LeafPoseNet：基于轻量化空间注意力网络的小麦旗叶角度精准测量与遗传解析

针对小麦旗叶角度(FLANG)传统测量方法效率低、误差大的问题，研究人员开发了集成空间注意力机制的轻量化深度学习模型LeafPoseNet，实现田间FLANG的高精度测量（MAE=1.75°，R2=0.998），并通过对221份小麦种质GWAS分析鉴定到10个QTL，发现调控油菜素内酯(BR)水平的候选基因TraesCS2B01G313700，为小麦理想株型育种提供了高效表型分析工具和基因资源。

　　

在作物育种领域，小麦旗叶角度(FLANG)是决定光合效率和产量的关键性状。传统人工测量方法存在效率低下、主观性强等问题，而现有基于三维重建或线段的检测技术难以应对小麦高密度种植条件下的叶片重叠和弯曲变形。更棘手的是，尽管已报道多个FLANG相关QTL，但除TaSPL8等少数基因外，其遗传调控机制仍不清楚。这种"表型瓶颈"严重制约了小麦理想株型的遗传改良进程。

为突破这一瓶颈，中国农业科学院作物科学研究所的研究团队开发了名为LeafPoseNet的创新解决方案。这项发表于《The Crop Journal》的研究，通过智能手机采集田间图像，结合轻量化深度学习和空间注意力机制，实现了FLANG的精准量化，并成功定位到调控这一性状的关键基因组区域。

研究主要采用三大技术方法：首先构建包含221份小麦种质的自然群体（含6份地方种质和209份栽培品种），通过标准化图像采集装置获取2209张田间图像；其次开发基于热图回归的LeafPoseNet模型，采用深度可分离卷积和分层特征融合架构降低计算量（仅0.88M参数）；最后利用28.7M SNP标记进行全基因组关联分析(GWAS)，采用混合线性模型(MLM)控制群体结构。

【FLANG图像采集与表型分析】
研究人员设计包含智能手机、固定支架和背景板的便携装置，通过三点定位法（叶中心点L、叶茎连接点J、茎中心点S）定义FLANG。LeafPoseNet在测试集上表现优异（MAE=1.43°，R²=0.998），显著优于YOLO12x-pose等对比模型，且能准确识别扭曲叶片等复杂场景。表型分析发现FLANG与株高呈正相关(r=0.34)，与产量呈负相关(r=-0.20)，现代品种中直立叶型频率显著增加。

【遗传架构解析】
GWAS鉴定到10个显著QTL，分布在2B、4D、6D和7A染色体，其中qFLANG.6D.4（PVE=13.27%）与已报道的TaTOC1基因邻近。最具潜力的qFLANG.2B.2定位在2B染色体449.08-454.06 Mb区间，通过连锁不平衡分析将候选区段缩小至250 kb。该区域内的TraesCS2B01G313700编码2-Cys过氧化还原酶BAS1同源物，其单倍型Hap1携带者的FLANG显著减小，且在现代品种中频率从41.7%提升至75%。

【模型创新性验证】
LeafPoseNet通过三大设计实现突破：7×7大核深度卷积扩大感受野；注意力模块为每个关键点生成独立权重图；层级特征融合架构增强多尺度特征提取。在跨年测试中，其性能波动（ΔMAE=0.32°）远小于对比模型（如Lightweight-OpenPose的ΔMAE=1.7°），证明对环境变化具有强鲁棒性。

这项研究的意义在于：技术上，LeafPoseNet以智能手机为载体实现了实验室精度与田间适用性的统一；遗传学上，发现的QTL填补了2B染色体FLANG调控机制的空白，TraesCS2B01G313700通过调控油菜素内酯水平影响叶角的新机制为分子设计育种提供了靶点。随着模型移动端部署的实现，该方法将显著加速小麦理想株型的选育进程。