High-throughput stomatal phenotyping provides selection targets for stress-resilient wheat

기술 요약: 스트레스 내성 밀을 위한 고처리량 기공 표현형 분석

문제 정의
기공 형질은 광합성을 위한 CO₂ 흡수와 증산을 통한 수분 손실 사이의 절충 관계를 조절하는 핵심 요소로, 기후 변화 하에서 물 이용 효율(WUE)과 작물의 회복력에 직접적인 영향을 미친다. 이러한 중요성에도 불구하고, 우수한 밀 품종의 기공 형태에 대한 유전적 다양성은 여전히 제대로 이해되지 않고 있다. 전통적인 표현형 분석 방법은 노동 집약적이고 시간이 많이 소요될 뿐만 아니라, 스트레스 상황에서 잎이 말리는 경향이 있는 단자엽 식물(밀과 같은)의 고해상도 데이터를 포착하는 데 실패하는 경우가 많으며, 이는 잎의 완전한 평탄화를 방해하고 이미지 품질을 저하시킨다. 또한, 기존의 고처리량 파이프라인은 흐릿한 기공을 트리콤(trichome)과 구별하거나 비평면 잎 표면에서 형질을 정량화하는 것과 같은 밀 기공 특유의 과제를 해결하는 데 어려움을 겪고 있다. 육종 역사가 이러한 형질에 어떻게 영향을 미쳤는지, 그리고 통제된 환경에서의 표현형 분석이 실제 노지 성능을 얼마나 잘 예측하는지에 대한 체계적인 데이터가 부족한 실정이다.

방법론
저자들은 60종의 겨울 밀 품종(독일 육종 계통 50종, 외래 계통 10종)의 14가지 기공 형질을 정량화하기 위해 견고한 고처리량 표현형 분석 파이프라인을 개발하였다. 이 연구는 다환경 실험과 고급 계산 이미징 기술을 통합하였다:

• 실험 설계:

  • 생장 챔버 (GC): 온도(고/저)와 광도(고/저)를 달리하는 네 가지 조건에서 60개 유전자형 테스트.
  • 온실 (GH): 가뭄 스트레스 및 다양한 질소 가용성을 포함한 세 차례의 시험(GH1, GH2, GH3)을 통해 육종 패널 테스트.
  • 노지 (Field): 표준 조건 및 가뭄 스트레스 조건 하에서 육종 패널을 대상으로 한 Groß-Gerau 스테이션에서의 시험.
  • 이미징: 휴대용 현미경(400배 배율)을 사용하여 엽면 상면(adaxial) 및 하면(abaxial) 표면의 이미지 26,893장을 캡처. 특정 잎 순위(leaf rank)를 타겟팅함: GC에서는 3번째 잎, GH에서는 3번째 및 6번째 잎, 노지에서는 이삭잎(flag leaf)을 대상으로 함.

• 계산 파이프라인:

  • 탐지 모델: 레이블이 없는 데이터를 활용하기 위해 교사-학생(teacher-student) 구조를 사용하는 준지도 학습 기반의 딥러닝 프레임워크를 사용함. 모델은 두 가지 특정 파이프라인을 채택함: (1) 밀 기공의 단방향 정렬을 모델링하기 위한 어텐션 메커니즘을 사용하는 구조 학습 파이프라인, (2) 증강(augmentation)을 사용하여 흐릿한 기공을 트리콤과 구별하는 흐릿한 객체 학습 파이프라인.
  • 검증: 모델은 396장의 수동 레이블링 이미지로 학습되었으며, 240장의 독립적인 이미지 및 기존의 "Rapid Method" 파이프라인을 통해 검증됨.
  • 형질 정량화: 크기(너비, 길이, 비율, 면적), 변이(표준 편차), 피도(밀도, 백분율 면적, 최대 전도도 $g_{smax}$), 공간적 패턴(균일성, 발산, 응집도)을 포함한 14가지 형질을 추출함.

• 통계 분석:

  • 모든 형질에 대해 광의적 유전력($H^2$)을 추정함.
  • 선형 혼합 모델(LMM)을 사용하여 유전자형, 잎의 측면, 온도, 빛, 잎 순위, 물, 질소의 효과를 정량화함.
  • 육종 역사가 대립유전자 빈도 변화에 미친 영향을 탐지하기 위해 역 유전 선택(reverse genomic selection) 분석을 수행함.

주요 기여

1. 새로운 파이프라인: 저자들은 도전적인 밀 이미지(흐릿하거나 불완전한 구조 포함)에서 기공을 정확하게 식별하고 분류할 수 있는 고처리량 계산 파이프라인을 제시하였으며, 이는 기존의 "Rapid Method"보다 뛰어난 근사 완벽한 탐지 정확도(F1 $\approx$ 1, mAP $\approx$ 100%)를 보여줌.
2. 포괄적인 형질 데이터셋: 본 연구는 크기, 피도, 공간적 패턴을 포함한 14가지 뚜렷한 기공 형질에 대해 145만 개의 탐지된 객체를 포함하는 대규모 데이터셋을 생성함.
3. 교차 환경 검증: 생장 챔버, 온실, 노지 환경 간의 표현형 분석을 체계적으로 비교하여, 초기 단계(3번째 잎)의 통제된 환경 데이터가 후기 단계(이삭잎)의 성능을 예측하는 데 얼마나 신뢰할 수 있는지 결정함.
4. 육종 역사 분석: 역 유전 선택을 활용하여 육종 역사가 기공 형질을 어떻게 변화시켰는지(의도적 또는 비의도적) 평가하고, 표현형 트렌드와 유전적 변화를 연결함.

결과

• 파이프라인 성능: 커스텀 파이프라인은 높은 정확도로 14개 형질 중 10개를 성공적으로 정량화함(크기 및 피도에 대해 $R^2 > 0.7$, 기공 발산에 대해 $R^2 > 0.9$). 편차 형질(크기의 표준 편차)은 낮은 유전력과 상관관계를 보였으며, 이에 따라 저자들은 유전력이 높은 10개 형질에 집중함.
• 유전력 및 가소성: 10가지 형질(크기, 패턴, 피도)은 노지 및 생장 챔버 조건에서 높은 광의적 유전력($0.76 < H^2 < 0.95$)을 나타냄. 형질들은 빛, 온도 및 자원 가용성에 유의미하게 반응하며 높은 가소성을 보임.
• 잎 표면 비대칭성: 상면(adaxial)은 하면(abaxial)에 비해 일관되게 높은 기공 밀도, 면적 및 최대 전도도($g_{smax}$)를 나타냄. 반대로, 하면은 더 체계적인 패턴과 간격(높은 발산 및 응집 지수)을 보여 CO₂ 확산을 용이하게 할 가능성을 시사함.
• 환경 상관관계: 생장 챔버의 3번째 잎에서 측정된 기공 형질은 노지의 이삭잎 형질과 강한 상관관계를 보여, 통제된 환경에서의 초기 단계 표현형 분석이 시즌 후반에 나타나는 유전적 변이를 신뢰성 있게 포착할 수 있음을 시사함. 반면, 온실 측정값은 특히 수분 스트레스 하에서 노지 데이터와 약한 상관관계를 보임.
• 육종 영향: 육종 역사는 고온 및 노지 조건에서 특히 엽면 상·하면 모두에서 기공 면적 비율(PSA)과 기공 크기(너비 및 면적)를 증가시킴. 기공 밀도는 거의 변화가 없었음. 역 유전 선택 신호는 이러한 표현형 트렌드를 뒷받침하며, 기공 면적의 증가가 직접적인 목표는 아니더라도 선택의 결과임을 나타냄.
• 유전적 다양성: 독일 및 외래 패널은 기공 형질에서 유사한 유전적 다양성을 보였으며, 저온 및 저광도 조건에서만 미미한 차이가 관찰됨.

의의
본 논문은 고처리량 기공 표현형 분석이 현대 밀 육종에서 미세한 유전적 차이를 밝혀내기 위한 실행 가능하고 필수적인 도구임을 입증한다. 초기 단계의 통제된 환경 표현형 분석이 노지 성능을 예측할 수 있다는 점을 입증함으로써, 본 연구는 육종가들에게 물 이용 효율과 냉각 능력을 향상시키는 기공 형질을 스크리닝할 수 있는 확장 가능한 방법을 제공한다. 연구 결과는 육종이 기공 형질을 직접 겨냥하지는 않았더라도, 기공 면적과 크기를 증가시키는 방향으로 비의도적인 선택이 이루어졌음을 보여주며, 이는 고온 환경에서 광합성률과 잎 냉각을 유지하는 데 기여할 수 있다. 저자들은 이들의 파이프라인이 육종가들로 하여하여 기공 형질을 명시적으로 목표화하여 스트레스 내성과 고수확성을 갖춘 품종을 설계할 수 있게 함으로써, 작물 개량에 있어 유전체학과 표현형학 사이의 간극을 메울 수 있다고 결론짓는다.