Описание морфологических характеристик колосьев пшеницы в базе данных SpikeDroidDB в виде цифрового паспорта

При анализе структуры урожая пшеницы неоднократно показано, что его выраженность зависит от продуктивности колоса. Основные характеристики колоса, которые связаны с продуктивностью, это прежде всего масса 1000 зерен, число зерен и колосков в колосе, его размеры, наличие/отсутствие остей и другие. В современных генетических исследованиях для идентификации локусов, контролирующих признаки продуктивности колоса, требуется морфометрия сотен и тысяч колосьев. С другой стороны, современные коллекции генетических ресурсов содержат тысячи образцов, которые также требуют своего детального описания. Все это обусловливает необходимость развития цифровых технологий описания признака колоса пшеницы, которые могут быть достигнуты на основе методов анализа изображений. Эти методы позволяют автоматически получать значения набора признаков, которые могут служить основой формирования цифровых коллекций растений. В настоящей работе предложено цифровое описание колоса пшеницы на основе характеристик, полученных как вручную, так и на основе анализа цифровых изображений, а также характеристик растений, у которых был взят колос. Эти данные положены в основу обновленной версии базы данных SpikeDroidDB (http://spikedroid.biores.cytogen.ru/). Цифровое описание колоса состоит из двух блоков. Блок загружаемых данных содержит описание растения и включает 5  таблиц: коллекция, сортообразец (год выращивания (вегетация), посевной номер, таксономическую информацию и др.), место выращивания, характеристики колоса растений, оцененные экспертом вручную (длину, ширину фронтальной и боковой проекций, тип и цвет колоса и др.). Блок извлекаемых характеристик включает признаки колоса, полученные в результате цифрового фенотипирования, и состоит из шести таблиц: характеристики контура колоса на изображении; характеристики модели четырехугольников, компоненты цвета колоса, доминантные цвета колоса, текстурные характеристики колоса на изображении. Было проведено выделение наиболее наглядных и информативных характеристик колоса, которые позволили сформировать цифровой паспорт колоса, включающий признаки размера, формы и цвета, определенные на основе анализа цифровых изображений. Проведено сравнение признаков, формирующих цифровой паспорт, у двух видов пшеницы, T. aethiopicum и T. carthlicum. Показано, что признаки цифрового паспорта позволяют наглядно представить модель колоса, а также выявить достоверно различающиеся параметры (цвет колоса и остей, округлость фронтальной проекции колоса). В интерфейс базы данных также добавлена возможность пакетной загрузки данных о характеристиках растения и колоса, а также их изображений.

1. Afonnikov D.A., Genaev M.A., Doroshkov A.V., Komyshev E.G., Pshenichnikova T.A. Methods of high-throughput plant phenotyping for large-scale breeding and genetic experiments. Russ J Genet. 2016;52(7):688-701. doi 10.1134/S1022795416070024

2. Afonnikov D.A., Komyshev E.G., Efimov V.M., Genaev M.A., Koval V.S., Gierke P.U., Börner A. Relationship between the characteristics of bread wheat grains, storage time and germination. Plants. 2022;11(1):35. doi 10.3390/plants11010035

3. Al Khanjari S., Filatenko A.A., Hammer K., Buerkert A. Morphological spike diversity of Omani wheat. Genet Resour Crop Evol. 2008; 55(8):1185-1195. doi 10.1007/s10722-008-9319-9

4. Artemenko N.V., Genaev M.A., Epifanov R.U., Komyshev E.G., Kruchinina Y.V., Koval V.S., Goncharov N.P., Afonnikov D.A. Imagebased classification of wheat spikes by glume pubescence using convolutional neural networks. Front Plant Sci. 2024;14:1336192. doi 10.3389/fpls.2023.1336192

5. Bi K., Jiang P., Lei L., Shi B., Wang C. Non-destructive measurement of wheat spike characteristics based on morphological image processing. Trans Chin Soc Agric Eng. 2010;26(12):212-216. doi 10.3969/j.issn.1002-6819.2010.12.036

6. Conejo-Rodriguez D.F., Gonzalez-Guzman J.J., Ramirez-Gil J.G., Wenzl P., Urban M.O. Digital descriptors sharpen classical descriptors, for improving genebank accession management: A case study on Arachis spp. and Phaseolus spp. PLoS One. 2024;19(5):e0302158. doi 10.1371/journal.pone.0302158

7. Demina I.F. Adaptability of spring wheat varieties and lines in terms of productivity and elements of its structure under forest-steppe conditions of the Middle Volga region. Mezhdunarodnyy Sel’skokhozyajstvennyy Zhurnal = International Agricultural Journal. 2022;65(5):530-534. doi 10.55186/ 25876740_2022_ 65_5_530 (in Russian)

8. Dipta B., Sood S., Devi R., Bhardwaj V., Mangal V., Thakur A.K., Kumar V., Pandey N.K., Rathore A., Singh A.K. Digitalization of potato breeding program: Improving data collection and management. Heliyon. 2023;20;9(1):e12974. doi 10.1016/j.heliyon.2023.e12974

9. Garland-Campbell K.A. Club Wheat – A review of club wheat history, improvement, and spike characteristics in wheat. Plant Breed Rev. 2022;46:421-465. doi 10.1002/9781119874157.ch7

10. Genaev M.A., Komyshev E.G., Fu Hao, Koval V.S., Goncharov N.P., Afonnikov D.A. SpikeDroidDB: an information system for annotation of morphometric characteristics of wheat spike. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2018;22(1): 132-140. doi 10.18699/VJ18.340 (in Russian)

11. Genaev M.A., Komyshev E.G., Kruchinina Y.V., Goncharov N.P.,Afonnikov D.A., Smirnov N.V. Morphometry of the wheat spike by analyzing 2D images. Agronomy. 2019;9(7):390. doi 10.3390/agronomy 9070390

12. Genaev M.A., Busov I.D., Kruchinina Yu.V., Koval V.S., Goncharov N.P. Wheat spikelet detection on RGB images using deep machine learning. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2026;30(1):27-35. doi 10.18699/vjgb-26-09

13. Goncharov N.P. Manual book of common and durum wheat varieties. Novosibirsk: SB RAS Publ. House, 2009 (in Russian)

14. Goncharov N.P., Bannikova S.V., Kawahara T. Wheat artificial amphiploids involving Triticum timopheevii genome: their studies, preservation and reproduction. Genet Resour Crop Evol. 2007;54(7): 1507-1516. doi 10.1007/s10722-006-9141-1

15. Guo Z., Zhao Y., Röder M.S., Reif J.C., Ganal M.W., Chen D., Schnurbusch T. Manipulation and prediction of spike morphology traits for the improvement of grain yield in wheat. Sci Rep. 2018;8(1):14435. doi 10.1038/s41598-018-31977-3

16. Heberling J.M. Herbaria as big data sources of plant traits. Int J Plant Sci. 2022;183(2):87-118. doi 10.1086/717623

17. Komyshev E.G., Genaev M.A., Afonnikov D.A. Analysis of color and texture characteristics of cereals on digital images. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2020;24(4):340-347. doi 10.18699/VJ20.626

18. Komyshev E.G., Genaev M.A., Kruchinina Yu.V., Koval V.S., Goncharov N.P., Afonnikov D.A. Evaluation of the spike diversity of seven hexaploid wheat species and an artificial amphidiploid using a quadrangle model obtained from 2D images. Plants. 2024;13(19):2736. doi 10.3390/plants13192736

19. Konopatskaia I., Vavilova V., Blinov A., Goncharov N.P. Spike morphology genes in wheat species (Triticum L.). Proc Latv Acad Sci B Nat Exact Appl Sci. 2016;70(6):345-355. doi 10.1515/prolas2016-0053

20. Ling Y., Zhao Q., Liu W., Wei K., Bao R., Song W., Nie X. Detection and characterization of spike architecture based on deep learning and X- ray computed tomography in barley. Plant Methods. 2023;19(1): 115. doi 10.1186/s13007-023-01096-w

21. Lyapunova O.A. Intraspecific classification of durum wheat: new botanical varieties and forms. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2017;21(2):152-157. doi 10.18699/VJ17.233 (in Russian)

22. Meraj T., Sharif M.I., Raza M., Alabrah A., Kadry S., Gandomi A.H. Computer vision-based plants phenotyping: A comprehensive survey. iScience. 2024;27(1):108709. doi 10.1016/j.isci.2023.108709

23. Methodology of State Variety Testing of Agricultural Crops. Issue 1. General Part. Moscow: 2019. (Ministry of Agriculture of the Russian Federation. Federal State Budgetary Institution «Gossortkomissiya»). URL https://gossortrf.ru/upload/2019/08/metodica_1.pdf (Accepted 04.12.2025) (in Russian)

24. Moiseeva K.V. The productivity of winter wheat vareities. Agrar Bull Urals. 2017;(9):30-34 (in Russian)

25. Murphy K.M., Ludwig E., Gutierrez J., Gehan M.A. Deep learning in image-based plant phenotyping. Annu Rev Plant Biol. 2024;75(1): 771-795. doi 10.1146/annurev-arplant-070523-042828

26. Niu Z., Liang N., He Y., Xu C., Sun S., Zhou Z., Qiu Z. A novel method for wheat spike phenotyping based on instance segmentation and classification. Appl Sci. 2024;14:6031. doi 10.3390/app14146031

27. Pakul’ V.P., Sherina A.N. Comparative study of spring wheat samples from the VIR collection according to the complex of agrobiological properties and characteristics. Dostizheniya Nauki i Tekhniki APK = Achievements of Science and Technology of AIC. 2009;9:7-8 (in Russian)

28. Piskarev V.V., Zuev E.V., Brykova A.N. Sources for the breeding of soft spring wheat in the conditions of Novosibirsk region. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2018; 22(7):784-794. doi 10.18699/VJ18.422 (in Russian)

29. Romanov B.V., Pimanov K.I. Phenogenomics of production traits of wheat varieties. Persianovsky, 2018 (in Russian)

30. Shchuklina O.A., Zavgorodniy S.V., Alenicheva A.D., Ivanova L.P., Kvitko V.E., Pylnev V.V., Upelniek V.P. Relationship between spike structure elements and plant productivity of × Trititrigia cziczinii Tzvel samples. Izvestiya of Timiryazev Agricultural Academy. 2022; (5):57-69. doi 10.26897/0021-342Х-2022-5-57-69 (in Russian)

31. Smolenskaya S.E., Efimov V.М., Kruchinina Yu.V., Nemtsev B.F., Chepurnov G.Yu., Ovchinnikova Е.S., Belan I.А., Zuev Е.V., Zhou Chenxi, Piskarev V.V., Goncharov N.P. Earliness and morphotypes of common wheat cultivars of Western and Eastern Siberia. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2022;26(7):662-674. doi 10.18699/VJGB-22-81

32. Spagnoletti Zeuli P.S., Qualset C.O. Geographical diversity for quantitative spike characters in a world collection of durum wheat. Crop Sci. 1987;27(2):235-241. doi 10.2135/cropsci1987.0011183X002700020022x

33. Thormann I., Gaisberger H., Mattei F., Snook L., Arnaud E. Digitization and online availability of original collecting mission data to improve data quality and enhance the conservation and use of plant genetic resources. Genet Resour Crop Evol. 2012;59(5):635-644. doi 10.1007/s10722-012-9804-z

34. Vavilova V., Konopatskaia I., Kuznetsova A.E., Blinov A., Goncharov N.P. Genomic characterization of DEP1 gene in wheats with normal and compact spike shape. BMC Genetics. 2017;18(Suppl. 1): 106. doi 10.1186/s12863-017-0583-6

35. Vavilova V., Konopatskaia I., Blinov A., Kondratenko E.Ya., Kruchinina Y.V., Goncharov N.P. Genetic variability of spelt factor gene in Triticum and Aegilops species. BMC Plant Biol. 2020;20(Suppl. 1): 310. doi 10.1186/s12870-020-02536-8

36. Wu X., Chang X., Jing R. Genetic insight into yield-associated traits of wheat grown in multiple rain-fed environments. PLoS One. 2012; 7(2):e31249. doi 10.1371/journal.pone.0031249

37. Xu H., Wang Z., Wang F., Hu X., Ma C., Jiang H., Xie C., Gao Y., Ding G., Zhao C., Qin R., Cui D., Sun H., Cui F., Wu Y. Genomewide association study and genomic selection of spike-related traits in bread wheat. Theor Appl Genet. 2024;137(6):131. doi 10.1007/s00122-024-04640-x

38. Zuev E.V., Brykova A.N., Kudryavtseva E.Yu. Results of analyzing the passport database ‘Spring bread wheat landraces in the VIR collection’. Proc Appl Bot Genet Breed. 2019;180(1):7-11. doi 10.30901/2227-8834-2019-1-7-11 (in Russian)