用于抗性研究的新型自動化圖像表型方法——潛在空間表型（LSP）介紹

來源：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)隊題為Latent 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檢測和量化植物對逆境的反應(yīng)。

關(guān)聯(lián)定位研究使研究人員能夠為許多重要的環(huán)境耐受因子確定候選位點，包括植物在農(nóng)藝學(xué)上相關(guān)抗性性狀的位點。然而，諸如此類的傳統(tǒng)環(huán)境基因組研究需要一種能夠準(zhǔn)確測量逆境反應(yīng)的表型管線，尤其是在使用圖像處理的自動化高通量背景下。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檢測和量化植物對逆境的反應(yīng)。本研究使用來自種間雜交的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，使用兩個合成生成的圖像數(shù)據(jù)集，本研究表明LSP能夠在簡單和復(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)相比所增加的計算要求。由于該方法涉及多個深度神經(jīng)網(wǎng)絡(luò)，因此建議使用GPU在可控制的時間內(nèi)進(jìn)行優(yōu)化。本文展示的實驗是在兩個NVIDIA Titan V GPU上進(jìn)行的，每個實驗所需的時間從2小時到8小時不等，這取決于數(shù)據(jù)集中的材料數(shù)量和取樣時間點數(shù)量。

5個實驗的結(jié)果表明，LSP能夠通過訓(xùn)練從圖像中自動形成準(zhǔn)確的逆境-響應(yīng)概念，并以極低的假陽性率恢復(fù)QTL。作為一種自動化系統(tǒng)，該方法避免了在開發(fā)和部署圖像分析管線以首先從圖像中測量表型時出現(xiàn)的巨大挑戰(zhàn)。該方法避免了處理造成的視覺上有明顯特征的先驗假設(shè)，從而在五個不同的試驗中，可以自動檢測葉面積、葉片角度、干旱脅迫和氮脅迫。從現(xiàn)有研究中復(fù)制更多的候選位點將有助于繼續(xù)驗證該技術(shù)，并在生物科學(xué)中鼓勵進(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

�？�征稿：智慧農(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   

原文介紹請點擊：

Plant Phenomics | 新方法！預(yù)測蕓薹屬植物花期耐熱抗旱性的無損表型測量方法

A weakly Supervised Deep Learning Framework for Sorghum Head Detection and Counting

原文介紹請點擊：

Plant Phenomics | 一種用于高粱頭狀花序檢測和計數(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

原文介紹請點擊：

Plant Phenomics | 基于無人機(jī)圖像的高通量除草劑耐受性評價方法更精準(zhǔn)

Easy MPE: Extraction of Quality Microplot Images for UAV-Based High-Throughput Field Phenotyping

原文介紹請點擊：

Plant Phenomics | Easy MPE：基于無人機(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)和美國科學(xué)促進(jìn)會（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。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(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。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)庫收錄。

翻譯：孫港 編輯：黃藝清（實習(xí)）、孔敏

審核：尹歡