利用深度学习来分析Marchantia多态形态的神秘形态变量

科学领域:

• 植物生物学 植物生物学
• 遗传学 是一个遗传学.
• 计算生物学是一种计算生物学.

背景情况:

• 由于形态变异性,表型特征在模型生物中至关重要,但具有挑战性,例如Marchantia polymorpha.
• 使用传统方法,很难在M. polymorpha的早期发育中区分性别.

研究的目的:

• 开发和验证基于深度学习的图像分类系统,用于在M. polymorpha.中客观地确定性别.
• 调查M. polymorpha.中早期性别相关的形态差异的遗传基础.

主要方法:

• 使用深度学习图像分类器,对M. polymorpha图像进行训练.
• 建立了雄性和雌性重组杂交系 (RILs),以将性别染色体影响与自身变异区分开来.
• 在模型验证中采用了可解释的AI技术.

主要成果:

• 深度学习模型在生长的第一周内准确地分类了野生型M. polymorpha的性别.
• RILs显示出不太明显的基于性别的形态差异,这表明野生类型的自体的影响.
• 可解释的人工智能证实了对分类至关重要的图像区域.

结论:

• 深度学习为M. polymorpha表型提供了一种可重现和客观的方法,克服了手动特征提取的局限性.
• 野生M. polymorpha的早期形态差异受到自体变异的显著影响.
• 这种方法对于缺乏标准化表型化指标的植物物种是有价值的.