短暂的学习使得在Populus trichocarpa中对叶子特征进行人口规模分析成为可能

科学领域:

• 植物科学 植物科学
• 计算生物学 计算生物学
• 遗传学 遗传学 是一个

背景情况:

• 植物表型化对于了解植物适应和遗传结构至关重要,但通常耗时且昂贵.
• 目前的方法在有效处理大规模人口数据时遇到瓶.

研究的目的:

• 开发一种快速而准确的基于图像的植物表型化方法,使用少数镜头学习.
• 为了应对数据预处理和在当前表型化技术中最低培训样本要求的挑战.
• 为植物科学和机器学习社区提供新的大规模数据集和开源工具.

主要方法:

• 利用卷积神经网络进行少数拍摄的学习,从2,906个现场收集的Populus trichocarpa图像中对叶子体和叶片进行细分.
• 使用原始,全分辨率RGB图像,而不需要实验或图像预处理.
• 使用开源图像处理工具提取了叶子形态和静脉拓特征,并通过物理测量验证了它们.

主要成果:

• 成功分割的叶子结构与最小的训练数据 (例如,静脉细分的8张图像).
• 提取了叶子形态和静脉拓学的验证特征.
• 进行了全基因组关联研究,以识别控制这些特征的基因,利用68种不同的叶子表型的数据集.

结论:

• 开发的少数射击学习方法为植物表型化提供了快速,准确和数据效率高的解决方案.
• 该研究提供了有价值的开源工具和全面的数据集,以推进植物科学和机器学习研究.
• 这种方法加速了对人口规模的复杂植物特征背后遗传结构的理解.