陳琪予 陳亮 陳杰丹

【編者按】 ?“十三五”以來，我國茶產(chǎn)業(yè)發(fā)展迅速，生產(chǎn)規(guī)模不斷擴大，綜合產(chǎn)值不斷提升，對實現(xiàn)脫貧攻堅和推進(jìn)鄉(xiāng)村振興發(fā)揮了重要作用。目前，我國茶園面積、茶葉產(chǎn)量、消費總量、出口額均居世界第一，但我國茶產(chǎn)業(yè)仍是勞動密集型產(chǎn)業(yè)，茶園田間生產(chǎn)機械化和茶葉生產(chǎn)加工數(shù)字化、智能化水平低，導(dǎo)致的生產(chǎn)用工成本高、茶葉品質(zhì)不穩(wěn)定等問題已成為我國茶葉生產(chǎn)亟需突破的難題。

我國《“十四五”推進(jìn)農(nóng)業(yè)農(nóng)村現(xiàn)代化規(guī)劃》提出發(fā)展智慧農(nóng)業(yè)，推動新一代信息技術(shù)與農(nóng)業(yè)生產(chǎn)經(jīng)營深度融合，建設(shè)數(shù)字田園。數(shù)字茶業(yè)是將數(shù)據(jù)作為生產(chǎn)要素，用現(xiàn)代信息技術(shù)對茶樹生長特性、生長環(huán)境和茶業(yè)全產(chǎn)業(yè)鏈中的相關(guān)信息進(jìn)行數(shù)字化表達(dá)、數(shù)字化設(shè)計、智能化管理，主要包括：茶業(yè)物聯(lián)網(wǎng)、茶業(yè)大數(shù)據(jù)、精準(zhǔn)茶業(yè)、智慧茶業(yè)。數(shù)字茶業(yè)將成為我國茶業(yè)未來的發(fā)展方向，發(fā)展數(shù)字茶業(yè)有利于提高資源利用率和茶葉產(chǎn)品質(zhì)量，并有利于實現(xiàn)產(chǎn)銷對接，推進(jìn)茶業(yè)現(xiàn)代化和高質(zhì)量發(fā)展。

數(shù)字茶業(yè)專題聚焦數(shù)字化、智能化技術(shù)在茶樹種質(zhì)資源、茶樹種植、茶園管理、茶葉采摘與加工等領(lǐng)域的應(yīng)用，總結(jié)我國茶葉數(shù)字化、智能化研究工作與成果，分析未來我國茶葉數(shù)字化、智能化發(fā)展趨勢，以期為茶葉數(shù)字化、智能化技術(shù)創(chuàng)新研究提供思路和借鑒。 ——專題主編 江用文

摘要：基因型和表型的數(shù)字化鑒定是實現(xiàn)茶樹種質(zhì)資源挖掘創(chuàng)新的新途徑，是實現(xiàn)茶樹由“傳統(tǒng)育種”向“精準(zhǔn)育種”轉(zhuǎn)變的有力工具。文章綜述了茶樹種質(zhì)資源基因型數(shù)字化、表型數(shù)字化和數(shù)字化管理與利用方面的研究進(jìn)展，并對組學(xué)技術(shù)在茶樹種質(zhì)資源數(shù)字化精準(zhǔn)鑒定中的利用，多組學(xué)聯(lián)合分析實現(xiàn)茶樹種質(zhì)資源創(chuàng)新利用等方面的未來發(fā)展進(jìn)行了展望。

關(guān)鍵詞：數(shù)字化;茶樹;種質(zhì)資源;基因型;表型

Research and Prospect of Digitalization of

Tea Germplasm Resources

CHEN Qiyu， CHEN Liang， CHEN Jiedan*

Tea Research Institute， Chinese Academy of Agricultural Sciences/ National Center of Tea Improvement/ Key Laboratory of

Tea Biology and Resource Utilization， Ministry of Agriculture and Rural Affairs， Hangzhou 310008， China

Abstract： The digital identification of genotype and phenotype is a new way to realize the innovation of tea germplasm resources mining， and a powerful tool to realize the transformation of tea plants from 'traditional breeding' to 'precision breeding'. This paper reviewed the research progress of genotype digitization， phenotype digitization， and digital management and utilization of tea germplasm resources. The future development of the application of omics ?technology in the digital ?and accurate ?identification of tea germplasm ?resources， and ?the realization of innovative ?utilization of tea germplasm ?resources by multi -omics joint analysls were also ?prospected.

Keywords： digitization， tea， germplasm resources， genotype， phenotype

我國是茶樹的起源地，茶樹種質(zhì)資源具有非常豐富的遺傳多樣性。近些年來，隨著基因組學(xué)和表型組學(xué)技術(shù)的快速發(fā)展，茶樹種質(zhì)資源的數(shù)字化工作也逐步開始。與傳統(tǒng)技術(shù)相比，組學(xué)技術(shù)具有規(guī)模化、批量化、精確化、智能化的優(yōu)點，能夠?qū)崿F(xiàn)茶樹種質(zhì)資源的數(shù)字化精準(zhǔn)鑒定。實現(xiàn)茶樹種質(zhì)資源的數(shù)字化、精準(zhǔn)化和智能化不僅有利于深入了解我國茶樹種質(zhì)資源的演化歷程、遺傳多樣性和變異程度，也為茶樹精準(zhǔn)育種打下堅實基礎(chǔ)。

1 ? 茶樹基因型數(shù)字化

基因型又稱遺傳型，是某一生物個體全部基因組合的總稱?；蛐蛿?shù)字化鑒定能夠高通量準(zhǔn)確鑒定基因型，是解析重要農(nóng)藝性狀相關(guān)遺傳信息的基礎(chǔ)，是茶樹種質(zhì)資源研究的必然發(fā)展趨勢。

1.1 ?基因組組裝

基因組組裝能夠精準(zhǔn)組裝全基因組序列，是實現(xiàn)基因型數(shù)字化精準(zhǔn)鑒定最直接的方法。茶樹基因組龐大（約30億個堿基）、重復(fù)序列含量高、高度雜合[1]，這使得茶樹基因組組裝具有一定難度。2017—2018年，利用二代測序技術(shù)進(jìn)行基因組序列組裝的云抗10號和舒茶早基因組草圖陸續(xù)公布。其中，云抗10號組裝得到的基因組大小為3.02 Gb，包括了36 951個注釋編碼蛋白[1];舒茶早基因組大小為3.14 Gb，包含33 932個注釋編碼蛋白[2]。

隨著三代測序和Hi-C技術(shù)的成熟，近些年公布了多個染色體水平的茶樹基因組。Chen等[3]利用Hi-C技術(shù)將舒茶早基因組草圖提升到了染色體水平，scaffold N50從原來的1.4 Mb提升到218.1 Mb，基因組中94.7%的序列被定位到了15條染色體中。安徽農(nóng)業(yè)大學(xué)Xia等[4]利用PacBio和Hi-C技術(shù)，構(gòu)建了染色體級別的舒茶早基因組，其大小為2.94 Gb，具有50 525個注釋編碼蛋白。Zhang等[5]也利用PacBio和Hi-C技術(shù)獲得了茶樹碧云染色體級別的基因組圖譜，其大小為2.92 Gb，scaffold N50為195.68 Mb。中國農(nóng)業(yè)科學(xué)院茶葉研究所也公布了龍井43的染色體級別基因組序列，其基因組大小為3.26 Gb，編碼33 556個注釋蛋白[6]。華中農(nóng)業(yè)大學(xué)的研究團(tuán)隊公布了云南省古茶樹DASZ基因組序列，該基因組為3.11 Gb，編碼33 021個注釋蛋白[7]。福建農(nóng)林大學(xué)和中國農(nóng)業(yè)科學(xué)院基因所發(fā)布了黃棪和鐵觀音2個品種染色體級別的基因組序列。黃棪茶樹基因組為2.94 Gb，包含43 779個蛋白質(zhì)編碼基因[8]。鐵觀音茶樹基因組大小為3.06 Gb，包含了42 825個蛋白質(zhì)編碼基因[9]。

1.2 ?單核苷酸多態(tài)SNP分型

盡管云抗10號、舒茶早、碧云、龍井43、DASZ、黃棪、鐵觀音等茶樹種質(zhì)資源完成了基因組組裝，成功組裝了個體內(nèi)幾乎全部的基因序列，然而基因組組裝成本高昂，現(xiàn)階段利用此方法進(jìn)行大規(guī)模茶樹種質(zhì)資源的基因型數(shù)字化鑒定還難以實現(xiàn)。是指由單個核苷酸變異導(dǎo)致DNA序列存在多態(tài)性，能夠針對特定位點或信息實現(xiàn)基因型數(shù)字化鑒定。與基因組組裝相比，SNP分型技術(shù)成本相對較低，已經(jīng)在茶樹資源基因型數(shù)字化鑒定中廣泛應(yīng)用，主要通過全基因組重測序、簡化基因組測序、轉(zhuǎn)錄組測序等測序技術(shù)和SNP芯片實現(xiàn)SNP分型。

全基因組重測序能夠基于SNP實現(xiàn)全基因組水平上的基因型分型[10]，近年來逐步開始應(yīng)用于茶樹種質(zhì)資源的鑒定。Xia等[4]對來自中國、老撾、俄羅斯、阿塞拜疆和伊朗的81個栽培型和野生型茶樹進(jìn)行重測序，共檢測到6 252 201個SNP位點，基于基因型進(jìn)行了系統(tǒng)發(fā)育分析，將這些資源分為3個類群。Wang等[6]利用重測序技術(shù)對來自世界各地的139份茶樹種質(zhì)資源進(jìn)行分析，得到了21 887萬個SNP位點的基因型分型結(jié)果，平均1 kb就有67個SNP位點。Zhang等[9]對190份茶樹資源進(jìn)行重測序分析，共鑒定到9 407 149個SNP位點，得到相關(guān)基因型分型結(jié)果，并進(jìn)行了茶樹種質(zhì)資源的系統(tǒng)發(fā)育分析。An等[11]對金萱和云茶1號及其96個F1代進(jìn)行了全基因組重測序，利用8 956個SNP位點的基因型數(shù)字化結(jié)果構(gòu)建了遺傳圖譜。

簡化基因組測序是利用限制性內(nèi)切酶對DNA進(jìn)行酶切，并對酶切片段兩端序列進(jìn)行高通量測序，通過鑒定獲得的SNP信息進(jìn)行基因分型，是一種快速、簡單、低成本的基因型數(shù)字化方法[12]。Ma等[13]基于迎霜、北躍單株及其148個F1子代利用SLAF-seq（Specific-locus amplified fragment sequencing）技術(shù)開發(fā)出了6 042個SNP標(biāo)記，并以此建立了首張茶樹SNP遺傳圖譜。Xu等[14]基于龍井43、白毫早及其327個F1代使用2b-RAD（2b-Restriction site-associated DNA sequencing）測序技術(shù)獲得了13 446個SNP標(biāo)記，構(gòu)建了高密度遺傳圖譜，并得到了27個與兒茶素相關(guān)的QTL（Quantitative trait locus）位點。郭燦等[15]利用簡化基因組技術(shù)對59份茶組植物進(jìn)行測序，得到了248 772個高質(zhì)量SNP位點的分型結(jié)果，隨后對這些SNP位點進(jìn)行了主成分分析、遺傳結(jié)構(gòu)分析和基因流分析，結(jié)果發(fā)現(xiàn)大廠茶與疏齒茶有遺傳結(jié)構(gòu)上的差異，且證明茶組植物種內(nèi)親緣關(guān)系受其地理來源的直接影響。Huang等[16]對龍井43、白雞冠及其雜交產(chǎn)生的198個F1個體進(jìn)行了簡化基因組測序，構(gòu)建了包含2 688個SNP標(biāo)記的遺傳圖譜，并根據(jù)2年的氨基酸數(shù)據(jù)進(jìn)行了QTL分析，最終得到了4個與氨基酸含量相關(guān)的QTL位點。

轉(zhuǎn)錄組測序能夠鑒定基因表達(dá)區(qū)的SNP位點，進(jìn)行SNP分型[17]。Zhang等[7]完成了古茶樹DASZ染色體級別的基因組組裝，并在此基礎(chǔ)上與217份不同茶樹種質(zhì)資源的轉(zhuǎn)錄組數(shù)據(jù)進(jìn)行比較。結(jié)果表明，81.1%的DASZ注釋基因被覆蓋SNPs，其中4個SNP與ECG的含量顯著關(guān)聯(lián)。Yu等[18]利用139份中國茶樹品種的轉(zhuǎn)錄組數(shù)據(jù)鑒定到了925 854個高質(zhì)量的SNP，并將139份茶樹品種分為5個類群，發(fā)現(xiàn)每個類群各有特異代謝物積累和基因表達(dá)差異，其中阿薩姆茶具有豐富的黃酮類化合物積累。

SNP芯片是將不同樣品的DNA片段連接上不同熒光標(biāo)記形成探針，然后與芯片雜交，如果目的片段含有堿基突變，則不能與探針結(jié)合，最終通過檢測雜交信號的熒光強弱來檢測SNP[19]。Wei等[20]基于在全基因組上均勻分布的179 970個SNP開發(fā)了200 K大小的SNP基因芯片，該芯片是首款茶樹高密度SNP芯片。以龍井43和白毫早F1群體為材料，該芯片能檢測到18 226個多態(tài)性SNP位點，結(jié)合F1群體2年的結(jié)實率表型數(shù)據(jù)，共鑒定到了4個QTL位點。

2 ?茶樹表型數(shù)字化

表型組學(xué)旨在集成自動化平臺裝備和信息化技術(shù)手段，可以系統(tǒng)、高效地獲取表型信息，以實現(xiàn)植物表型的數(shù)字化精準(zhǔn)鑒定[21]。表型組學(xué)常常構(gòu)建一些表型檢測平臺，搭載圖像、點云、光譜、紅外、X射線等技術(shù)來快速高效地數(shù)字化采集植物多尺度的大量表型數(shù)據(jù)，目前已在玉米、小麥、大豆等較多作物上應(yīng)用。Feng等[22]開發(fā)了1個高通量高光譜成像系統(tǒng)，收集了529份水稻種質(zhì)的光譜指數(shù)指標(biāo)和傳統(tǒng)農(nóng)藝性狀，并以此進(jìn)行了全基因組關(guān)聯(lián)研究。Crain等[23]使用1個被稱為“Phenocart”的便攜式表型系統(tǒng)來測量1 170個小麥種質(zhì)資源的歸一化植被指數(shù)和冠層溫度，同時用GPS坐標(biāo)精確標(biāo)記每個數(shù)據(jù)點并進(jìn)行基因分析。Laraswati等[24]基于圖像的表型檢測技術(shù)，通過多變量分析確定選擇指數(shù)來對干旱水稻表型篩選的有效性進(jìn)行評估。孫宏杰[25]通過對采集的15個品種的葡萄葉片圖像進(jìn)行預(yù)處理，提取了不同的圖像特征，包括Hu不變矩、灰度共生矩、HOG特征、FHOG特征和基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)特征等，使得不同葡萄品種的識別率達(dá)到了88.33%。Zhang等[26]開發(fā)了1種基于葉片圖像的自動識別系統(tǒng)MFCIS，該系統(tǒng)結(jié)合了持續(xù)同調(diào)和卷積神經(jīng)網(wǎng)絡(luò)收集了不同時期的多個葉片形態(tài)特征。利用該算法對88個甜櫻桃品種和100個大豆品種葉片構(gòu)成的數(shù)據(jù)集分別進(jìn)行品種識別，平均準(zhǔn)確率分別高達(dá)83.5%和91.4%。

表型組學(xué)在茶樹種質(zhì)資源鑒定評價中的應(yīng)用還處于起步階段，一些簡單的技術(shù)在茶樹葉片形態(tài)特征和農(nóng)藝性狀相關(guān)的表型上開展了應(yīng)用。毛平生[27]利用Photoshop對茶樹的葉面積進(jìn)行了測量，并與葉面積的經(jīng)驗公式進(jìn)行對比，發(fā)現(xiàn)計算機測定的結(jié)果更加準(zhǔn)確。李潔[28]利用Photoshop對茶樹新梢的顏色和成熟葉的葉面積進(jìn)行了測定，并對其中的相關(guān)參數(shù)進(jìn)行了分析。但是這兩項工作都是基于Photoshop軟件進(jìn)行研究，導(dǎo)致關(guān)于圖像處理的操作有限，自由度小，同時工作效率也受到限制，難以處理大批量的茶樹葉片圖像。隨著數(shù)字化研究的不斷深入，像Python、R、MATLAB等編程語言因具有批量處理、速度快、應(yīng)用面廣等優(yōu)點，漸漸成為了進(jìn)行茶樹表型數(shù)字化處理的主流工具。隨著無人機技術(shù)的發(fā)展，利用無人機對茶樹進(jìn)行表型分析成為了新的發(fā)展趨勢。Luo等[29]利用3種模型分別通過無人機拍攝的茶園多光譜圖片對茶樹的氮、茶多酚和氨基酸的含量進(jìn)行評估。結(jié)果表明，SVM（Support vector machines）模型對于預(yù)測氮和茶多酚的含量最佳;PLSR（Partial least squares regression）模型預(yù)測氨基酸的含量是最佳的，同時證明空中預(yù)測結(jié)果與地面測量結(jié)果一樣可靠，這為茶樹種質(zhì)資源的精準(zhǔn)評價提供了技術(shù)支持。

目前，茶樹種質(zhì)資源表型數(shù)字化的應(yīng)用主要體現(xiàn)在基于分類器結(jié)合圖像特征對茶樹種質(zhì)資源識別的方面。Pandolfi等[30]提取了17份茶樹種質(zhì)資源的14個圖像特征，并基于圖像特征進(jìn)行了遺傳多樣性分析，并利用人工神經(jīng)網(wǎng)絡(luò)對茶樹品種進(jìn)行了預(yù)測。劉自強[31]通過茶樹鮮葉圖像對10個茶樹品種進(jìn)行了識別。除了利用形態(tài)特征、紋理特征及顏色特征外，還使用多重分形特征來對葉片進(jìn)行描述，并用6種分類器同時建模比較分類精度。結(jié)果表明，SVM和隨機森林法的建模對茶樹種質(zhì)資源的分類精度較高，能達(dá)到90%左右。Lin等[32]在利用圖像特征識別武夷巖茶的方面研究較多，2018年對SVM分類器的內(nèi)核進(jìn)行了優(yōu)化后，以提取的14個形狀和紋理圖像特征為基礎(chǔ)，對水仙和肉桂這2份茶樹資源進(jìn)行識別，準(zhǔn)確率高達(dá)91%;2019年利用3種分類器通過灰度共生矩陣下的紋理特征對黃觀音、瑞香、丹桂和奇蘭4個品種的茶鮮葉進(jìn)行識別，其識別準(zhǔn)確率在80%左右，且結(jié)果證明KNN（K-nearest neighbor）分類器的識別率最高[33];2020年利用整體與局部信息融合的CNN（Convolutional neural networks）模型結(jié)合茶樹葉片的整體特征和局部特征對9個武夷巖茶茶樹品種進(jìn)行識別，識別率達(dá)到96.69%[34]。

3 ?茶樹數(shù)字化管理與利用

早期，茶樹種質(zhì)資源數(shù)字化管理與利用主要集中在表型數(shù)據(jù)的管理。吳文斗等[35]以國家種質(zhì)勐海大葉茶樹資源圃的1 521份茶樹種質(zhì)資源為基礎(chǔ)，建立了云南茶樹種質(zhì)資源數(shù)據(jù)共享平臺。該平臺具有茶樹種質(zhì)資源的圖片信息、農(nóng)藝性狀、生化成分、茶葉加工品質(zhì)、抗寒性及抗病蟲性等表型數(shù)據(jù)。陶萍等[36]基于Django框架構(gòu)建了1個包含64份云南普洱茶種古茶樹資源16個主要表型性狀數(shù)據(jù)的古茶樹數(shù)據(jù)平臺。

隨著表型組和基因組的快速發(fā)展，大量種質(zhì)資源的數(shù)字化表型和基因型被鑒定，這使得很多重要的農(nóng)藝性狀被揭示。但是由于數(shù)據(jù)量大，導(dǎo)致共享利用不便，阻礙了茶樹重要農(nóng)藝性狀的分子解析。隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，種質(zhì)資源信息數(shù)據(jù)庫的搭建可以快速實現(xiàn)數(shù)字化管理與利用。中國農(nóng)業(yè)科學(xué)院茶葉研究所利用生物信息技術(shù)和互聯(lián)網(wǎng)技術(shù)建設(shè)了茶樹種質(zhì)資源基因組變異大數(shù)據(jù)分析平臺（TeaGVD，http：//www.teaplant.top/teagvd）。目前平臺已經(jīng)整合超過7 000多萬個基因組變異位點、808份茶樹資源的基因型數(shù)據(jù)、464種代謝物的表型數(shù)據(jù)和430 682個基因型-表型關(guān)聯(lián)位點。平臺主要用于茶樹種質(zhì)資源基因組變異（SNP和InDel）的大數(shù)據(jù)在線分析，能夠根據(jù)基因組位置、基因信息、材料比較、基因或變異編號等不同的策略檢索基因組SNP和InDel（Insertion-deletion）。通過該平臺還能夠?qū)崿F(xiàn)茶樹種質(zhì)資源的代謝表型查詢及GWAS（Genome-wide association studies）分析，快速挖掘性狀相關(guān)的SNP和InDel位點。

此外，平臺還整合了在線Blast、序列提取、引物設(shè)計、群體遺傳分析等工具，為茶樹種質(zhì)資源的數(shù)字化利用與共享提供了一個用戶友好型平臺。安徽農(nóng)業(yè)大學(xué)構(gòu)建了茶樹信息檔案數(shù)據(jù)庫（TPIA），以舒茶早基因組圖譜為框架，整合了基因組信息、轉(zhuǎn)錄組、代謝組等數(shù)據(jù)。平臺還集成了功能富集分析、相關(guān)性分析、引物設(shè)計、序列比對等工具，有助于組學(xué)數(shù)據(jù)的數(shù)字化利用[37]。南京農(nóng)業(yè)大學(xué)構(gòu)建了茶樹基因組數(shù)據(jù)庫（TeaPGDB），整合了已完成組裝的各個基因組數(shù)據(jù)，方便科研人員進(jìn)行利用分析。此外，一些轉(zhuǎn)錄組相關(guān)的數(shù)據(jù)庫網(wǎng)站也陸續(xù)被開發(fā)，如TeaCoN[38]、TeaAS[39]等。茶樹種質(zhì)資源數(shù)字化管理與利用能有效促進(jìn)茶樹種質(zhì)資源的保護(hù)、利用與共享，為茶樹系統(tǒng)演化研究、關(guān)鍵性狀解析、品種改良等提供了堅實的基礎(chǔ)。

4 ?展望

4.1 ?組學(xué)技術(shù)

未來，組學(xué)技術(shù)將在茶樹種質(zhì)資源的數(shù)字化精準(zhǔn)鑒定方面不斷深入，利用基因組學(xué)、轉(zhuǎn)錄組學(xué)、表觀組學(xué)、蛋白組學(xué)、代謝組學(xué)、表型組學(xué)等技術(shù)手段，對茶樹種質(zhì)資源進(jìn)行高通量、多維度、精準(zhǔn)化的鑒定評估。與基因組學(xué)技術(shù)相比，表型組學(xué)技術(shù)在茶樹種質(zhì)資源中的應(yīng)用還比較落后，這阻礙了茶樹種質(zhì)資源的精準(zhǔn)評價和深入挖掘進(jìn)程。針對茶樹種質(zhì)資源的特性，加強茶樹表型鑒定設(shè)施平臺的建設(shè)，開發(fā)對應(yīng)的數(shù)字化鑒定方法，從而提升茶樹種質(zhì)資源規(guī)模化、批量化、精準(zhǔn)化鑒定評價的基礎(chǔ)和條件。

4.2 ?多組學(xué)聯(lián)合分析

伴隨著大量茶樹種質(zhì)資源被數(shù)字化精準(zhǔn)鑒定，多組學(xué)聯(lián)合分析將成為實現(xiàn)茶樹種質(zhì)資源創(chuàng)新利用的必然途徑。通過基因組學(xué)和生物信息學(xué)等技術(shù)手段，利用多組學(xué)聯(lián)合分析系統(tǒng)深入挖掘基因型、表型和環(huán)境型之間的內(nèi)在關(guān)聯(lián)，研究茶樹表型對遺傳信息和環(huán)境變化的響應(yīng)機制。同時，結(jié)合分子生物學(xué)、遺傳育種學(xué)、生物化學(xué)、合成生物學(xué)等技術(shù)，深入解析茶樹重要農(nóng)藝性狀的分子機理和遺傳基礎(chǔ)，為茶樹種質(zhì)資源的創(chuàng)新利用提供堅實基礎(chǔ)，并加速茶樹品種改良進(jìn)程。

4.3 ?數(shù)字化利用與共享

茶樹種質(zhì)資源數(shù)字化鑒定評估產(chǎn)生的數(shù)據(jù)量龐大、標(biāo)準(zhǔn)不一，導(dǎo)致共享利用不便，阻礙了其生物數(shù)據(jù)的有效利用。為了增加不同數(shù)據(jù)集之間的可比性，必須通過科學(xué)的分類、統(tǒng)一的描述規(guī)范和對茶樹種質(zhì)資源的基因組、轉(zhuǎn)錄組、代謝組、表型組等組學(xué)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理和評價。利用大數(shù)據(jù)和互聯(lián)網(wǎng)技術(shù)，整合茶樹種質(zhì)資源多組學(xué)數(shù)據(jù)，開發(fā)友好型在線分析工具，創(chuàng)建資源共享利用平臺，加快數(shù)字化種質(zhì)資源的利用效率，推動整個茶科學(xué)的進(jìn)步與發(fā)展。

參考文獻(xiàn)

[1] XIA E H， ZHANG H B， SHENG J， et al. The tea tree genome provides insights into tea flavor and independent evolution of caffeine biosynthesis[J]. Molecular Plant， 2017， 10（6）： 866-877.

[2] WEI C L， YANG H， WANG S B， et al. Draft genome sequence of Camellia sinensis var. sinensis provides insights into the evolution of the tea genome and tea quality[J]. Proceedings of the National Academy of Sciences， 2018， 115（18）： 4151-4158.

[3] CHEN J D， ZHENG C， MA J Q， et al. The chromosome-scale genome reveals the evolution and diversification after the recent tetraploidization event in tea plant[J]. Horticulture Research， 2020， 7： 63. https：//doi.org/10.1038/s41438-020-0288-2.

[4] XIA E H， TONG W， HOU Y， et al. The reference genome of tea plant and resequencing of 81 diverse accessions provide insights into its genome evolution and adaptation[J]. Molecular Plant， 2020， 13（7）： 1013-1026.

[5] ZHANG Q J， LI W， LI K， et al. The chromosome-level reference genome of tea tree unveils recent bursts of non-autonomous ltr retrotransposons in driving genome size evolution[J]. Molecular Plant， 2020， 13（7）： 935-938.

[6] WANG X C， FENG H， CHANG Y X， et al. Population sequencing enhances understanding of tea plant evolution[J]. Nature Communica-

tions， 2020， ?11： ?4447. https：//doi.org/10.1038/s41467-020-18228-8.

[7] ZHANG W Y， ZHANG Y J， QIU H J， et al. Genome assembly of wild tea tree DASZ reveals pedigree and selection history of tea varieties[J]. Nature Communications， 2020， 11： 3719. https：//doi.org/10.1038/s41467-020-17498-6.

[8] WANG P J， YU J X， JIN S， et al. Genetic basis of high aroma and stress tolerance in the Oolong tea cultivar genome[J]. Horticulture Research， 2021， 8： 107. https：//doi.org/10.1038/s41438-021-00542-x.

[9] ZHANG X T， CHEN S， SHI L Q， et al. Haplotype-resolved genome assembly provides insights into evolutionary history of the tea plant Camellia sinensis[J]. Nature Genetics， 2021， 53（8）： 1250-1259.

[10] LEY T J， MARDIS E R， DING L， et al. DNA sequencing of a cytogenetically normal acute myeloid leukaemia genome[J]. Nature， 2008， 456（7218）： 66-72.

[11] AN Y L， CHEN L B， TAO L L， et al. QTL mapping for leaf area of tea plants （Camellia sinensis） based on a high-quality genetic map constructed by whole genome resequencing[J]. Frontiers in Plant Science， 2021， 12. https：//doi.org/10.3389/fpls.2021.705285.

[12] 薛曉杰， 杜曉云， 蓋藝， 等. 基于GBS測序開發(fā)SNP在植物上的應(yīng)用進(jìn)展[J]. 江蘇農(nóng)業(yè)科學(xué)， 2020， 48（13）： 62-68.

[13] MA J Q， HUANG L， MA C L， et al. Large-scale SNP discovery and genotyping for constructing a high-density genetic map of tea plant using specific-locus amplified fragment sequencing （SLAF-seq）[J]. PLoS ONE， 2015， 10（6）： e0128798. https：//doi.org/10.1371/journal.pone.0128798.

[14] XU L Y， WANG L Y， WEI K， et al. High-density SNP linkage map construction and QTL mapping for flavonoid-related traits in a tea plant （Camellia sinensis） using 2b-RAD sequencing[J]. BMC Genomics， 2018， 19： 955. https：//doi.org/10.1186/s12864-018-5291-8.

[15] 郭燦， 皮發(fā)娟， 吳昌敏， 等. 基于GBS測序的全基因組SNP揭示貴州地方茶組植物資源的親緣關(guān)系[J]. 南方農(nóng)業(yè)學(xué)報， 2021， 52（3）： 660-670.

[16] HUANG R， WANG J Y， YAO M Z， et al. Quantitative trait loci mapping for free amino acid content using an albino population and SNP markers provides insight into the genetic improvement of tea plants[J]. Horticulture Research， 2022， 9： uhab029. https：//doi.org/10.1093/hr/uhab029.

[17] 慧芳， 劉秀巖， 李宗諭， 等. 轉(zhuǎn)錄組測序技術(shù)在藥用植物研究中的應(yīng)用[J]. 中草藥， 2019， 50（24）： 6149-6155.

[18] YU X M， XIAO J J， CHEN S， et al. Metabolite signatures of diverse Camellia sinensis tea populations[J]. Nature Communications， 2020， 11： 5586. https：//doi.org/10.1038/s41467-020-19441-1.

[19] 王富強， 樊秀彩， 張穎， 等. SNP分子標(biāo)記在作物品種鑒定中的應(yīng)用和展望[J]. 植物遺傳資源學(xué)報， 2020， 21（5）： 1308-1320.

[20] WEI K， WANG X C， HAO X Y， et al. Development of a genome-wide 200K SNP array and its application for high-density genetic mapping and origin analysis of Camellia sinensis[J]. Plant Biotechnology Journal， 2021. https：//doi.org/10.1111/pbi.13761.

[21] 趙春江. 植物表型組學(xué)大數(shù)據(jù)及其研究進(jìn)展[J]. 農(nóng)業(yè)大數(shù)據(jù)學(xué)報， 2019， 1（2）： 5-18.

[22] FENG H， GUO Z L， YANG W N， et al. An integrated hyperspectral imaging and genome-wide association analysis platform provides spectral and genetic insights into the natural variation in rice[J]. Scientific Reports， 2017， 7： 4401. https：//doi.org/10.1038/s41598-017-04668-8.

[23] CRAIN J， MONDAL S， RUTKOSKI J， et al. Combining high-throughput phenotyping and genomic information to increase prediction and selection accuracy in wheat breeding[J]. The Plant Genome， 2018， 11： 170043. https：//doi.org/10.3835/plantgenome

2017.05.0043.

[24] LARASWATI A A， PADJUNG R， FARID M， et al. Image based-phenotyping and selection index based on multivariate analysis for rice hydroponic screening under drought stress[J]. Plant Breeding and Biotechnology， 2021， 9： 272-286.

[25] 孫宏杰. 基于葉片圖像分析的葡萄品種識別方法研究[D]. 楊凌： 西北農(nóng)林科技大學(xué)， 2016.

[26] ZHANG Y P， PENG J， YUAN X H， et al. MFCIS： An automatic leaf-based identification pipeline for plant cultivars using deep learning and persistent homology[J]. Horticulture Research， 2021， 8： 172. https：//doi.org/10.1038/s41438-021-00608-w.

[27] 毛平生. 利用photoshop測定茶葉等植物葉片面積的方法[J]. 福建茶葉， 2006（3）： 32.

[28] 李潔. 計算機視覺圖像處理技術(shù)在茶學(xué)領(lǐng)域應(yīng)用方法的研究[D]. 雅安： 四川農(nóng)業(yè)大學(xué)， 2008.

[29] LUO D N， GAO Y， WANG Y， et al. Using UAV image data to monitor the effects of different nitrogen application rates on tea quality[J]. Journal of the Science of Food and Agriculture， 2021， 102（4）： 1540-1549.

[30] PANDOLFI C， MUGNAI S， AZZARELLO E， et al. Artificial neural networks as a tool for plant identification： A case study on Vietnamese tea accessions[J]. Euphytica， 2009， 166（3）： 411-421.

[31] 劉自強. 鮮茶葉圖像特征提取及在茶樹品種識別中的應(yīng)用研究[D]. 長沙： 湖南農(nóng)業(yè)大學(xué)， 2014.

[32] LIN L H， LI C H， YANG S， et al. Automated classification of Wuyi rock tealeaves based on support vector machine[J]. Concurrency and Computation： Practice and Experience， 2019， 31（23）： e4519. https：//doi.org/10.1002/cpe.4519.

[33] 林麗惠. 基于紋理特征的武夷巖茶葉片分類方法[J]. 武夷學(xué)院學(xué)報， 2019， 38（12）： 14-17.

[34] 林麗惠， 羅志明， 王軍政， 等. 融合整體與局部信息的武夷巖茶葉片分類方法[J]. 智能系統(tǒng)學(xué)報， 2020， 15（5）： 919-924.

[35] 吳文斗， 王賢， 李泓蒴， 等. 云南茶樹種質(zhì)資源數(shù)據(jù)共享平臺的設(shè)計與實現(xiàn)[J]. 安徽農(nóng)業(yè)科學(xué)， 2019， 47（24）： 230-233.

[36] 陶萍， 宋燚， 張晴暉， 等. 云南普洱茶種古茶樹資源表型性狀數(shù)據(jù)分析研究[J]. 西部林業(yè)科學(xué)， 2020， 49（6）： 144-151，157.

[37] XIA E H， LI F D， TONG W， et al. Tea plant information archive： a comprehensive genomics and bioinformatics platform for tea plant[J]. Plant Biotechnology Journal， 2019， 17（10）： 1938-1953.

[38] ZHANG R， MA Y， HU X Y， et al. TeaCoN： A database of gene co-expression network for tea plant （Camellia sinensis）[J]. BMC Genomics， 2020， 21： 461. https：//doi.org/10.1186/s12864-020-06839-w.

[39] MI X Z， YUE Y， TANG M S， et al. TeaAS： A comprehensive database for alternative splicing in tea plants （Camellia sinensis）[J]. BMC Plant Biology， 2021， 21： 280. https：//doi.org/10.1186/s12870-021-03065-8.