Abstract Adventitious rooting is critical to the propagation, breeding, and genetic engineering or editing of trees. The capacity for plants to undergo these processes is highly heritable; however, the basis of its genetic variation is largely uncharacterized. To identify genetic regulators of these processes, we performed a genome-wide association study (GWAS) using 1,148 genotypes of Populus trichocarpa . GWAS are often limited by the abilities of researchers to collect precise phenotype data on a high-throughput scale; to help overcome this limitation, we developed a computer vision system to measure an array of traits related to adventitious root development in poplar, including temporal measures of lateral and basal root length and area. GWAS was performed using multiple methods and significance thresholds to handle non-normal phenotype statistics, and to gain statistical power. These analyses yielded a total of 277 unique associations, suggesting that genes that control rooting include regulators of hormone signaling, cell division and structure, and reactive oxygen species signaling. Genes related to other processes with known roles in root development, and numerous genes with uncharacterized functions and/or cryptic roles, were also identified. These candidates provide targets for functional analysis, including physiological and epistatic analyses, to better characterize the complex polygenic regulation of adventitious rooting.

Abstract Plant regeneration is an important dimension of plant propagation, and a key step in the production of transgenic plants. However, regeneration capacity varies widely among genotypes and species, the molecular basis of which is largely unknown. While association mapping methods such as genome-wide association studies (GWAS) have long demonstrated abilities to help uncover the genetic basis of trait variation in plants, the power of these methods relies on the accuracy and scale of phenotypic data used. To enable a largescale GWAS of in planta regeneration in model tree Populus , we implemented a workflow involving semantic segmentation to quantify regenerating plant tissues (callus and shoot) over time. We found the resulting statistics are of highly non-normal distributions, which necessitated transformations or permutations to avoid violating assumptions of linear models used in GWAS. While transformations can lead to a loss of statistical power, we demonstrate that this can be mitigated by the application of the Augmented Rank Truncation method, or avoided altogether using the Multi-Threaded Monte Carlo SNP-set (Sequence) Kernel Association Test to compute empirical p -values in GWAS. We report over 200 statistically supported candidate genes, with top candidates including regulators of cell adhesion, stress signaling, and hormone signaling pathways, as well as other diverse functions. We demonstrate that sensitive genetic discovery for complex developmental traits can be enabled by a workflow based on computer vision and adaptation of several statistical approaches necessitated by to the complexity of regeneration trait expression and distribution.

Abstract Across domains of biological research using genome sequence data, high-quality reference genome sequences are essential for characterizing genetic variation and understanding the genetic basis of phenotypes. However, the construction of genome assemblies for various species is often hampered by complexities of genome organization, especially repetitive and complex sequences, leading to mis-assembly and missing regions. Here, we describe a high-throughput gold standard genome assembly workflow using a large-scale bacterial artificial chromosome (BAC) library with a refined two-step pooling strategy and the Lamp assembler algorithm. This strategy minimizes the laborious processes of physical map construction and clone-by-clone sequencing, enabling inexpensive sequencing of several thousand BAC clones. By applying this strategy with a minimum tiling path BAC clone library for the short arm of chromosome 2D (2DS) of bread wheat, 98% of BAC sequences, covering 92.7% of the 2DS chromosome, were assembled correctly for this species with a highly complex and repetitive genome. We also identified 48 large mis-assemblies in the reference wheat genome assembly (IWGSC RefSeq v1.0) and corrected these large mis-assemblies in addition to filling 92.2% of the gaps in RefSeq v1.0. Our 2DS assembly represents a new benchmark for the assembly of complex genomes with both high accuracy and efficiency.

Abstract The abilities of plant biologists and breeders to characterize the genetic basis of physio-logical traits is limited by their abilities to obtain quantitative data representing precise details of trait variation, and particularly to collect this data at a high-throughput scale at low cost. Although deep learning methods have demonstrated unprecedented potential to automate plant phenotyping, these methods commonly rely on large training sets that can be time-consuming to generate. Intelligent algorithms have therefore been proposed to enhance the productivity of these annotations and reduce human efforts. We propose a high-throughput phenotyping system which features a Graphical User Interface (GUI) and a novel interactive segmentation algorithm: Semantic-Guided Interactive Object Segmentation (SGIOS). By providing a user-friendly interface and intelligent assistance with annotation, this system offers potential to streamline and accelerate the generation of training sets, reducing the effort required by the user. Our evaluation shows that our proposed SGIOS model requires fewer user inputs compared to the state-of-art models for interactive segmentation. As a case study in the use of the GUI applied for genetic discovery in plants, we present an example of results from a preliminary genome-wide association study (GWAS) of in planta regeneration in Populus trichocarpa (poplar). We further demonstrate that the inclusion of semantic prior map with SGIOS can accelerate the training process for future GWAS, using a sample of a dataset extracted from a poplar GWAS of in vitro regeneration. The capabilities of our phenotyping system surpass those of humans unassisted to rapidly and precisely phenotype our traits of interest. The scalability of this system enables large-scale phenomic screens that would otherwise be time-prohibitive, thereby providing increased power for GWAS, mutant screens, and other studies relying on large sample sizes to characterize the genetic basis of trait variation. Our user-friendly system can be used by researchers lacking a computational background, thus helping to democratize the use of deep segmentation as a tool for plant phenotyping.