來(lái)源:植物表型組學(xué)
2020年1月,Plant Phenomics刊發(fā)了加拿大薩斯喀徹溫大學(xué)Jordan Ubbens團(tuán)隊(duì)題為L(zhǎng)atent Space Phenotyping: Automatic Image-Based Phenotyping for Treatment Studies 的研究論文,提出了一種新的表型方法——潛在空間表型(Latent Space Phenotyping,LSP),能夠直接從圖像中自動(dòng)檢測(cè)和量化植物對(duì)逆境的反應(yīng)。
關(guān)聯(lián)定位研究使研究人員能夠?yàn)樵S多重要的環(huán)境耐受因子確定候選位點(diǎn),包括植物在農(nóng)藝學(xué)上相關(guān)抗性性狀的位點(diǎn)。然而,諸如此類(lèi)的傳統(tǒng)環(huán)境基因組研究需要一種能夠準(zhǔn)確測(cè)量逆境反應(yīng)的表型管線,尤其是在使用圖像處理的自動(dòng)化高通量背景下。本研究中提出了潛在空間表型(LSP),這是一種新的表型方法,能夠直接從圖像中自動(dòng)檢測(cè)和量化植物對(duì)逆境的反應(yīng)。本研究使用來(lái)自種間雜交的C4模式植物狗尾草,一組具有多樣性的高粱(S. bicolor )以及具有內(nèi)在基因定位關(guān)聯(lián)的初始油菜籽(Brassica napus L.)群組的數(shù)據(jù)證明示例程序。然后,使用兩個(gè)合成生成的圖像數(shù)據(jù)集,本研究表明LSP能夠在簡(jiǎn)單和復(fù)雜合成圖像中成功模擬生成QTL。本研究建議用LSP代替?zhèn)鹘y(tǒng)的圖像分析方法進(jìn)行表型分析,這樣就可以對(duì)任意的和潛在的復(fù)雜響應(yīng)性狀進(jìn)行表型分析,而不需要復(fù)雜的圖像處理工程。
Fig.1: Overview of the processed technique.
本研究所述的潛在空間表型分析方法有一些局限性,包括與大多數(shù)基于圖像的表型分析技術(shù)相比所增加的計(jì)算要求。由于該方法涉及多個(gè)深度神經(jīng)網(wǎng)絡(luò),因此建議使用GPU在可控制的時(shí)間內(nèi)進(jìn)行優(yōu)化。本文展示的實(shí)驗(yàn)是在兩個(gè)NVIDIA Titan V GPU上進(jìn)行的,每個(gè)實(shí)驗(yàn)所需的時(shí)間從2小時(shí)到8小時(shí)不等,這取決于數(shù)據(jù)集中的材料數(shù)量和取樣時(shí)間點(diǎn)數(shù)量。
5個(gè)實(shí)驗(yàn)的結(jié)果表明,LSP能夠通過(guò)訓(xùn)練從圖像中自動(dòng)形成準(zhǔn)確的逆境-響應(yīng)概念,并以極低的假陽(yáng)性率恢復(fù)QTL。作為一種自動(dòng)化系統(tǒng),該方法避免了在開(kāi)發(fā)和部署圖像分析管線以首先從圖像中測(cè)量表型時(shí)出現(xiàn)的巨大挑戰(zhàn)。該方法避免了處理造成的視覺(jué)上有明顯特征的先驗(yàn)假設(shè),從而在五個(gè)不同的試驗(yàn)中,可以自動(dòng)檢測(cè)葉面積、葉片角度、干旱脅迫和氮脅迫。從現(xiàn)有研究中復(fù)制更多的候選位點(diǎn)將有助于繼續(xù)驗(yàn)證該技術(shù),并在生物科學(xué)中鼓勵(lì)進(jìn)一步研究潛在空間方法。
How to Cite this ArticleJordan Ubbens, Mikolaj Cieslak, Przemyslaw Prusinkiewicz, Isobel Parkin, Jana Ebersbach, and Ian Stavness, “Latent Space Phenotyping: Automatic Image-Based Phenotyping for Treatment Studies,” Plant Phenomics, vol. 2020, Article ID 5801869, 13 pages, 2020.
https://doi.org/10.34133/2020/5801869
?鞲澹褐腔坜r(nóng)業(yè)系統(tǒng)的圖像分析與機(jī)器學(xué)習(xí)
推薦閱讀
Nondestructive Phenomic Tools for thePrediction of Heat and Drought Tolerance at Anthesis in Brassica Species
原文介紹請(qǐng)點(diǎn)擊:
Plant Phenomics | 新方法!預(yù)測(cè)蕓薹屬植物花期耐熱抗旱性的無(wú)損表型測(cè)量方法
A weakly Supervised Deep Learning Framework for Sorghum Head Detection and Counting
原文介紹請(qǐng)點(diǎn)擊:
Plant Phenomics | 一種用于高粱頭狀花序檢測(cè)和計(jì)數(shù)的弱監(jiān)督深度學(xué)習(xí)框架
High-Throughput UAV Image-Based Method Is More Precise Than Manual Rating of Herbicide Tolerance
原文介紹請(qǐng)點(diǎn)擊:
Plant Phenomics | 基于無(wú)人機(jī)圖像的高通量除草劑耐受性評(píng)價(jià)方法更精準(zhǔn)
Easy MPE: Extraction of Quality Microplot Images for UAV-Based High-Throughput Field Phenotyping
原文介紹請(qǐng)點(diǎn)擊:
Plant Phenomics | Easy MPE:基于無(wú)人機(jī)高通量表型技術(shù)提取高質(zhì)量田間小區(qū)圖像
About Plant Phenomics
《植物表型組學(xué)》(Plant Phenomics)是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)(AAAS)合作創(chuàng)辦的英文學(xué)術(shù)期刊,于2019年1月正式上線發(fā)行,是Science合作出版的第二本期刊。采用開(kāi)放獲取形式,刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù),基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究,提取表型信息的新算法,作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用,與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究,表型組學(xué)相關(guān)的植物生物學(xué)等。2019年8月,已正式被DOAJ數(shù)據(jù)庫(kù)收錄。
翻譯:孫港 編輯:黃藝清(實(shí)習(xí))、孔敏
審核:尹歡