。私たちの分析によると、浸水ストレスは植物の生産性に最も悪影響を及ぼし、光化学系IIの量子収率と効率の低下、キャノピー温度と水指数の増加など、気孔閉鎖に関連する迅速かつ劇的な生理学的反応を引き起こしました。熱処理と複合応力処理の下では、応力の初期段階で相対的な成長率が低下しました。干ばつや複合ストレス下では、ストレスの後期に温度が上昇し、気孔が閉鎖されると、植物の体積と光合成性能が低下しました。定義された環境条件下での最適化されたストレス処理と、選択された表現型プロトコルの組み合わせにより、単一および複合ストレスに対する形態学的および生理学的応答のダイナミクスを明らかにすることができました。ここでは、気候変動に関連するいくつかのストレスに対するレジリエンスを示す植物形質を特定しようとしている植物研究者向けの便利なツールを紹介します。

Introduction

熱波、洪水、干ばつの強度と頻度の増加など、気候変動の潜在的な影響は、作物の栽培に悪影響を及ぼします1。気候変動が作物の変動性に及ぼす影響と、その結果として生じる年間作物生産の変動を理解することは重要である2。人口と食料需要の増加に伴い、作物の収量を維持することは課題であり、そのため、育種のための気候変動に強い作物を見つけることが急務です3,4。ジャガイモ(Solanum tuberosum L.)は、その高い栄養価と水利用効率の向上により、世界の食料安全保障に貢献する必須食用作物の1つです。しかし、不利な条件下での生育と収量の低下は、特に影響を受けやすい品種5,6において、主要な問題です。多くの研究は、農業慣行、寛容な遺伝子型の発見、ストレスが開発と収量に与える影響の理解など、ジャガイモ作物の生産性を維持するための代替アプローチを調査することの重要性を強調しています7,8,9、これはヨーロッパのジャガイモ生産者(または農家)によっても強く求められています10

画像ベースの表現型解析を含む自動表現型解析プラットフォームは、関心のある関連形質を選択するために不可欠な植物の構造と機能の定量的解析を可能にする11,12ハイスループット表現型は、目的のさまざまな形態学的および生理学的形質を再現性のある迅速な方法で決定するための高度な非侵襲的手法です13。表現型は環境影響との関連で遺伝子型の違いを反映しているが、制御された条件下での植物をストレスと比較することで、広範な表現型情報を特定の(ストレス)条件に結びつけることができる14。画像ベースの表現型は、表現型の多様性を記述するために不可欠であり、また、集団サイズ15に関係なく、植物の発達全体にわたる一連の形質をスクリーニングすることも可能である。例えば、RGB(Red-Green-Blue)イメージングセンサーを用いた葉の形、大きさ、色指数などの形態学的形質の測定は、植物の成長と発達を決定するために使用されます。さらに、光合成性能、キャノピー温度、葉の反射率などの生理学的形質の測定値は、クロロフィル蛍光、熱赤外(IR)、ハイパースペクトルイメージングなどの複数のタイプのセンサーを使用して定量化されます16。制御された環境での最近の研究では、ジャガイモの熱17、大麦の干ばつ18、イネ19、小麦の干ばつと熱処理の組み合わせなど、非生物的ストレス下での植物のさまざまなメカニズムと生理学的応答を評価するために、画像ベースの表現型を使用する可能性が示されました20。複数のストレス相互作用に対する植物の応答の研究は複雑であるが、この知見は、気候条件の急激な変化に対処する植物のメカニズムを理解する上で新たな知見を明らかにしている21

植物の生理学的および形態学的応答は、非生物的ストレス条件(高温、水不足、および洪水)に直接影響され、収量の減少をもたらします22。じゃがいもは他の作物に比べて水利用効率が高いにもかかわらず、根の構造が浅いため、水不足は収量量と質に悪影響を及ぼします5。干ばつの強度と期間に応じて、葉面積指数は減少し、新しい葉の形成の阻害を伴うキャノピーの成長の遅延は、ストレスの後期に顕著になり、光合成速度の低下につながります23。水の閾値レベルは、過剰な水や長期の干ばつ期間で重要であり、酸素の制限、根の水力伝導率の低下、およびガス交換の制限により、植物の成長と塊茎の発達に悪影響を及ぼします24,25。さらに、ジャガイモは高温に敏感であり、最適なレベルを超える温度は塊茎の開始、成長、および同化速度を遅らせる26。ストレスが組み合わさって現れると、生化学的調節と生理学的応答は個々のストレス応答とは異なるため、ストレスの組み合わせに対する植物の応答を調査する必要性が浮き彫りになる27。複合的なストレスは、植物の成長と生殖関連形質に対する決定的な影響を(さらに)大幅に減少させる可能性がある28。ストレスの組み合わせの影響は、各ストレスが他のストレスよりも優勢であり、植物の反応が強化または抑制されます(たとえば、干ばつは通常、気孔の閉鎖につながりますが、熱ストレス下での葉の表面の冷却を可能にするために気孔が開いています)。しかし、複合ストレス研究はまだ出現しており、これらの条件下で植物の応答を媒介する複雑な制御をよりよく理解するためには、さらなる調査が必要である29。したがって、この研究は、形態生理学的反応を評価し、単一および複合ストレス治療下でのジャガイモの全体的なパフォーマンスの根本的なメカニズムを理解するのに適した複数のイメージングセンサーを使用した表現型プロトコルを強調し、推奨することを目的としています。仮説通り、複数のイメージングセンサーを組み合わせることは、植物のストレス応答の初期と後の戦略を特徴付けるための貴重なツールであることが証明されました。画像ベースの表現型決定プロトコルの最適化は、植物研究者や育種家が非生物的ストレス耐性に関心のある形質を見つけるためのインタラクティブなツールとなります。

Protocol

1.植物材料の準備と成長条件 in vitro ジャガイモ(Solanum tuberosum L., cv. Lady Rosetta)の切片を組織培養から250mLのポットに移植します。 ポットに完全に飽和したクラスマン基質2を入れ、低照度条件下で成長チャンバーに1週間保管します。 照度計を使用して、25%の白色光と35%の赤外線の組み合わせで、キャノピーレベルの光条件を160μmol・m-2・s-1 に調整します。 in vitro挿し木を土壌中で育ててから10日後に、3つのLポット(直径15.5cm、高さ20.5cm)に植物を移植します。 3Lのポットに1850gの3:1 Klasmann Substrate 2:Sandを入れます。 植物を320μmol・m-2・s-1 の光条件下で、55%の白色光と81%の赤外線の組み合わせで成長チャンバーに入れ、長日体制(16時間の光周期)に設定します。 成長チャンバー内の温度を昼/夜は22°C/19°Cに設定し、実験全体で相対湿度(RH)を55%に設定します。 鉢の重量を60%の土壌相対含水率(SRWC)に維持し、成長と収量30,31を維持するための適切な制御レベルとして。注:以前の試験に基づくと、体積含水量を60%以上に維持すると、土壌表面のコケの成長が促進され、植物病害のリスクが高まりました。さらに、コケの存在は、クロロフィル蛍光イメージングから誤解を招くような正のシグナルを生成する可能性があり、これをフィルタリングするのが困難です。次の式を使用します:SRWC%=(FW-DW)/(TW-DW)× 100、ここでFWは土壌の新鮮な重量、TWは膨らんだ重量、DWは乾燥重量32です。3つの異なるKlasmman Substrate 2混合バッグから土壌サンプル(100 g)を複製として選択し、土壌の新鮮な重量を秤量します。 鉢が滴り落ちることなく水を保持するまで土壌を水で飽和させ、土壌の膨らみの重量を量ります。 土壌サンプルが完全に乾くまで、サンプルを80°Cのオーブンに3日間置き、土壌乾燥重量33を秤量します。 蒸発を減らすために、ポットの表面に青いマットを置きます。注:画像セグメンテーションで植物のピクセルから土壌の背景を差し引くには、青色が必要です。 治療ごとに10回の生物学的複製を選択します。 灌漑中にポットをランダム化します(合計50ポット)。 植物を支え、表現型システムに配置する際の機械的損傷を避けるために、青いホルダーを追加します。 2.ストレスの適用 結節化の初期段階( in vitro 挿し木を移植してから28日後)で、植物を5つの処理グループに分け、処理ごとに10の植物を表現型付けします(図1)。 次のように、単一応力と複合応力を有害でないレベルまで誘導します。成長チャンバーでは、植物を制御し、干ばつ、浸水処理を昼夜を問わず22°C/19°Cで維持します(ステップ1.7)、SRWCの割合を変えます。実験全体で60%SRWCで制御(C)。干ばつ(D)は20%SRWCで7日間徐々に発生し、その後1日間回復します。160%SRWCによる浸水(W)を5日間行い、その後10日間の回復。 浸水処理で土壌表面より上の水位を維持するために、空のポットにビニール袋を挿入し、準備した2番目のポットに土を入れたメインポットを置きます。 植物を30/28°Cの昼夜および55%RHの成長カプセルに入れて熱処理します。次のように、単一および複合熱応力を課します。熱(H)の場合、SRWCの60%で温度を30〜28°Cに15日間維持します。 熱+干ばつ+浸水(HDW)のトリプルストレスの場合、最初の7日間は30°C/28°Cの昼/夜の温度で植物を熱処理にさらし(60%SRWCを維持)、残りの7日間は干ばつ+熱複合処理(20%SRWCと30°C/28°C)を行い、最後に植物を1日間浸水ストレスにさらします。後者の場合は、植物を成長チャンバーに戻し(条件についてはステップ1.7を参照)、160%SRWCに1日間浸水を誘発します。注:誘発されたストレスの選択された持続時間は、処理された植物の100%の生存率で有害な影響なしにストレス効果を示したパイロット実験に基づいていました。成長チャンバー環境では、環境条件の変動は温度が0.2°C±、湿度が±3%の範囲でした。 3. 表現型解析のための植物調製 成長チャンバー内の午前6:00にライトが点灯した後、表現型プロトコルの開始前に少なくとも2〜3時間、一定の成長光条件(320μmol・m-2・s-1)の下で植物が順応するのを待ちます。これにより、光合成と気孔調節が定常状態にあることが保証されます34。 測定の前に、自動採点がスタンバイモードにあり、温室内に配置されている間に、植物を栽培場所からシステムへの手動ロードに使用される表現型システムの成長バッファー領域に移します(補足図1、補足図2、および 補足図3)。注:植物は、3.5時間続く表現型期間中、成長緩衝領域に保持されました。温室内では、環境条件の変動は、温度が±2°C、湿度が±5%、光強度が20%の変動でした。したがって、測定はすぐに開始し、植物に対する温室条件の影響を避けて短くする必要があると考えてください。 表現型解析プラットフォームでは、セクション4で指定されている測定プロトコルに従って、所定の間隔でコンベアベルト上をイメージングセンサーに自動的に移動するディスクにポットを配置します。 各プラント/トレイに一意のIDをラベル付けして、実験全体を通じて測定データが正しいプラントに割り当てられるようにします。 4. 表現型プロトコール 複数のイメージングセンサー(クロロフィル蛍光、熱IR、RGB、ハイパースペクトルイメージング)を使用して表現型プロトコールを最適化し、植物の生理学的パラメータと形態学的パラメータの両方を同時に測定できるようにします(図2)。注:植物の反応は環境条件と日周の影響を反映しているため、鉢のランダム化と1日の同じ期間内に表現型を実行することを考慮することが重要です。 表現型解析プラットフォームでは、植物が適応トンネル(図2A)を通ってシステムに入ることを確認し、そこで最初に植物の高さが取得され、次に各センサーの高さが固定作動距離に基づいて調整されます。 ソフトウェアを使用して、測定プロトコルで正当化されているように、2ラウンドで測定を行います。最初のラウンドでは、クロロフィル蛍光と熱イメージングを使用して「高速反応」として定量化された生理学的応答の測定が含まれます。 まず、熱ストレス治療下の生理学的パラメータを測定し、次に残りの治療を行います。 第2ラウンドでは、構造RGBやハイパースペクトルイメージングなど、より遅い応答を評価するための他の測定を進め、その後、重量評価と散水を行います。 計量と散水のステップでは、各プラントの基準重量を定義して、特定の処理に対する自動散水と計量を可能にします。総基準重量には、ディスクの重量、コンベヤーベルトにあるインサート、定義されたプロトコルの支持ブルーホルダー、ブルーマット、ポット、土壌、および植物バイオマスが含まれていることを確認します。 計量および散水ステップ中の蒸発散量を正確に測定するには、参照として空のポットを準備します。さらに、植物バイオマスの重量を補正するために、追加のポットを準備します。 50本の植物を測定するには、表現型プロトコル全体の持続時間は215分(第 1ラウンドで85分、第 2ラウンドで130分)かかります。 表現型は、制御条件下ですべての植物を毎日(治療の1日前)に行い、その後、ストレス治療を誘発して動的応答を監視し、誘発されたストレスの初期段階と後期を評価します。 5. 撮像センサーごとの設定調整 キネティッククロロフィル蛍光イメージング注:速度論的クロロフィル蛍光は、非生物的ストレスを含むさまざまな環境条件に応じた植物の光合成能力を調査し、光化学と熱放散(非光化学プロセス)の量子効率に関する貴重な情報を提供するために使用されます。光適応型植物のクロロフィル蛍光測定を短時間光プロトコールを用いて行い、異なる処理下での植物の応答を判別します。 500μmol・m-2・s-1のクールホワイトLED(6500K)を装備した適応トンネル内の光の下で、35植物を5分間順応させます。注:クロロフィル蛍光イメージングは、植物の光合成能力の変化を監視するために使用される光適応後の最初の測定です。 プラントのサイズと必要な光強度に応じて、事前定義されたプロトコルを選択し、最適化します。 カメラや光の強度設定など、測定設定を最適化して、最適な信号対雑音比で強い信号を確実に取得できるようにします。シャッター(露光時間、フラッシュの測定時間)や感度(カメラの電気的ゲイン)などのカメラ設定を調整します。シャッターは2ms、感度は12%で使用します。注意: これらの値は、葉のサイズと形状、およびキャノピーの上部とイメージングセンサーの間の定義された距離に基づいて調整されます。 光線強度を500μmol・m-2・s-1 に調整し、飽和パルスを3200μmol・m-2・s-1に設定します。これは、光線の少なくとも6〜7倍です。 光順応トンネルでの測定前に、光順応プラントの5分間の光順応プラントでパラメータを測定するには、Lss(後述)。 光適応植物の定常光系II(PSII)量子収率を推定するには、短光プロトコル(図3)を選択し、プロトコルを次のように設定します。注:プロトコルの持続時間は、プラントあたり10秒でした。測定を開始するには、500 μmol・m-2・s-1 の冷白色光線を3秒間オンにして、光の定常蛍光(Ft_Lss別名を測定します。Ft’) 3200 μmol・m-2・s-1 の飽和パルスを 800 ms 印加して、光 (Fm_Lss 別名 ?) の定常状態の最大蛍光を測定します。Fm’) アクチンライトをオフにしてから、遠赤色ライト(735 nm)をオンにして、PSIIが暗闇で800ミリ秒リラックスし、光の定常状態の最小蛍光(FO_Lss別名を測定できるようにします。Fo’)です。 相対パラメータを計算するには、背景を差し引いて関連するパラメータを抽出するデータアナライザソフトウェアを使用します。注:使用されるプロトコルから抽出されたパラメータは、Fv / Fm_Lss別名として決定される光定常状態での光適応サンプルのPSII光化学の最大効率です。Fv’/Fm’、光定常状態における光化学系IIの量子収率または動作効率は、QY_Lss別名として定義されます。φPSII = Fq’/Fm’ であり、PSII (酸化 QA) の開放反応中心の割合は qL_Lss = (Fq’/Fv’) x (F0’/Ft’) として求められます。 熱赤外線(IR)イメージング注:サーマルIRイメージングは、実際のキャノピー温度の非侵襲的測定に使用され、それによって異なる気孔の調節を決定します。サーマルIRイメージングユニットでは、サーマルカメラをロボットアームに横方向に搭載し、側面からキャノピーの温度を測定します。画像処理中に、画像化されたオブジェクトの温度に対する背景温度のコントラストを上げるには、サーマルカメラの反対側にある自動的に制御された加熱された壁を使用してコントラストを上げます。イメージングユニット内の空気温度より8°C高い壁の温度を調整します。注:熱画像は、ラインスキャンモード35を使用して暗闇で取得されました。 画像取得後、RGBサイドビューデータに基づいて植物マスクを生成し、それを使用して画像解析で熱データと共レジストレーションします。これにより、スキャンされたオブジェクトを正確に識別しながら、プラントホルダーなどのバックグラウンド干渉を排除します。 実験全体を通じて変動する環境条件の影響を防ぐために、パラメータの温度差(デルタTまたはΔT)を計算します。注:デルタT(ΔT)は、葉の表面の測定温度(植物の検出された表面全体からのすべてのピクセルの平均)とイメージングボックス内の周囲温度との差として定義されます。 RGBイメージング注:RGBイメージングは、400〜700 nmの可視範囲の光を検出する視覚慣性システム(VIS)カメラに基づいており、植物の形態、構造、およびカラーインデックスの特徴の抽出の詳細な分析に使用されます。イメージングユニットには、トレイを正確に位置決めするための回転テーブルが含まれており、同時に側面図のマルチアングルイメージングが可能です。 ラインスキャンモード(RGB1)とスナップショットモード(RGB2)のトップビューイメージングで、3つの角度(0°、120°、240°)から植物を撮影するサイドビューイメージングに基づいてRGBイメージングを設定します。 どちらのカメラにもLEDベースの光源が搭載されており、画像化された植物の均一な照明を確保し、形態学的および色の特徴を正確に決定します。 データアナライザソフトウェアを使用して計算されたパラメータを抽出します。 側面図と上面図に基づく追加のパラメータについては、植物の体積(デジタルバイオマス)36を計算します。 相対成長率(RGR)37を計算します。ここで、Tn と Tn+1 は時間間隔 (日) を示します。 ハイパースペクトルイメージング注:ハイパースペクトルイメージングは、植物の分光反射率の視覚化に使用されます。葉の反射率の変化は、特定の植物のさまざまな生理学的状態の指標です。ハイパースペクトルイメージングセンサーを使用して、380〜900 nmの範囲の可視近赤外線(VNIR)ハイパースペクトルカメラと900〜1700 nmの範囲の短波長赤外線カメラ(SWIR)を使用して、光スペクトルの可視部分のキャノピー反射率を定量化します。 カメラは、ハロゲン管光源(600 W)が実装されたロボットアームに取り付けられており、XZエリアを横切って移動する画像取得中に均一でスペクトル的に適切なサンプル照明を実現します。 どちらのカメラもラインスキャンモードで動作し、遮光されたイメージングボックスに配置されます。 各測定ラウンドの前に、暗電流キャリブレーションとスペクトル反射率テフロン標準を使用した放射量キャリブレーションの2つのキャリブレーション測定(自動)を実行します。 ダーク キャリブレーション イメージは、未処理のキャリブレーション イメージとホワイト キャリブレーション イメージから差し引かれ、ダーク電流ノイズが除去されます。次に、減算後の生の画像をホワイト キャリブレーション イメージで除算することにより、最終的なハイパースペクトルを生成します。 6. データのエクスポートと画像解析 データアナライザソフトウェアを使用して、画像処理パイプラインの自動抽出、バックグラウンド減算、 およびプラントマスクセグメンテーション を行います(図2B)。 このソフトウェアは、マスクの適用、植物がそれらの背景から分離されるバックグラウンド減算、およびパラメータ計算がRGBイメージング38 およびサーマルイメージング20について説明したように処理される完全自動解析を実行する。 RGB 画像で生成された Plant Mask と Tray Mask で定義された植物固有のピクセルから、測定および計算されたパラメーターを抽出します。 画像が完全に選択されなかった場合(後の開発段階での植生の緑化の変化やストレス治療の影響により発生する可能性がある)、ソフトウェアでローカルデータ分析部分を開き、各センサーに応じてデータアナライザーソフトウェアで 植物マスク 設定を再調整します。 クロロフィル蛍光画像処理では、クロロフィル蛍光 植物マスク 設定の分析パラメーターを調整します(補足図4)。しきい値を True に設定すると、プラントのセグメンテーションが自動的に実行されます。 Mask Frame IndexをFalseに設定すると、Plant Mask検出では、クロロフィル蛍光プロトコルで定義されているTime-Visualフレームが使用されます。 熱画像処理で、 プラントマスク 解析のパラメータを設定します(補足図5)。オブジェクト マスク生成の自動しきい値を False に設定します。 RGBサイドイメージからのマスクをTrueに設定して、解析に使用します。 RGB画像処理では、 植物マスク の設定解析パラメータ(補足図6 、 補足図7)を樹種や発生段階に応じて調整します。オブジェクトマスク生成の定義であり、使用される色成分(赤、緑、青の成分)を定義する式 4*G-3*B-Rを選択します。注意: この標準式およびその他の設定は、使用するカメラの種類(トップまたはサイズ view)、適用された処理、およびさまざまな栽培品種によって異なります。 拡張されたグリーンチャンネルのグレースケール画像をバイナリ画像に変換するために使用する しきい値 を調整し、植物が覆う表面を決定します。 ノイズと無効なピクセルを減らし、不足しているピクセルを埋めるために使用される 中央値フィルターサイズ を調整します。 分析に含める オブジェクトの [最小サイズ ] をピクセル単位で調整します。 マスク オブジェクトの 穴の最小サイズ をピクセル単位 (通常は数十ピクセル) で調整します。この値より小さい穴は閉じられ、オブジェクトのピクセルに取り込まれます。 [ 反射削減を使用] を True に設定して、各ピクセルの RGB 値を正規化します。 Skip Bad Exposed Points を True に設定して、植物マスクから露出オーバー/アンダー露出ピクセルをトリミングします (例: 表面反射の省略や、ノイズが信号よりも大きい暗いピクセル)。 データアナライザソフトウェアを使用してRGBから分析されたセグメンテーション設定に色を付け、ストレス応答と植物の老化に関連する色の変化に関する情報を提供します。注:緑度は、植物の発達のすべての段階を表す事前定義された色の範囲を使用して推定されます。植物の表面に対応するすべてのピクセルからのカラーチャネルの強度は、カラーセグメンテーションのソースカラーマップとして使用するためにグループ化およびクラスター化されました。処理されたRGB画像(削除された背景)、カラーマップ(特定の分析のための色相のリスト)をソフトウェアの入力として提供します。 偏りのない結果を得るには、「トレーニング」データセットを使用して色相選択を実行し、さまざまな発達段階と治療法を選択します。注:分析は、このトレーニングデータセットから各画像の各ピクセルのR、G、およびBの値を保存します。 ソフトウェアを使用して、色定義出力の色相数(6色相を選択)を、各チャネルで0〜255の範囲で定義します。 データアナライザソフトウェア(Colors)で生成された色相のリストを提供します。 ハイパースペクトル画像処理では、ハイパースペクトル アナライザー ソフトウェアに実装されたピクセル単位解析を使用して、取得したハイパースペクトル データを処理します。これには、放射分析とダーク ノイズのキャリブレーション、バックグラウンド減算、プラント マスク セグメンテーションが含まれます。平均スペクトルと植生指数を使用して、さらに解析します。 VNIR ハイパースペクトル カメラで撮影した VNIR イメージからハイパースペクトル イメージからデータを抽出するためのマスクを作成します。SWIR ハイパースペクトル スキャンでは、SWIR 解析に基づいてプラント マスクを生成します。VNIRプラントマスクでは、式1.2 *(2.5 *(R740-R672)-1.3 *(R740-R556))を使用して、Rが特定の波長での反射率値を表す画像を視覚化します(補足図8)。 SWIRプラントマスクでは、画像処理で(R960-R1450)-(R960-R1200)の式を使用して画像を視覚化します(補足図9)。 7.計量と散水 計量および散水手順中に(散水前)重量を保管してください。次に、散水を適用し、散水後も重量を保ちます。 参照モードでトレイに水をやる – 各トレイにはデータベースに保存されている参照値があり、常にそれに水をやっていました。処理に基づいて参照を決定します。 8. データ分析 ANOVAとShapiro検定を使用してデータを分析します。 R studio(バージョン4.2.3)のPairwise Wilcoxテストで、(dplyr)、(tidyverse)、(rstatix)、および(ggpubr)パッケージを使用して、異なる処理間のペアワイズ比較を行います。注:画像解析は、データアナライザソフトウェアを使用して自動的に行われました。画像取得をさらに分析するには、センサー専用のデータアナライザーソフトウェアを使用します。

Representative Results

この研究では、自動化された画像ベースの表現型解析を使用して、単一および複合ストレス下でのジャガイモ(cv. Lady Rosetta)の形態学的および生理学的応答を調査しました。適用されたアプローチは、塊茎の開始段階で応力が誘発されたときの植物の高時空間分解能での動的応答を示しました。ストレスの初期段階と後期を評価するために、結果を3つの期間([0-5日間の表現型(DOP)]、6-10 DOP、および[11-15 DOP])として提示しました(図1)。0 DOPまでは、すべての植物を制御条件(C)で栽培し、次に1〜5 DOPで浸水ストレス(W)と熱ストレス(H)を適用しました。したがって、応答は次のように観察されました:(i)0-5 DOPでは、初期の熱と浸水を示しました。(ii)6-10 DOPでは、初期の干ばつを反映して(D)と複合熱と干ばつ(HD)が観察され、(iii)11-15 DOPでは、後期の暑さ、干ばつと複合熱+干ばつ+浸水(HDW)ストレスを示しました。浸水からの回復は、6-10 DOPと11-15 DOPで観察されました。 形態学的形質RGBイメージングを適用して、さまざまな応力と組み合わせが地上の植物の成長に及ぼす影響を決定しました。 図4 の結果は、熱処理と浸水ストレス(0-5 DOP)により、制御と比較してプラントの体積とRGRがすでに減少していることを示しています。6-10 DOPの間、制御プラントの植物体積とRGRは継続的に増加しましたが、熱、複合熱、干ばつ、および浸水の下では、この植物体積の増加は明らかに減少しました(図4A)。植物は浸水ストレスの影響を非常に受けやすいため、RGRの減少が顕著でした(図4B)。SRWCが20%に維持された後期干ばつストレス(11-15 DOP)では、対照群と比較してRGRの明らかな減少が観察されました。しかし、複合HDWの後期では、浸水処理の適用により、ストレス最終日のRGRが増加しました。 生理学的特性構造表現型と生理学的表現型の組み合わせを適用して、ストレスに対するさらなる応答を明らかにしました。複数のイメージングセンサーを使用することで、ストレスの初期段階での生理学的反応を決定することができます。クロロフィル蛍光データのさらなる分析は、浸水が光合成効率に悪影響を及ぼしていることを示し、Fv’/Fm'(Fv/Fm_Lss)は0-5 DOPおよび6-10 DOPで劇的に減少しましたが、11-15 DOPでは回復応答が観察され、Fv’/Fm’がわずかに増加しました(図5A)。後期ストレスフェーズ(11-15 DOP)では、干ばつおよび熱と干ばつの組み合わせでFv’/Fm’の減少が観察されました。浸水したプラントでは、プラント(QY_Lss別名φPSII)の運転効率は、0-5 DOPおよび6-10 DOPの他の処理と比較して大幅に低かったが、11-15 DOPではわずかに増加したため、プラントの回復を示しています(図5B)。さらに、PSIIの保護に寄与する効率を調節するさまざまなメカニズムは、光定常状態(qL_Lss)でのPSIIの開放反応中心の割合を計算することによって決定されました(図5C)。干ばつ下でのみqLの増加が観察されましたが、これはおそらく光阻害によるものでした。 これらの知見は、ストレス下での異なる基本的なメカニズムを反映したIRデータと一致していました(図6)。浸水時にはdeltaT(ΔT)の増加が観察され、ガス交換率が低下しました。後期の干ばつ、熱と干ばつの複合ストレスの下で、ΔTの増加は気孔の閉鎖によるものであり、これは過剰な水分損失を回避するための主要な応答の1つと考えられています。一方、熱処理下では、蒸散効率を高め、葉面を冷却するために気孔が開くと、ΔTの減少が観察されました。 ハイパースペクトルデータを調査することにより、ハイパースペクトルVNIRデータから葉の反射率指数を評価するために、クロロフィル含有量の指標としてのNDVIと光合成効率の指標としてのPRIを含む2つのパラメータを選択しました。結果は、形態学的形質で観察された減少に関連して、浸水下でのみNDVIとPRIの減少を示しました(図7A、B)。さらに、植物の水分含有量の評価に用いたSWIRハイパースペクトルデータから、0-5 DOP中に浸水における水分指数の増加が観察されました(図7C)。しかし、熱処理下では、水指数が対照群よりも低い場合、逆の応答が観察されました。これらの知見は、RGB上面図の色分割による植生の検討に沿ったものである。色相の割合の変化は、時間の経過に伴う応力応答を示しています(図8)。緑化指数は、ストレス後期の干ばつとHDWの併用下での顔料含有量の減少と、浸水処理からの緩やかな回復を示しました。したがって、複数のイメージングセンサーを使用することで、形態生理学的形質の相関関係が反映され、非生物的ストレス下での植物全体のパフォーマンスの評価が可能になりました。 図1: in vitro 挿し木を移植した後の植物の年齢を含む、さまざまな処理を適用するタイムライン。 表現型(DOP)の0日目を制御(C)条件下で測定し、その後、異なるストレスを異なる持続時間で誘発しました。1〜5 DOPから浸水応力(W)が加えられ、熱処理の初期応答(H)が行われた。翌日の6-10 DOPでは、干ばつストレス(D)と熱と干ばつストレスの組み合わせ(HD)の初期段階が発表されました。11-15 DOPでは、干ばつと熱処理の後期に対する植物の反応と、HD(HDW)への1日間の浸水の適用が反映されました。 この図の拡大版を表示するには、ここをクリックしてください。 図2:表現型プロトコールとデータ解析をまとめたスキーム(A)表現型プロトコールの概要。植物は、FS-WI成長チャンバー(PSI)の制御された条件から表現型システムに輸送されます。植物は、測定前に500μmol.m-2.s-1で5分間、光順応チャンバー内で光順応させました。複数のイメージングセンサーを使用して形態学的および生理学的特性を決定し、続いて重み付けおよび散水ステーションを決定しました。処理に応じて、植物は22°C/19°Cまたは30°C/28°Cのいずれかの制御された条件に戻されました。この図の拡大版を表示するには、ここをクリックしてください。 図3:クロロフィル蛍光イメージングのための短光プロトコールの概要。 測定プロトコルは、冷白色の光線光をオンにして光の定常蛍光(Ft_Lss)を測定し、次に飽和パルスを印加して光の定常状態の最大蛍光(Fm_Lss)を測定することから始まりました。光線をオフにし、遠赤色光をオンにして、光の定常状態の最小蛍光(Fo_Lss)を決定しました。プロトコルの期間は、プラントあたり10秒でした。 この図の拡大版を表示するには、ここをクリックしてください。 図4:形態学的評価に用いたRGBイメージング(A)RGB上面図と側面図の領域から計算した植物の体積。(B)塊茎開始段階の相対成長率(RGR)。データは、平均値±標準偏差 (n = 10) を表します。この図の拡大版を表示するには、ここをクリックしてください。 図5:光適応植物におけるクロロフィル蛍光イメージング(A)光定常状態(Fv / Fm_Lss)における光適応サンプルのPSII光化学の最大効率。(B)光定常状態(QY_Lss)における光化学系IIの量子収率または光化学系IIの動作効率。(C)光定常状態(酸化QA)におけるPSIIの開放反応中心の割合(qL_Lss)。データは、平均値±標準偏差 (n = 10) を表します。この図の拡大版を表示するには、ここをクリックしてください。 図6:サーマルIRイメージングを使用して、サーマルIR画像から抽出されたキャノピーの平均温度と気温(ΔT)の差を計算しました。 データは、平均値±標準偏差 (n = 10) を表します。 この図の拡大版を表示するには、ここをクリックしてください。 図7:植生指数と含水量を決定するためのハイパースペクトルイメージング(A)正規化差植生指数(NDVI)。(B)VNIRイメージングから算出された光化学反射率指数(PRI)。(C)SWIRイメージングから算出した水分指数。データは、平均値±標準偏差 (n = 10) を表します。この図の拡大版を表示するには、ここをクリックしてください。 図8:さまざまな処理を受けた植物の緑化指数。 画像処理は、6 つの定義された色相で構成されるカラーマップでの元の RGB 画像の変換に基づいています。データは、平均値±標準偏差 (n = 10) を表します。 この図の拡大版を表示するには、ここをクリックしてください。 補足図1:表現型検査(DOP)の日に測定された光強度。 午前9時から午後12時35分までの測定時間は、温室内に分布した5つの光センサーからの中央値LI_Buff。 このファイルをダウンロードするには、ここをクリックしてください。 補足図2:表現型(DOP)の日に測定された相対湿度(RH)。 午前9時から午後12時35分までの測定時間は、温室内に分布した5つの湿度センサーからの中央値RH_Buff。RH2は、適応チャンバー内の相対湿度を指します。 このファイルをダウンロードするには、ここをクリックしてください。 補足図3:表現型検査(DOP)の日に測定された温度。 午前9時から午後12時35分までの測定時間は、温室内に分布した5つの温度センサーからの中央値T_Buff。T2は、順応チャンバー内の温度を指します。T3は、加熱壁の温度を指します。T4は、サーマルIRイメージングユニット内の温度を指します。 このファイルをダウンロードするには、ここをクリックしてください。 補足図4:クロロフィル蛍光イメージングセンサーの植物マスク分析用に調整されたパラメータを示すデータアナライザソフトウェアのスクリーンショット。このファイルをダウンロードするには、ここをクリックしてください。 補足図5: 熱赤外イメージングセンサーのプラントマスク分析用に調整されたパラメータを示すデータアナライザソフトウェアのスクリーンショット。 このファイルをダウンロードするには、ここをクリックしてください。 補足図6: RGB 1面ビューイメージングセンサーでのプラントマスク分析用に調整されたパラメータを示すデータアナライザソフトウェアのスクリーンショット。 このファイルをダウンロードするには、ここをクリックしてください。 補足図7: RGB2-top-viewイメージングセンサーでのプラントマスク分析用に調整されたパラメータを示すデータアナライザソフトウェアのスクリーンショット。 このファイルをダウンロードするには、ここをクリックしてください。 補足図8: VNIRイメージングセンサーのプラントマスク分析用に調整されたパラメータを示すデータアナライザソフトウェアのスクリーンショット。 このファイルをダウンロードするには、ここをクリックしてください。 補足図9: SWIRイメージングセンサーのプラントマスク解析用に調整されたパラメータを示すデータアナライザソフトウェアのスクリーンショット。 このファイルをダウンロードするには、ここをクリックしてください。

Discussion

改良された高度な高解像度イメージングツールとコンピュータビジョン技術により、大量の植物画像から再現性のある方法で定量的データを取得するための植物表現型の急速な発展が可能になりました39。この研究は、現在利用可能な一連のイメージングセンサーを使用して、単一および複合の非生物的ストレス下での植物の動的応答を監視するために、ハイスループットの画像ベースの方法論を適応および最適化することを目的としています。適用されたアプローチのいくつかの重要なステップでは、応力の適用や測定に適したイメージングプロトコルの選択など、調整が必要です。画像取得に複数のセンサーを使用することで、主要な表現型特性(植物の成長、光合成効率、気孔調節、葉の反射率など)を定量化できます。さらに、ジャガイモ植物がさまざまな非生物的ストレスにどのように応答するかについての理解を深めます。これは、気候耐性のある遺伝子型を開発するための植物育種プロジェクトを加速するための重要な前提条件です40。誘発された応力に対する形態学的応答は、開発段階によって異なります。例えば、ストロンまたは塊茎の開始段階でストレスを誘発すると、葉および植物の発育が阻害され、ストロンの数が制限され、それによって最終収量41が減少する。しかし、好ましくない条件下では、植物はストレスによる細胞損傷を予防し修復するための適応応答としてストレス応答を利用する42。植物は、重大度レベル43に応じてストレス状態を回避し、許容するための適応メカニズムを持っています。

植物のメカニズムを理解するためには、適切なストレスの持続時間と強度を誘導し、イメージングセンサーを用いて植物のストレスに対する応答を決定することが重要なステップの一つと考えられています。複数のストレスが一致する場合、ストレスの組み合わせ、強度、および持続時間によっては、1 つのストレスの強度が他のストレスの影響を覆す可能性があります。したがって、ストレスの影響が加算されたり、反対の応答が(部分的に)互いに打ち消し合ったりして、最終的に植物にプラスまたはマイナスの影響をもたらす可能性があります。この研究で選択されたプロトコルは、十分なストレスレベルが適用されることを確認するための以前の経験に基づいていました。例えば、干ばつストレスの適用は、以前の実験と同様に中程度のレベルに調整され、応答はクロロフィル蛍光イメージングに基づくストレスの初期段階での対照治療と変わらなかった。これは、チラコイド膜内の電子の代替シンクとして機能し、光化学系II44,45の保護メカニズムとして機能する光呼吸の発生によるものです。複合ストレス応答の下では、軽度の一次ストレッサーへの植物への曝露は、次のストレッサーに対する耐性を高める可能性があり、これは有益または有害な影響を与える可能性があります46。この研究では、個々の干ばつストレスと比較して、複合ストレス下でより強い応答が観察されました。他の生理学的応答を調査することにより、結果は、過剰な水分損失を避けるために気孔が近くなるにつれて、干ばつ時にΔT(deltaT)が増加することを示しました。対照的に、熱ストレス下では逆応答が観察され、ΔTは、熱と干ばつの複合ストレス下でのコムギの所見に従って葉の冷却を促進するための気孔開口部を反映した制御と比較して低かった20。浸水時には、気孔閉鎖によるΔTの増加は、土壌中の酸素欠乏と根水恒常性の乱れによるものであり、それにより、水ストレス応答の重要なホルモンであるABAの増加とともに蒸散流が減少した47

植物のストレス研究では、ストレスの持続時間とその後の回復治療は、ストレス強度に正比例します。たとえば、土壌水分を20%のフィールド容量(FC)に維持するなどの中程度の干ばつストレスは、可逆的な表現型の変化を誘発し、通常は1日の再灌漑後に回復します。対照的に、浸水のような深刻なストレス状態は、広範な表現型の損傷をもたらし、より長い回復期間を必要とします。治療期間を標準化することは理想的ですが、実験計画では応力強度の固有の変動性を考慮する必要があります。

2つ目の重要なステップは、適切なプロトコルを選択し、各センサーの設定を最適化することです。クロロフィル蛍光は、ストレス下での光合成装置の性能を決定するための強力なツールである48。異なるクロロフィル蛍光測定プロトコルは、研究課題および実験デザイン49に応じて、明るいまたは暗い適応植物のいずれかで選択することができる。この研究では、選択されたプロトコル(短光応答)により、異なる条件下での光合成性能を示すFv‘/Fm‘、φ PSII、およびqLを含む様々な形質の決定が可能になる50。以前の研究では、ハイスループット表現型で使用されるプロトコルが、ストレス治療のさまざまな適用下での植物の光合成効率を調査し、健康な植物とストレスを受けた植物を区別するのに効果的であることが示されました14,20。実験デザインに基づいて、植物人口の多いハイスループットシステムで測定する際には、選択したプロトコルの期間を考慮することが非常に重要です。したがって、光適応型植物のクロロフィル蛍光測定を短時間プロトコールを用いて選択し、異なる処理下での応答を判別しました。遺伝子型と環境の相互作用は、多くの表現型形質に影響を与える可能性があり、これは測定中に重要です12。光合成の制限51に対する日周の影響を最小化するために、測定の持続時間は短時間で完了すべきであることを考慮することが不可欠である。

熱IRイメージングを使用して、キャノピーの温度を決定し、さまざまな処理52の下での気孔調節を理解した。特筆すべきは、加熱壁がカメラの反対側に配置されている場所では技術最適化が使用され、壁の温度は動的に制御され、プログラム可能であったことです。したがって、画像化されたオブジェクトの温度に対する背景温度のコントラストを上げることにより、背景から植物を適切に選択するためには、統合された環境センサーを使用して背景の加熱壁を調整する必要があります。

画像解析は自動化されているが、植物53を正確に選択するためにRGBイメージングにおいて適切なバイナリマスクを得るためには、RGB閾値化インデックスの調整が依然として必要である。さらに、デジタルバイオマスや成長率などの定量的パラメータを適切に推定するためには、複数の角度を選択することが重要です。本研究では、RGB側面図の3つの角度(0°、120°、240°)を選択し、平均化することで、植物の体積と相対的な成長率を正確に算出しました。

スペクトル範囲に応じて、多くの生理学的特性をハイパースペクトルイメージング54を用いて調査することができる。どの反射率指数が必要な情報を提供し、異なる条件下での植物の応答を示すかを決定する必要がある14。耐性のある品種のスクリーニングや植物の表現型解析では、ハイパースペクトル指数と他の生理学的形質との相関関係を決定することが強く求められている55。この研究では、浸水処理を受けている植物は、VNIRイメージングからクロロフィル含有量と光合成効率に顕著な応答を示しました。また、SWIRイメージングによる熱処理下での水指数や浸水時には、気孔の調節や葉の水分含有量が異なるため、異なる応答が観察されました。

したがって、これらの知見は、設定を最適化した後のこのようなアプローチの有用性と、複数のセンサーを使用して気候耐性に関連するストレス特性を見つける可能性を強調しています。複数のイメージングセンサーを使用して応答のダイナミクスを評価することは、育種プログラムを改善するための強力なツールの1つとして使用できます。

Disclosures

The authors have nothing to disclose.

Acknowledgements

このADAPTプロジェクト(Accelerated Development of multiple-stress tolerant Potato)は、欧州連合(EU)のHorizon 2020研究・イノベーションプログラムから助成金契約No.GA 2020 862-858の下で資金提供を受けています。この活動は、チェコ共和国教育・青年・スポーツ省の欧州地域開発基金プロジェクト「SINGING PLANT」(no.CZ.02.1.01/0.0/0.0/16_026/0008446)。CEITEC MUのコアファシリティプラントサイエンスは、その栽培施設のサポートで認められています。この研究で使用されたin-vitro挿し木を提供してくれたMeijer BVに感謝します。Figure 2のグラフィカルデザインに協力してくれたLenka Sochurkova氏と、Photon Systems Instruments(PSI)研究センター(チェコ共和国Drásov)での実験中に植物材料の準備を支援してくれたPavla Homolová氏に感謝します。

Materials

1.1” CMOS Sensor with RGB camera PSI, Drásov, Czech Republic https://psi.cz/ The sensor delivers a resolution of 4112 × 4168 pixels for side view and 2560 × 1920 pixels for top view. The sensor is extremely sensitive and is a real megapixel CCD replacement and produces sharp, low-noise images
FluorCam  PSI, Drásov, Czech Republic FC1300/8080-15  Pulse amplitude modulated (PAM) chlorophyll fluorometer 
Fluorcam 10 software  PSI, Drásov, Czech Republic Version 1.0.0.18106 For Chlorophyll fluorescence images visualization and analysis
GigE PSI RGB – 12.36 Megapixels Camera PSI, Drásov, Czech Republic https://psi.cz/ For the side view projections, line scan mode was used with a resolution of 4112 px/line, 200 lines per second. The imaged area from the side view was 1205 × 1005 mm (height × width), while the imaged area from the top view position was 800 × 800 mm.
Hyperspectral Analyzer software  PSI, Drásov, Czech Republic Version 1.0.0.14 For hyperspectral images visualization and analysis
Hyperspectral camera HC-900 Series PSI, Drásov, Czech Republic https://hyperspec.org/products/ Visible-near-infrared (VNIR) camera 380-900 nm with a spectral resolution of 0.8 nm FWHM
Hyperspectral camera SWIR1700 PSI, Drásov, Czech Republic https://hyperspec.org/products/ Short-wavelength infrared camera (SWIR) camera 900 – 1700 nm with a spectral resolution of 2 nm FWHM
InfraTec thermal camera (VarioCam HEAD 820(800))  Flir,  United States https://www.infratec.eu/thermography/infrared-camera/variocam-hd-head-800/ Resolution of 1024 × 768 pixels, thermal sensitivity of < 20 mK and thermal emissivity value set default to 0.95.  with a scanning speed of 30 Hz and each line consisting of 768 pixels. The imaged area was 1205 × 1005 mm (height × width).
LED panel  PSI, Drásov, Czech Republic https://led-growing-lights.com/products/ Equipped with 4 × 240 red-orange (618 nm), 120 cool-white LEDs (6500 K) and 240 far-red LEDs (735 nm) distributed equally over an imaging area of 80 × 80 cm
Light, temperature and relative humidity sensors PSI, Drásov, Czech Republic https://psi.cz/ Sensors used to monitor controlled conditions in greenhouse
MEGASTOP Blue mats  Friedola  75831 To cover soil surface
Morphoanalyzer software  PSI, Drásov, Czech Republic Version 1.0.9.8 For RGB images visualization and analysis and color segmentation analysis
PlantScreen Data Analyzer software (Version 3.3.17.0) PSI, Drásov, Czech Republic https://plantphenotyping.com/products/plantscreen-modular-system/ To visualize and analyze the data from all imaging sensors,  watering-weighing unit and environmental conditions in greenhouse
PlantScreen Modular system  PSI, Drásov, Czech Republic https://plantphenotyping.com/products/plantscreen-modular-system/ Type of phenotyping platform
Plantscreen Scheduler software  PSI, Drásov, Czech Republic Version 2.6.8368.25987 To plan the experiment and set the measuring protocol
SpectraPen MINI PSI, Drásov, Czech Republic https://handheld.psi.cz/products/spectrapen-mini/#details Light meter to adjust light level on a canopy level
TOMI-2 high-resolution camera  PSI, Drásov, Czech Republic https://fluorcams.psi.cz/products/handy-fluorcam/ Resolution of 1360 × 1024 pixels, frame rate 20 fps and 16-bit depth) with a 7-position filter wheel is mounted on a robotic arm positioned in the middle of the multi-color LED light panel with dimensions of 1326 x 1586 mm. 
Walk-in FytoScope growth chamber  PSI, Drásov, Czech Republic https://growth-chambers.com/products/walk-in-fytoscope-fs-wi/ Type of chambers used to grow the plant

References

  1. Climate Change 2021: The Physical Science Basis. IPCC Available from: https://www.ipcc.ch/report/ar6/wg1/ (2021)
  2. Ray, D. K., Gerber, J. S., Macdonald, G. K., West, P. C. Climate variation explains a third of global crop yield variability. Nat Commun. 6, 5989 (2015).
  3. Acevedo, M., et al. A scoping review of adoption of climate-resilient crops by small-scale producers in low- and middle-income countries. Nat Plants. 6 (10), 1231-1241 (2020).
  4. van Dijk, M., Morley, T., Rau, M. L., Saghai, Y. A meta-analysis of projected global food demand and population at risk of hunger for the period 2010-2050. Nat Food. 2 (7), 494-501 (2021).
  5. Handayani, T., Gilani, S. A., Watanabe, K. N. Climatic changes and potatoes: How can we cope with the abiotic stresses. Breed Sci. 69 (4), 545-563 (2019).
  6. Devaux, A., Goffart, J. P., Kromann, P., Andrade-Piedra, J., Polar, V., Hareau, G. The potato of the future: Opportunities and challenges in sustainable agri-food systems. Potato Res. 64 (4), 681-720 (2021).
  7. Dahal, K., Li, X. Q., Tai, H., Creelman, A., Bizimungu, B. Improving potato stress tolerance and tuber yield under a climate change scenario – a current overview. Front Plant Sci. 10, 563 (2019).
  8. Ahmad, U., Sharma, L. A review of best management practices for potato crop using precision agricultural technologies. Smart Agricultural Technology. 4, 100220 (2023).
  9. Cabello, R., Monneveux, P., De Mendiburu, F., Bonierbale, M. Comparison of yield based drought tolerance indices in improved varieties, genetic stocks and landraces of potato (Solanum tuberosum L). Euphytica. 193 (2), 147-156 (2013).
  10. von Gehren, P., et al. Farmers feel the climate change: Variety choice as an adaptation strategy of European potato farmers. Climate. 11 (9), 189 (2023).
  11. Fiorani, F., Schurr, U. Future scenarios for plant phenotyping. Annu Rev Plant Biol. 64, 267-291 (2013).
  12. Poorter, H., et al. Pitfalls and potential of high-throughput plant phenotyping platforms. Front Plant Sci. 14, 1233794 (2023).
  13. Berger, B., de Regt, B., Tester, M. High-throughput phenotyping of plant shoots. Methods Mol Biol. 918, 9-20 (2012).
  14. Humplík, J. F., Lazár, D., Husičková, A., Spíchal, L. Automated phenotyping of plant shoots using imaging methods for analysis of plant stress responses – a review. Plant Methods. 11, 29 (2015).
  15. Danilevicz, M. F., Bayer, P. E., Nestor, B. J., Bennamoun, M., Edwards, D. Resources for image-based high-throughput phenotyping in crops and data sharing challenges. Plant Physiol. 187 (2), 699-715 (2021).
  16. Abebe, A. M., Kim, Y., Kim, J., Kim, S. L., Baek, J. Image-based high-throughput phenotyping in horticultural crops. Plants. 12 (10), 2061 (2023).
  17. Lazarević, B., Carović-Stanko, K., Safner, T., Poljak, M. Study of high-temperature-induced morphological and physiological changes in potato using nondestructive plant phenotyping. Plants. 11 (24), 3534 (2022).
  18. Marchetti, C. F., et al. A novel image-based screening method to study water-deficit response and recovery of barley populations using canopy dynamics phenotyping and simple metabolite profiling. Front Plant Sci. 10, 1252 (2019).
  19. Kim, S. L., et al. High-throughput phenotyping platform for analyzing drought tolerance in rice. Planta. 252 (3), 38 (2020).
  20. Abdelhakim, L. O. A., Rosenqvist, E., Wollenweber, B., Spyroglou, I., Ottosen, C. O., Panzarová, K. Investigating combined drought- and heat stress effects in wheat under controlled conditions by dynamic image-based phenotyping. Agronomy. 11 (2), 364 (2021).
  21. Zandalinas, S. I., Sengupta, S., Fritschi, F. B., Azad, R. K., Nechushtai, R., Mittler, R. The impact of multifactorial stress combination on plant growth and survival. New Phytologist. 230 (3), 1034-1048 (2021).
  22. Raza, A., et al. Impact of climate change on crops adaptation and strategies to tackle its outcome: A review. Plants. 8 (2), 34 (2019).
  23. Nasir, M. W., Toth, Z. Effect of drought stress on potato production: A review. Agronomy. 12 (3), 635 (2022).
  24. Wagg, C., Hann, S., Kupriyanovich, Y., Li, S. Timing of short period water stress determines potato plant growth, yield and tuber quality. Agric Water Manag. 247, 106731 (2021).
  25. Yamauchi, T., Colmer, T. D., Pedersen, O., Nakazono, M. Regulation of root traits for internal aeration and tolerance to soil waterlogging-flooding stress. Plant Physiol. 176 (2), 1118-1130 (2018).
  26. Aien, A., Chaturvedi, A. K., Bahuguna, R. N., Pal, M. Phenological sensitivity to high temperature stress determines dry matter partitioning and yield in potato. Indian J Plant Physiol. 22 (1), 63-69 (2017).
  27. Zandalinas, S. I., Mittler, R., Balfagón, D., Arbona, V., Gómez-Cadenas, A. Plant adaptations to the combination of drought and high temperatures. Physiol Plant. 162 (1), 2-12 (2018).
  28. Suzuki, N., Rivero, R. M., Shulaev, V., Blumwald, E., Mittler, R. Abiotic and biotic stress combinations. New Phytologist. 203 (1), 32-43 (2014).
  29. Atkinson, N. J., Jain, R., Urwin, P. E. The Response of Plants to Simultaneous Biotic and Abiotic Stress. Combined Stresses in Plants. , (2015).
  30. Harris, P. M., Harris, P. M. . The Potato Crop. 2nd ed. , (1992).
  31. Weisz, R., Kaminski, J., Smilowitz, Z. Water deficit effects on potato leaf growth and transpiration: Utilizing fraction extractable soil water for comparison with other crops. Am Potato J. 71 (12), 829-840 (1994).
  32. Wang, X., Vignjevic, M., Jiang, D., Jacobsen, S., Wollenweber, B. Improved tolerance to drought stress after anthesis due to priming before anthesis in wheat (Triticum aestivum L.) var. Vinjett. J Exp Bot. 65 (22), 6441-6456 (2014).
  33. Junker, A., et al. Optimizing experimental procedures for quantitative evaluation of crop plant performance in high throughput phenotyping systems. Front Plant Sci. 5, 770 (2015).
  34. Smith, S. M., et al. Diurnal changes in the transcriptome encoding enzymes of starch metabolism provide evidence for both transcriptional and posttranscriptional regulation of starch metabolism in arabidopsis leaves. Plant Physiol. 136 (1), 2687-2699 (2004).
  35. Findurová, H., Veselá, B., Panzarová, K., Pytela, J., Trtílek, M., Klem, K. Phenotyping drought tolerance and yield performance of barley using a combination of imaging methods. Environ Exp Bot. 209, 105314 (2023).
  36. Klukas, C., Chen, D., Pape, J. M. Integrated analysis platform: an open-source information system for high-throughput plant phenotyping. Plant Physiol. 165 (2), 506-518 (2014).
  37. Paul, K., et al. Understanding the biostimulant action of vegetal-derived protein hydrolysates by high-throughput plant phenotyping and metabolomics: A case study on tomato. Front Plant Sci. 10, 47 (2019).
  38. Awlia, M., et al. High-throughput non-destructive phenotyping of traits that contribute to salinity tolerance in Arabidopsis thaliana. Front Plant Sci. 7, 1414 (2016).
  39. Li, Z., Guo, R., Li, M., Chen, Y., Li, G. A review of computer vision technologies for plant phenotyping. Comput Electron Agric. 176, 105672 (2020).
  40. Li, L., Zhang, Q., Huang, D. A review of imaging techniques for plant phenotyping. Sensors (Switzerland). 14 (11), 20078-20111 (2014).
  41. Obidiegwu, J. E., Bryan, G. J., Jones, H. G., Prashar, A. Coping with drought: Stress and adaptive responses in potato and perspectives for improvement. Front Plant Sci. 6, 542 (2015).
  42. Zhang, H., Zhao, Y., Zhu, J. K. Thriving under stress: How plants balance growth and the stress response. Dev Cell. 55 (5), 529-543 (2020).
  43. Bandurska, H. Drought stress responses: Coping strategy and resistance. Plants. 11 (7), 922 (2022).
  44. Wingler, A., Lea, P. J., Quick, W. P., Leegood, R. C. Photorespiration: metabolic pathways and their role in stress protection. Philos Trans R Soc Lond B Biol Sci. 355 (1402), 1517-1529 (2000).
  45. Baker, N. R., Rosenqvist, E. Applications of chlorophyll fluorescence can improve crop production strategies: an examination of future possibilities. J Exp Bot. 55 (403), 1607-1621 (2004).
  46. Georgieva, M., Vassileva, V. Stress management in plants: Examining Provisional and Unique Dose-Dependent Responses. Int J Mol Sci. 24 (6), 5105 (2023).
  47. Leeggangers, H. A. C. F., Rodriguez-Granados, N. Y., Macias-Honti, M. G., Sasidharan, R. A helping hand when drowning: The versatile role of ethylene in root flooding resilience. Environ Exp Bot. 213, 105422 (2023).
  48. Baker, N. R. Chlorophyll fluorescence: a probe of photosynthesis in vivo. Annu Rev Plant Biol. 59 (1), 89-113 (2008).
  49. Murchie, E. H., Lawson, T. Chlorophyll fluorescence analysis: a guide to good practice and understanding some new applications. J Exp Bot. 64 (13), 3983-3998 (2013).
  50. Maxwell, K., Johnson, G. N. Chlorophyll fluorescence-a practical guide. J Exp Bot. 51 (345), 659-668 (2000).
  51. Yokoyama, G., Ono, S., Yasutake, D., Hidaka, K., Hirota, T. Diurnal changes in the stomatal, mesophyll, and biochemical limitations of photosynthesis in well-watered greenhouse-grown strawberries. Photosynthetica. 61 (1), 1-12 (2023).
  52. Jones, H. G. Application of thermal imaging and infrared sensing in plant physiology and ecophysiology. Advances in Botanical Research. 41, 107-163 (2004).
  53. Brainard, S. H., Bustamante, J. A., Dawson, J. C., Spalding, E. P., Goldman, I. L. A digital image-based phenotyping platform for analyzing root shape attributes in carrot. Front Plant Sci. 12, 690031 (2021).
  54. Huber, S., Tagesson, T., Fensholt, R. An automated field spectrometer system for studying VIS, NIR and SWIR anisotropy for semi-arid savanna. Remote Sens Environ. 152, 547-556 (2014).
  55. Mertens, S., et al. Proximal hyperspectral imaging detects diurnal and drought-induced changes in maize physiology. Front Plant Sci. 12, 640914 (2021).

Play Video

Cite This Article
Abdelhakim, L. O. A., Pleskačová, B., Rodriguez-Granados, N. Y., Sasidharan, R., Perez-Borroto, L. S., Sonnewald, S., Gruden, K., Vothknecht, U. C., Teige, M., Panzarová, K. High Throughput Image-Based Phenotyping for Determining Morphological and Physiological Responses to Single and Combined Stresses in Potato. J. Vis. Exp. (208), e66255, doi:10.3791/66255 (2024).

View Video