El ángulo de la hoja bandera (FLANG) es uno de los rasgos clave en el mejoramiento del trigo debido a su impacto en la arquitectura de la planta, la captación de luz y el potencial de rendimiento. Un método basado en imágenes y aprendizaje profundo para medir el FLANG en el trigo reducirá la mano de obra y los errores que conlleva la medición manual de este rasgo.
El trigo ( Triticum aestivum L. ) es uno de los tres principales cultivos alimentarios del mundo y desempeña un papel fundamental para garantizar la seguridad alimentaria de la creciente población mundial.
La hoja bandera del trigo, considerada la «hoja funcional» para la fotosíntesis en la producción de grano, proporciona aproximadamente el 50% de la actividad fotosintética o carbohidratos necesarios para el llenado del grano. El ángulo de la hoja bandera (FLANG), definido como el ángulo entre la nervadura central de la lámina de la hoja y el tallo vertical, es un rasgo clave para obtener granos de alto rendimiento.
Las variedades de trigo con hojas bandera más erectas exhiben una mayor captura de luz y eficiencia fotosintética y producen más espigas, aumentando los rendimientos hasta en un 13%.
El FLANG, un rasgo cuantitativo influenciado por factores genéticos y ambientales, requiere una fenotipificación precisa para su análisis genético. El método tradicional es ineficiente y subjetivo, lo que crea un cuello de botella fenotípico para la medición del FLANG en el campo. Los avances en sensores, algoritmos de procesamiento de imágenes y métodos de aprendizaje profundo han proporcionado soluciones eficaces para superar este cuello de botella.
Varios métodos desarrollados para el maíz han mejorado la eficiencia y precisión de las mediciones del ángulo foliar en el campo. Ahora, investigadores de la Academia China de Ciencias han desarrollado un modelo similar para el trigo, que se siembra con mayor densidad que el maíz, lo que resulta en un espaciamiento entre plantas estrecho y una amplia superposición foliar. Estas condiciones hacen que los métodos de reconstrucción 3D aplicados al maíz no sean adecuados para medir el ángulo foliar del trigo en el campo. Por otro lado, los teléfonos inteligentes equipados con cámaras de alta resolución ofrecen una nueva oportunidad para una medición del ángulo foliar en el campo ampliamente accesible y rentable.
Actualmente, no existe un método preciso y rentable para medir el FLANG del trigo en el campo, lo que limita su aplicación en la disección genética y el mejoramiento.
Los científicos chinos propusieron una solución al problema: desarrollaron LeafPoseNet, una red simple para medir con precisión FLANG en trigo a partir de una fotografía de campo, y la aplicaron a un panel de germoplasma de trigo para identificar QTL asociados utilizando GWAS.
Aunque se han identificado muchos QTL para el gen FLANG del trigo, hasta ahora solo se han clonado y probado tres genes (TaSPL8, TaAPA2 y TaTOC1) asociados con FLANG.
LeafPoseNet es un modelo de estimación de postura basado en puntos clave que detecta automáticamente tres puntos clave: el centro del asta de la bandera (punto L), la unión del asta de la bandera y el tallo (punto J) y el centro del tallo (punto S), lo que permite calcular FLANG automáticamente.
Se seleccionaron un total de 221 accesiones de trigo harinero genotipadas, incluidas 6 razas locales chinas, 209 cultivares chinos y 6 cultivares importados. Las 221 accesiones se plantaron en el condado de Zhao, provincia de Hebei, China, en las temporadas de cultivo de trigo 2022-23 y 2023-24. Un subconjunto de 176 accesiones de esta población se plantó en el mismo lugar en la temporada 2024-25. Cada accesión se asignó aleatoriamente a parcelas con dos réplicas. En la configuración experimental, cada parcela constaba de cinco hileras. Las parcelas tenían 6 m de largo, la distancia entre hileras era de 25 cm y la distancia entre plantas era de 5 cm en cada hilera. Se estableció una zona de amortiguamiento de 50 cm de ancho entre las parcelas para minimizar las posibles interacciones con las parcelas adyacentes. Los campos se cultivaron de acuerdo con las prácticas de cultivo locales.
Tras la floración, se seleccionaron aleatoriamente los brotes principales de cinco plantas representativas de trigo de las tres hileras centrales de cada parcela para medir el FLANG, la longitud y el ancho de la hoja bandera. Se adquirieron imágenes de FLANG los días 8 y 9 de mayo de 2023 y 17 y 18 de mayo de 2024, lo que generó un total de 2209 imágenes durante la temporada de crecimiento. Para evaluar la fiabilidad de las predicciones de LeafPoseNet en comparación con las mediciones manuales, se realizó un experimento de validación el 23 de mayo de 2025 con 100 muestras de trigo seleccionadas aleatoriamente en el campo. De cada muestra, se seleccionó y etiquetó un tallo principal.
El FLANG se midió inicialmente manualmente por cinco personas con transportadores digitales y luego se estimó de forma independiente mediante imágenes de teléfonos inteligentes, seguidas de una predicción automática por parte del modelo. Para evaluar la correlación entre el FLANG de los tallos principales y los brotes, se adquirieron imágenes de FLANG el 23 de mayo de 2025 de 176 accesiones de trigo con cinco réplicas biológicas por accesión. Para cada planta, se adquirió una imagen del tallo principal y otra del brote. Se calculó el valor promedio de FLANG de las cinco réplicas de cada accesión y se utilizó para el análisis posterior.
La longitud y el ancho de la hoja bandera, la altura de la planta y el rendimiento se determinaron manualmente en el campo. La longitud de la hoja bandera se midió midiendo la distancia entre la base y la punta de la hoja, y el ancho se midió en su parte más ancha. La altura de la planta se midió como la distancia desde la base del tallo hasta la punta de la espiga. El rendimiento se calculó convirtiendo la masa de grano cosechado por parcela a kilogramos por hectárea.
Las imágenes FLANG se adquirieron de forma no destructiva sobre el terreno utilizando un dispositivo portátil compuesto por un smartphone Android, un soporte para smartphone y un panel de fondo. El smartphone se fijó firmemente en una abrazadera para mantener la alineación paralela entre la lente de la cámara y el panel de fondo durante la adquisición de la imagen. Una perilla de posicionamiento ajustable en el soporte permitió un ajuste preciso y un bloqueo estable a lo largo del soporte de montaje para asegurar un encuadre óptimo del área objetivo. Se utilizó un panel de fondo negro para minimizar la interferencia del complejo fondo del campo y las condiciones de iluminación cambiantes. Se colocó un marcador circular blanco en el panel como objeto de referencia, lo que facilitó la calibración de la escala y garantizó la coherencia entre las imágenes. Todas las imágenes se adquirieron en formato PNG (Gráficos de Red Portátiles) con una resolución de 3000 × 4000 píxeles utilizando la cámara integrada del smartphone.
El ángulo FLANG en una imagen 2D se puede calcular a partir de la posición de tres puntos clave: el centro de la hoja bandera (punto L), el punto donde la hoja bandera se une al tallo (punto J) y el centro del tallo (punto S). Estos puntos clave definen las relaciones geométricas y topológicas necesarias para calcular el ángulo.
Los investigadores definieron la medición FLANG como el problema de determinar la posición a partir de puntos clave y propusieron LeafPoseNet para determinarlos con precisión. Las imágenes originales se redimensionaron a 576 × 768 píxeles antes de ser procesadas por LeafPoseNet para predecir los puntos clave. De este modo, se midió FLANG calculando el ángulo entre los vectores formados por estos puntos clave.
Los conjuntos de datos de entrenamiento y validación de LeafPoseNet se formaron de la siguiente manera: 177 muestras (80 % del total de 221 muestras) del estudio 2022-2023. Para cada muestra, se disponía de diez imágenes replicadas, de las cuales seis se incluyeron aleatoriamente en el conjunto de entrenamiento y dos en el de validación, lo que generó 1062 imágenes de entrenamiento y 354 imágenes de validación.
Para evaluar el rendimiento del modelo LeafPoseNet, se utilizaron dos conjuntos de datos de prueba independientes. El primero, denominado 2023test, consistió en dos réplicas de imágenes seleccionadas aleatoriamente de las 221 muestras restantes del ensayo 2022-2023, lo que generó 442 imágenes. La segunda etapa, denominada 2024test, consistió en dos réplicas seleccionadas aleatoriamente de las 221 muestras del ensayo 2023-2024, lo que nos permitió evaluar la generalización del modelo a lo largo de las temporadas de crecimiento utilizando nuevos datos recopilados en un año diferente.
El módulo de la herramienta Angle de ImageJ se utilizó para anotar manualmente los puntos clave y obtener mediciones precisas de FLANG. Para reducir el impacto de pequeños errores de anotación en el entrenamiento del modelo al utilizar puntos clave discretos como objetivos, los investigadores transformaron la predicción de puntos clave en una tarea de regresión de mapas de calor. En concreto, generaron pseudomapas de calor que extendieron la información de los puntos clave discretos a distribuciones de probabilidad continuas. Estos pseudomapas de calor proporcionaron al modelo información de supervisión más completa y robusta, mejorando la precisión y la fiabilidad de la localización de los puntos clave.
En el conjunto de datos de prueba con variedades de trigo que exhiben FLANG diverso, LeafPoseNet logró alta precisión en la predicción de FLANG con un error absoluto medio (MAE) de 1,75°, un error cuadrático medio (RMSE) de 2,17° y un coeficiente de determinación (R2) de 0,998, que superó significativamente a modelos conocidos como YOLO12x-pose, YOLO11x-pose, HigherHRNet, Lightweight-OpenPose y LitePose.
Los investigadores realizaron estudios de fenotipado y asociación genómica para identificar regiones genómicas asociadas a FLANG en un panel de 221 genotipos diversos de trigo harinero e identificaron 10 loci de rasgos cuantitativos. Entre ellos, se encontró un posible gen causal, TraesCS2B01G313700, en qFLANG2B.2, que podría regular la formación de FLANG mediante la modulación de los niveles de brasinoesteroides.
Este método proporciona una solución de bajo costo y alta precisión para la fenotipificación en campo de FLANG de trigo, facilitando tanto la investigación genética de FLANG de trigo como el mejoramiento de tipos de plantas ideales.
Fuente: The Crop Journal (2025). DOI: 10.1016/j.cj.2025.07.002
