Abstract Since they emerged ~125 million years ago, flowering plants have evolved to dominate the terrestrial landscape and survive in the most inhospitable environments on earth. At their core, these adaptations have been shaped by changes in numerous, interconnected pathways and genes that collectively give rise to emergent biological phenomena. Linking gene expression to morphological outcomes remains a grand challenge in biology, and new approaches are needed to begin to address this gap. Here, we implemented topological data analysis (TDA) to summarize the high dimensionality and noisiness of gene expression data using lens functions that delineate plant tissue and stress responses. Using this framework, we created a topological representation of the shape of gene expression across plant evolution, development, and environment for the phylogenetically diverse flowering plants. The TDA-based Mapper graphs form a well-defined gradient of tissues from leaves to seeds, or from healthy to stressed samples, depending on the lens function. This suggests there are distinct and conserved expression patterns across angiosperms that delineate different tissue types or responses to biotic and abiotic stresses. Genes that correlate with the tissue lens function are enriched in central processes such as photosynthetic, growth and development, housekeeping, or stress responses. Together, our results highlight the power of TDA for analyzing complex biological data and reveal a core expression backbone that defines plant form and function. Significance statement A grand challenge in biology is to link gene expression to phenotypes across evolution, development, and the environment, but efforts have been hindered by biological complexity and dataset heterogeneity. Here, we implemented topological data analysis across thousands of gene expression datasets in phylogenetically diverse flowering plants. We created a topological representation of gene expression across plants and observed well-defined gradients of tissues from leaves to seeds, or from healthy to environmentally stressed. Using this framework, we identified a core and deeply conserved expression backbone that defines plant form and function, with key patterns that delineate plant tissues, abiotic, and biotic stresses. Our results highlight the power of topological approaches for analyzing complex biological datasets.

Summary Grapevine leaves are a model morphometric system. Sampling over ten thousand leaves using dozens of landmarks, the genetic, developmental, and environmental basis of leaf shape has been studied and a morphospace for the genus Vitis predicted. Yet, these representations of leaf shape fail to capture the exquisite features of leaves at high resolution. We measure the shapes of 139 grapevine leaves using 1672 pseudo-landmarks derived from 90 homologous landmarks with Procrustean approaches. From hand traces of the vasculature and blade, we have derived a method to automatically detect landmarks and place pseudo-landmarks that results in a high-resolution representation of grapevine leaf shape. Using polynomial models, we create continuous representations of leaf development in 10 Vitis spp. We visualize a high-resolution morphospace in which genetic and developmental sources of leaf shape variance are orthogonal to each other. Using classifiers, V. vinifera, Vitis spp., rootstock and dissected leaf varieties as well as developmental stages are accurately predicted. Theoretical eigenleaf representations sampled from across the morphospace that we call synthetic leaves can be classified using models. By predicting a high-resolution morphospace and delimiting the boundaries of leaf shapes that can plausibly be produced within the genus Vitis , we can sample synthetic leaves with realistic qualities. From an ampelographic perspective, larger numbers of leaves sampled at lower resolution can be projected onto this high-resolution space; or, synthetic leaves can be used to increase the robustness and accuracy of machine learning classifiers. Societal Impact Statement Grapevine leaves are emblematic of the strong visual associations people make with plants. At a glance, leaf shape is immediately recognizable, and it is because of this reason it is used to distinguish grape varieties. In an era of computationally-enabled, machine learning-derived representations of reality, we can revisit how we view and use the shapes and forms that plants display to understand our relationship with them. Using computational approaches combined with time-honored methods, we can predict theoretical leaves that are possible to understand the genetics, development, and environmental responses of plants in new ways.

Summary Embedded in a single leaf shape are the latent signatures of genetic, developmental, and environmental effects. In viticulture, choice of location and rootstock are important decisions that affect the performance and production of the shoot. We hypothesize that these effects influence plant morphology, as reflected in leaf shape. We sample 1879 leaves arising from scion and rootstock combinations from commercial vineyards in the Central Valley of California. Our design tests 20 pairwise contrasts between Cabernet Sauvignon and Chardonnay scions from San Joaquin, Merced, and Madera counties from vines grafted to Teleki 5C, 1103 Paulsen, and Freedom rootstocks. Using geometric morphometric approaches, we visualize a morphospace in which, in addition to clear separation of Cabernet Sauvignon and Chardonnay scion leaf shapes, an orthogonal source of shape variation affects both varieties. Comparing the Procrustes distances to within and between group means, the additional source of variance is found to arise from location and rootstock effects. We describe and visualize a specific shape feature, the angle of the proximal lobe to the midvein that defines the closure of the petiolar sinus, that is attributable to location and rootstock effects and orthogonal to and separate from genetic, developmental, or allometric effects attributable to leaf size. Societal Impact Statement (EN) The innumerable effects of terroir—including climate, soil, microbial environment, biotic interactions, and cultivation practice—collectively alter plant performance and production. A more direct agricultural intervention is grafting, in which genetically distinct shoot and root genotypes are surgically combined to create a chimera that alter shoot performance at a distance. Selection of location and rootstock are intentional decisions in viticulture to positively alter production outcomes. Here, we show that terroir and rootstock alter the shapes of grapevine leaves in commercial vineyards throughout the California Central Valley, documenting the profound effects of these agricultural interventions that alter plant morphology.

Light is an essential resource for photosynthesis. Limitation of light by shade from plant neighbors can induce a light competition program known as the shade avoidance response (SAR), thereby altering plant growth and development for the sake of survival. Natural genetic variation in SAR is found in plants adapted to distinct environments, including domesticated tomato Solanum lycopersicum and its wild relative Solanum pennellii. QTL mapping was used to examine variation of the SAR between these two species. We found organ specific responses in the elongation of the stem and petiole, including developmental acceleration of growth. Through RNAseq analysis we identified a number of ILs with reduced expression of auxin-related genes in shade treatment. These same ILs display a shade tolerant phenotype in stem growth and overall height. We also identified ILs with altered SAR expression of cell wall expansion genes, although these genotypes had no accompanying alteration in phenotype. Examination of weighted gene co-expression connectivity networks in sun- and shade-treated plants revealed connectivity changes in auxin and light signaling genes; this result was supported by the identification of motifs within the promoters of a subset of shade-responsive genes that were enriched in light signaling, developmental pathways, and auxin responsive transcriptional domains. The identification of both systemic and organ-specific shade tolerance in the ILs, as well as associated changes in the transcriptome, has the potential to inform future studies for breeding plants able to be grown closely (while neighbor-shaded), yet still maintaining high yield.

Summary The iconic, palmately compound leaves of Cannabis have attracted significant attention in the past. However, investigations into the genetic basis of leaf shape or its connections to phytochemical composition have yielded inconclusive results. This is partly due to prominent changes in leaflet number within a single plant during development, which has so far prevented the proper use of common morphometric techniques. Here we present a new method that overcomes the challenge of nonhomologous landmarks in palmate, pinnate and lobed leaves, using Cannabis as an example. We model corresponding pseudo-landmarks for each leaflet as angle-radius coordinates and model them as a function of leaflet to create continuous polynomial models, bypassing the problems associated with variable number of leaflets between leaves. We analyze 341 leaves from 24 individuals from nine Cannabis accessions. Using 3,591 pseudo-landmarks in modeled leaves, we accurately predict accession identity, leaflet number, and relative node number. Intra-leaf modeling offers a rapid, cost-effective means of identifying Cannabis accessions, making it a valuable tool for future taxonomic studies, cultivar recognition, and possibly chemical content analysis and sex identification, in addition to permitting the morphometric analysis of leaves in any species with variable numbers of leaflets or lobes.

ABSTRACT The selection of Arabidopsis as a model organism played a pivotal role in advancing genomic science, firmly establishing the cornerstone of today ‘s plant molecular biology. Competing frameworks to select an agricultural- or ecological-based model species, or to decentralize plant science and study a multitude of diverse species, were selected against in favor of building core knowledge in a species that would facilitate genome-enabled research that could assumedly be transferred to other plants. Here, we examine the ability of models based on Arabidopsis gene expression data to predict tissue identity in other flowering plant species. Comparing different machine learning algorithms, models trained and tested on Arabidopsis data achieved near perfect precision and recall values using the K-Nearest Neighbor method, whereas when tissue identity is predicted across the flowering plants using models trained on Arabidopsis data, precision values range from 0.69 to 0.74 and recall from 0.54 to 0.64, depending on the algorithm used. Below-ground tissue is more predictable than other tissue types, and the ability to predict tissue identity is not correlated with phylogenetic distance from Arabidopsis . This suggests that gene expression signatures rather than marker genes are more valuable to create models for tissue and cell type prediction in plants. Our data-driven results highlight that, in hindsight, the assertion that knowledge from Arabidopsis is translatable to other plants is not always true. Considering the current landscape of abundant sequencing data and computational resources, it may be prudent to reevaluate the scientific emphasis on Arabidopsis and to prioritize the exploration of plant diversity.

Walnuts are the second most produced and consumed tree nut, with over 2.6 million metric tons produced in the 2022-23 harvest cycle alone. The United States is the second largest producer, accounting for 25% of the total global supply. Nonetheless, producers face an ever-growing demand in a more uncertain climate landscape, which requires effective and efficient walnut selection and breeding of new cultivars with increased kernel content and easy-to-open shells. Past and current efforts select for these traits using hand-held calipers and eye-based evaluations. Yet there is plenty of morphology that meets the eye but goes unmeasured, such as the volume of inner air or the convexity of the kernel. Here, we study the shape of walnut fruits based on X-ray CT (Computed Tomography) 3D reconstructions. We compute 49 different morphological phenotypes for 1264 individuals comprising 149 accessions. These phenotypes are complemented by traits of breeding interest such as ease of kernel removal and kernel weight. Through allometric relationships —relative growth of one tissue to another—, we identify possible biophysical constraints at play during development. We explore multiple correlations between all morphological and commercial traits and identify which morphological traits can explain the most variability of commercial traits. We show that using only volume and thickness-based traits, especially inner air content, we can successfully encode several of the commercial traits.

ABSTRACT Using conventional statistical approaches there exist powerful methods to classify shapes. Embedded in morphospaces is information that allows us to visualize theoretical leaves. These unmeasured leaves are never considered nor how the negative morphospace can inform us about the forces responsible for shaping leaf morphology. Here, we model leaf shape using an allometric indicator of leaf size, the ratio of vein to blade areas. The borders of the observable morphospace are restricted by constraints and define an orthogonal grid of developmental and evolutionary effects which can predict the shapes of possible grapevine leaves. Leaves in the genus Vitis are found to fully occupy morphospace available to them. From this morphospace we predict the developmental and evolutionary shapes of grapevine leaves that are not only possible, but exist, and argue that rather than explaining leaf shape in terms of discrete nodes or species, that a continuous model is more appropriate.

Summary Annual rings from 30 year old vines in a California rootstock trial were measured to determine the effects of 15 different rootstocks on Chardonnay and Cabernet Sauvignon scions. Viticultural traits measuring vegetative growth, yield, berry quality, and nutrient uptake were collected at the beginning and end of the lifetime of the vineyard. X-ray Computed Tomography (CT) was used to measure ring widths in 103 vines. Ring width was modeled as a function of ring number using a negative exponential model. Early and late wood ring widths, cambium width, and scion trunk radius were correlated with 27 traits. Modeling of annual ring width shows that scions alter the width of the first rings but that rootstocks alter the decay thereafter, consistently shortening ring width throughout the lifetime of the vine. The ratio of yield to vegetative growth, juice pH, photosynthetic assimilation and transpiration rates, and stomatal conductance are correlated with scion trunk radius. Rootstocks modulate secondary growth over years, altering hydraulic conductance, physiology, and agronomic traits. Rootstocks act in similar but distinct ways from climate to modulate ring width, which borrowing techniques from dendrochronology, can be used to monitor both genetic and environmental effects in woody perennial crop species.

Abstract Premise Grapevine leaves have diverse shapes and sizes. Their shape and size is known to be influenced by many factors including genetics, vine phytosanitary status, environment, leaf and vine age, and node position on the shoot. In order to determine the importance of grapevine leaf shape and size to canopy temperature, we examined the relationship in five seedling populations grown in a vineyard in California, USA. Methods All of the populations had one parent with compound leaves of the Vitis piasezkii type and each population had a different second parent with non-compound leaves. In previous work, we measured leaf shape and size using 21 homologous landmarks. Here, we paired these morphology data with measurements taken using an infrared thermometer to measure the temperature of the canopy. By recording time of sampling and canopy temperature, we were able to determine which vines were cooler or hotter than expected, using a linear model. Results We established a relationship between leaf size and canopy temperature: vines with larger leaves were cooler than expected. In contrast, leaf shape was not strongly correlated with variation in temperature. Conclusions Ultimately, these findings indicate that vines with larger leaves may contribute to the reduction of overall vine canopy temperature, but further work is needed to determine if this is due to variation in leaf size, differences in the openness of the canopy, or other related traits.