ФЕНОМИКА – ПОСТГЕНОМНАЯ НАУКА В АГРОЭКОЛОГИИ

Авторы

  • Вячеслав Николаевич Кипень Институт генетики и цитологии, Национальная академия наук Беларуси
  • Максим Михайлович Патрин Московский государственный университет им. М. В. Ломоносова
  • Максим Александрович Ситников

Ключевые слова:

высокопроизводительное цифровое фенотипирование, феномика, агроэкология, мультиспектральный анализатор, гиперспектральный анализатор, нейронные сети, большие данные, искусственный интеллект, селекция растений

Аннотация

Высокопроизводительное цифровое фенотипирование (феномика) представляет собой революционное направление в современной физиологии растений, находящееся на стыке физиологии, генетики, информационных технологий и агроэкологии. Данная методология позволяет осуществлять комплексный анализ фенотипических характеристик растительных организмов с беспрецедентной точностью и объективностью, что делает её незаменимым инструментом в современных биологических исследованиях. Интеграция феномики с передовыми технологическими решениями, включая мультиспектральный анализ, гиперспектральную съёмку и искусственный интеллект, открывает новые перспективы для изучения механизмов развития растений и их взаимодействия с окружающей средой. Особое значение приобретает применение феномических подходов в решении актуальных задач агроэкологии, направленных на повышение продуктивности сельскохозяйственных культур и создание стрессоустойчивых сортов растений. Современные феномические исследования способствуют оптимизации использования биологических ресурсов и разработке инновационных методов селекции, что имеет первостепенное значение для обеспечения продовольственной безопасности и устойчивого развития аграрного сектора. Внедрение цифровых технологий фенотипирования позволяет существенно ускорить процесс создания новых сортов растений с улучшенными характеристиками, включая повышенную урожайность, устойчивость к неблагоприятным факторам среды и оптимальное использование ресурсов. Таким образом, феномика выступает фундаментальной основой для развития современной агробиотехнологии, объединяя достижения различных научных дисциплин и обеспечивая комплексный подход к решению ключевых задач растениеводства в условиях глобальных экологических вызовов.

Биографии авторов

  • Вячеслав Николаевич Кипень, Институт генетики и цитологии, Национальная академия наук Беларуси

    кандидат биологических наук, доцент; ведущий научный сотрудник лаборатории прикладной геномики

  • Максим Михайлович Патрин, Московский государственный университет им. М. В. Ломоносова

    научный сотрудник, кафедра биофизики, биологический факультет

  • Максим Александрович Ситников

    технический специалист по приложениям цифрового фенотипирования

Библиографические ссылки

  1. Awada L, Phillips PWB, Bodan AM. The evolution of plant phenomics: global insights, trends, and collaborations (2000–2021). Frontiers in Plant Science. 2024;15:1410738. DOI: 10.3389/fpls.2024.1410738.
  2. Yu Y, Cheng Q, Wang F, Zhu Y, Shang X, Jones A, He H, Song Y. Crop/Plant Modeling Supports Plant Breeding: I. Optimization of Environmental Factors in Accelerating Crop Growth and Development for Speed Breeding. Plant Phenomics. 2023;5:0099. DOI: 10.34133/plantphenomics.0099.
  3. Das Choudhury S, Samal A, Awada T. Leveraging Image Analysis for High-Throughput Plant Phenotyping. Frontiers in Plant Science. 2019;10:508. DOI: 10.3389/fpls.2019.00508.
  4. Zhou N, Siegel ZD, Zarecor S, Lee N, Campbell DA, Andorf CM, Nettleton D, Lawrence-Dill CJ, Ganapathysubramanian B, Kelly JW, Friedberg I. Crowdsourcing image analysis for plant phenomics to generate ground truth data for machine learning. PLOS Computational Biology. 2018;14(7):e1006337. DOI: 10.1371/journal.pcbi.1006337.
  5. Hura T, Hura K, Ostrowska A, Urban K. Non-rolling flag leaves use an effective mechanism to reduce water loss and light-induced damage under drought stress. Annals of Botany. 2022; 130(3):393–408. DOI: 10.1093/aob/mcac035.
  6. Chen S, Guo Y, Sirault X, Stefanova K, Saradadevi R, Turner NC, Nelson MN, Furbank RT, Siddique KHM, Cowling WA. Nondestructive Phenomic Tools for the Prediction of Heat and Drought Tolerance at Anthesis in Brassica Species. Plant Phenomics. 2019;2019:3264872. DOI: 10.34133/2019/3264872.
  7. Nankar AN, Tringovska I, Grozeva S, Ganeva D, Kostova D. Tomato Phenotypic Diversity Determined by Combined Approaches of Conventional and High-Throughput Tomato Analyzer Phenotyping. Plants (Basel). 2020;9(2):197. DOI: 10.3390/plants9020197.
  8. Ortega-Albero N, Barchi L, Fita A, Díaz M, Martínez F, Luna-Prohens JM, Rodríguez-Burruezo A. Genetic diversity, population structure, and phylogeny of insular Spanish pepper landraces (Capsicum annuum L.) through phenotyping and genotyping-by-sequencing. Frontiers in Plant Science. 2024;15:1435427. DOI: 10.3389/fpls.2024.1435427.
  9. Tripodi P, Greco B. Large Scale Phenotyping Provides Insight into the Diversity of Vegetative and Reproductive Organs in a Wide Collection of Wild and Domesticated Peppers (Capsicum spp.). Plants. 2018;7(4):103. DOI: 10.3390/plants7040103.
  10. Hansen PB, Ruud AK, de los Campos G, Malinowska M, Nagy I, Svane SF, Thorup-Kristensen K, Jensen JD, Krusell L, Asp T. Integration of DNA Methylation and Transcriptome Data Improves Complex Trait Prediction in Hordeum vulgare. Plants. 2022;11(17):2190. DOI: 10.3390/plants11172190.
  11. de Sousa CAF, de Paiva DS, Casari RADCN, de Oliveira NG, Molinari HBC, Kobayashi AK, Magalhães PC, Gomide RL, Souza MT Jr. A procedure for maize genotypes discrimination to drought by chlorophyll fluorescence imaging rapid light curves. Plant Methods. 2017;13:61. DOI: 10.1186/s13007-017-0209-z.
  12. Hura T, Dziurka M, Hura K, Ostrowska A, Dziurka K. Different allocation of carbohydrates and phenolics in dehydrated leaves of triticale. Journal of Plant Physiology. 2016;202:1–9. DOI: 10.1016/j.jplph.2016.06.018.
  13. Hura T, Tyrka M, Hura K, Ostrowska A, Dziurka K. QTLs for cell wall-bound phenolics in relation to the photosynthetic apparatus activity and leaf water status under drought stress at different growth stages of triticale. Molecular Genetics and Genomics. 2017;292:415–433. DOI: 10.1007/s00438-016-1276-y.
  14. Tiwari JK, Buckseth T, Zinta R, Bhatia N, Dalamu D, Naik S, Poonia AK, Kardile HB, Challam C, Singh RK, Luthra SK, Kumar V, Kumar M. Germplasm, Breeding, and Genomics in Potato Improvement of Biotic and Abiotic Stresses Tolerance. Frontiers in Plant Science. 2022;13:805671. DOI: 10.3389/fpls.2022.805671.
  15. Zhang G, Zhou J, Peng Y, Tan Z, Zhang Y, Zhao H, Liu D, Liu X, Li L, Yu L, Jin C, Fang S, Shi J, Geng Z, Yang S, Chen G, Liu K, Yang Q, Feng H, Guo L, Yang W. High-throughput phenotyping-based quantitative trait loci mapping reveals the genetic architecture of the salt stress tolerance of Brassica napus. Plant, Cell & Environment. 2023;46(2):549–566. DOI: 10.1111/pce.14485.
  16. Zhou T, Yue CP, Liu Y, Zhang TY, Huang JY, Hua YP. Multiomics reveal pivotal roles of sodium translocation and compartmentation in regulating salinity resistance in allotetraploid rapeseed. Journal of Experimental Botany. 2021;72(15):5687–5708. DOI: 10.1093/jxb/erab215.
  17. Sorrentino M, Panzarová K, Spyroglou I, Spíchal L, Buffagni V, Ganugi P, Rouphael Y, Colla G, Lucini L, De Diego N. Integration of Phenomics and Metabolomics Datasets Reveals Different Mode of Action of Biostimulants Based on Protein Hydrolysates in Lactuca sativa L. and Solanum lycopersicum L. Under Salinity. Frontiers in Plant Science. 2022;12:808711. DOI: 10.3389/fpls.2021.808711.
  18. Singh AK, Mishra P, Kashyap SP, Karkute SG, Singh PM, Rai N, Bahadur A, Behera TK. Molecular insights into mechanisms underlying thermo-tolerance in tomato. Frontiers in Plant Science. 2022;13:1040532. DOI: 10.3389/fpls.2022.1040532.
  19. PlantEye F600 Multispectral 3D scanner for plant phenotyping [Internet, cited 2025 August 22]. Phenospex. Smart Plant Analysis. Available from: https://phenospex.com/products/plant-phenotyping/planteye-f600-multispectral-3d-scanner-for-plants/#parameters.
  20. Silva P, Evers B, Kieffaber A, Wang X, Brown R, Gao L, Fritz A, Crain J, Poland J. Applied phenomics and genomics for improving barley yellow dwarf resistance in winter wheat. G3 (Bethesda). 2022;12(7):jkac064. DOI: 10.1093/g3journal/jkac064.
  21. Shakshi, Srivastava RP, Yadav S, Singh MK. Integrating Genomics and Phenomics in Agricultural Breeding: A Comprehensive Review. Asian Research Journal of Agriculture. 2024;17(4):116–125. DOI: 10.9734/arja/2024/v17i4506.
  22. Toda Y, Okura F. How Convolutional Neural Networks Diagnose Plant Disease. Plant Phenomics. 2019;2019:9237136. DOI: 10.34133/2019/9237136.
  23. Lee SH, Goëau H, Bonnet P, Joly A. Attention-Based Recurrent Neural Network for Plant Disease Classification. Frontiers in Plant Science. 2020;11:601250. DOI: 10.3389/fpls.2020.601250.
  24. Dwivedi SL, Goldman I, Ceccarelli S, Ortiz R. Chapter Three – Advanced analytics, phenomics and biotechnology approaches to enhance genetic gains in plant breeding. Advances in Agronomy. 2020;162:89–142. DOI: 10.1016/bs.agron.2020.02.002.
  25. García-González CA, Silvar C. Phytochemical Assessment of Native Ecuadorian Peppers (Capsicum spp.) and Correlation Analysis to Fruit Phenomics. Plants. 2020;9(8):986. DOI: 10.3390/plants9080986.
  26. Sun D, Xu Y, Cen H. Optical sensors: deciphering plant phenomics in breeding factories. Trends in Plant Science. 2022;27(2):209–210. DOI: 10.1016/j.tplants.2021.06.012.
  27. Jiang Y, Li C. Convolutional Neural Networks for Image-Based High-Throughput Plant Phenotyping: A Review. Plant Phenomics. 2020;2020:4152816. DOI: 10.34133/2020/4152816.
  28. Kaya C. Optimizing Crop Production With Plant Phenomics Through High-Throughput Phenotyping and AI in Controlled Environments. Food and Energy Security. 2025;14:e70050. DOI: 10.1002/fes3.70050.
  29. Murphy KM, Ludwig E, Gutierrez J, Gehan MA. Deep Learning in Image-Based Plant Phenotyping. Annual Review of Plant Biology. 2024;75(1):771–795. DOI: 10.1146/annurev-arplant-070523-042828.
  30. Singh B, Kumar S, Elangovan A, Vasht D, Arya S, Duc NT, Swami P, Pawar GS, Raju D, Krishna H, Sathee L, Dalal M, Sahoo RN, Chinnusamy V. Phenomics based prediction of plant biomass and leaf area in wheat using machine learning approaches. Frontiers in Plant Science. 2023;14:1214801. DOI: 10.3389/fpls.2023.1214801.
  31. Kolhar S, Jagtap J. Phenomics for Komatsuna plant growth tracking using deep learning approach. Expert Systems with Applications. 2023;215:119368. DOI: 10.1016/j.eswa.2022.119368.
  32. Jurado-Ruiz F, Nguyen TP, Peller J, Aranzana MJ, Polder G, Aarts MGM. LeTra: a leaf tracking workflow based on convolutional neural networks and intersection over union. Plant Methods. 2024;20(1):11. DOI: 10.1186/s13007-024-01138-x.
  33. Xu Z, York LM, Seethepalli A, Bucciarelli B, Cheng H, Samac DA. Objective Phenotyping of Root System Architecture Using Image Augmentation and Machine Learning in Alfalfa (Medicago sativa L.). Plant Phenomics. 2022;2022:9879610. DOI: 10.34133/2022/9879610.
  34. Teramoto S, Uga Y. Convolutional neural networks combined with conventional filtering to semantically segment plant roots in rapidly scanned X-ray computed tomography volumes with high noise levels. Plant Methods. 2024;20(1):73. DOI: 10.1186/s13007-024-01208-0.
  35. Zhang C, Zhou L, Xiao Q, Bai X, Wu B, Wu N, Zhao Y, Wang J, Feng L. End-to-End Fusion of Hyperspectral and Chlorophyll Fluorescence Imaging to Identify Rice Stresses. Plant Phenomics. 2022;2022:9851096. DOI: 10.34133/2022/9851096.
  36. Okada M, Barras C, Toda Y, Hamazaki K, Ohmori Y, Yamasaki Y, Takahashi H, Takanashi H, Tsuda M, Hirai MY, Tsujimoto H, Kaga A, Nakazono M, Fujiwara T, Iwata H. High-Throughput Phenotyping of Soybean Biomass: Conventional Trait Estimation and Novel Latent Feature Extraction Using UAV Remote Sensing and Deep Learning Models. Plant Phenomics. 2024;6:0244. DOI: 10.34133/plantphenomics.0244.
  37. Guo H, Ayalew H, Seethepalli A, Dhakal K, Griffiths M, Ma XF, York LM. Functional phenomics and genetics of the root economics space in winter wheat using high-throughput phenotyping of respiration and architecture. New Phytologist. 2021;232(1):98–112. DOI: 10.1111/nph.17329.
  38. Montesinos-López OA, Herr AW, Crossa J, Montesinos-López A, Carter AH. Enhancing winter wheat prediction with genomics, phenomics and environmental data. BMC Genomics. 2024;25(1):544. DOI: 10.1186/s12864-024-10438-4.
  39. Togninalli M, Wang X, Kucera T, Shrestha S, Juliana P, Mondal S, Pinto F, Govindan V, Crespo-Herrera L, Huerta-Espino J, Singh RP, Borgwardt K, Poland J. Multi-modal deep learning improves grain yield prediction in wheat breeding by fusing genomics and phenomics. Bioinformatics. 2023;39(6):btad336. DOI: 10.1093/bioinformatics/btad336.
  40. York LM. Phenotyping Crop Root Crowns: General Guidance and Specific Protocols for Maize, Wheat, and Soybean. Methods in Molecular Biology. 2018;1761:23–32. DOI: 10.1007/978-1-4939-7747-5_2.
  41. Ortiz R. Challenges for crop improvement. Emerging Topics in Life Sciences. 2023;7(2):197–205. DOI: 10.1042/ETLS20230106.
  42. Rigoulot SB, Schimel TM, Lee JH, Sears RG, Brabazon H, Layton JS, Li L, Meier KA, Poindexter MR, Schmid MJ, Seaberry EM, Brabazon JW, Madajian JA, Finander MJ, DiBenedetto J, Occhialini A, Lenaghan SC, Stewart CN Jr. Imaging of multiple fluorescent proteins in canopies enables synthetic biology in plants. Plant Biotechnology Journal. 2021;19(4):830–843. DOI: 10.1111/pbi.13510.
  43. Yadav B, Kaur V, Narayan OP, Yadav SK, Kumar A, Wankhede DP. Integrated omics approaches for flax improvement under abiotic and biotic stress: Current status and future prospects. Frontiers in Plant Science. 2022;13:931275. DOI: 10.3389/fpls.2022.931275.
  44. Yang Z, Wang S, Wei L, Huang Y, Liu D, Jia Y, Luo C, Lin Y, Liang C, Hu Y, Dai C, Guo L, Zhou Y, Yang QY. BnIR: A multiomics database with various tools for Brassica napus research and breeding. Molecular Plant. 2023;16(4):775–789. DOI: 10.1016/j.molp.2023.03.007.
  45. Gascuel Q, Diretto G, Monforte AJ, Fortes AM, Granell A. Use of Natural Diversity and Biotechnology to Increase the Quality and Nutritional Content of Tomato and Grape. Frontiers in Plant Science. 2017;8:652. DOI: 10.3389/fpls.2017.00652.
  46. Silvar C, Rocha F, Barata AM. Tracing Back the History of Pepper (Capsicum annuum) in the Iberian Peninsula from a Phenomics Point of View. Plants (Basel). 2022;11(22):3075. DOI: 10.3390/plants11223075.

Загрузки

Опубликован

2026-01-12

Выпуск

№ 4 (2025): ЖУРНАЛ БЕЛОРУССКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА ЭКОЛОГИЯ

Раздел

Промышленная и аграрная экология

Как цитировать

[1]
Кипень, В. и др. 2026. ФЕНОМИКА – ПОСТГЕНОМНАЯ НАУКА В АГРОЭКОЛОГИИ. Журнал Белорусского государственного университета. Экология. 4 (янв. 2026), 69–82.