越來越多的人認為無法高效實施高通量的田間表型是限制育種中遺傳增益的關鍵因素。

田間表型分析必須融入到更廣泛的環(huán)境中，而不僅僅是選擇正確的性狀特征、表型分析工具、評估平臺或基本的數據管理方法。表型分析不僅意味著以資源有效的方式開展，還需要適當的試驗管理和空間變異處理、定義目標環(huán)境中普遍存在的關鍵約束條件、以及開發(fā)更全面的數據管理，包括作物建模。

Trends in Plant Science2018年3月在線發(fā)表了此篇綜述，將為表型研究者提供一個廣泛的視野，指導研究人員如何最好地實施田間表型分析。此文還概述如何以有效的方式彌合育種者和“表型育種者”之間的差距。

由上圖可知，高通量的表型分析直接影響三個方面：更精確的遺傳篩選、鑒定新的遺傳變異以及改進對TPEs （target populations of environments，目標群體環(huán)境因子）的篩選以幫助更好的做遺傳決策。此外，高通量表型分析也間接影響了育種規(guī)模以及育種周期。

最常用于評估大田作物苗期特征的不同遙感工具的總結

利用紅 - 綠 - 藍（RGB）圖像進行田間表型分析的應用實例

作者利用相機獲取的圖像，進一步分析，獲得了田間玉米不同類別的特征：作物特征的計數、植物/作物生長的監(jiān)測和發(fā)育以及三維重建。

不同應用場景&不同尺度的表型平臺

這些平臺使用了基于不同光譜范圍的遙感工具，包括 RGB相機（VIS）、多光譜和高光譜傳感器和相機、光探測和測距（LiDAR）傳感器、熱傳感器和相機（TIR / LWIR）以及不同類別的雷達。

小結

表型分析和作物生長模型的不斷發(fā)展，使育種者能夠獲取有關植物適應性方面的生理決定因素的信息，從而精確選擇適合目標環(huán)境的品種。在不同的層面上，使用大數據將有助于完善新品種的對生長環(huán)境的需求，以了解基因分型í環(huán)境í管理（GíEíM）互作。

事實上，最近歐洲的一項研究表明，如何將來自重要目標環(huán)境下，當前以及預期（氣候變化驅動）環(huán)境變量的作物模型與多地點試驗及其相關遺傳學的產量數據相結合，可以檢測到特定的數量性狀基因與特定的生長條件有關。預計這種信息的綜合利用可以提高重要目標環(huán)境下遺傳增益。

原文：José Luis Araus, Shawn C. Kefauver, Mainassara Zaman-Allah, Mike S. Olsen, and Jill E. Cairns. Translating High-Throughput Phenotyping into Genetic Gain. Trends in Plant Science, 2018.