性状测量的准确性极大地影响遗传分析的质量。本文首先构建了一种计算程式——穗子图像特征提取工具(TI-TET)，然后评估了特征测量误差的大小。通过手动测量和从TI-TET图像中提取的五个玉米雄穗性状特征进行表型分析，结果表明： 表型准确性受穗子是否开合影响 (其本身受基因控制)，并同时 通过GWAS定位到与性状测量误差相关SNP(TAS)。 因此， 性状测量偏差是由遗传决定的，不能通过增加种群大小或重复数量来控制。

在自动化表型分析过程中，性状测量误差(自动提取的性状值和基本真相之间的差异，即随机效应)可通过增加种群规模或重复数量来控制，相比之下，有证据表明， 性状测量误差可能部分受遗传控制 。

Imaging setup, procedure, and phenotypes. A, Tassel imaging platform. B, Schematic of the five views collected for each tassel. C, Five automatically collected tassel traits following image segmentation.

与这一假设一致，本文使用基于图像的表型平台(TI-TET)，从结果图像中提取出玉米的五个雄穗性状(雄穗长度、中心穗长度、分支区长度、最低分支长度和最低分支角度)，并观察到其在性状测量误差中的 非随机、遗传因素 的显著贡献。

表型准确性因穗子是否表现出“开放”而不同，“封闭”的分支结构其本身受基因控制。

Phenotyping accuracy varies between “open” and “closed” tassel architecture. A–E, Comparison of ground truth and mean phenotype extracted from images using TI-TET.

通过手动测量和从图像中提取五个雄穗性状的特征进行表型分析，对手工测量表型、TI-TET测量表型及它们的偏差进行GWAS的相关SNP(TAS)鉴定， 结果表明，三者之间几乎没有重叠 。

此外，根据两个值之间的差异从GWAS中识别TAS表明，一小部分测量误差受遗传控制。

Overlaps among TAS among GWAS results using ground truth measurements, auto-extracted trait measurements (Auto), and trait measurement errors (Error) for five tassel traits.

而在高粱植物数据集中获得了类似的结果，这表明性状测量偏差是由多个物种和性状的遗传决定的，不能通过增加种群大小或重复数量来控制。

Theoretical explanation for the effects of genetically determined measurement biases on the accuracy of high-throughput phenotyping.

形态性状与测量误差之间的强相关性也表明，通过多性状GWAS或结构方程建模GWAS，考虑表型之间的因果关系，可以控制GDMB的影响。此外，本研究还表明，整合其它形态特征信息时，使用机器学习来重新校准特征测量是一种值得研究的替代方法。

来源:https://doi.org/10.1093/plcell/koab134