桥梁时间序列图像表型化和功能结构植物建模,以预测偶然的根系架构
Sriram Parasurama1,2, Darshi Banan1, Kyungdahm Yun3
1School of Environmental and Forest Sciences, University of Washington, Seattle, USA.
Plant phenomics (Washington, D.C.)
|December 25, 2023
概括
我们开发了一种结合发芽纸和功能结构植物模型 (FSPMs) 的新方法来研究植物根系结构 (RSA). 这种方法准确地预测了二维根生长,有助于高通量表型化.
科学领域:
- 植物生物学 植物生物学
- 计算生物学 计算生物学
- 农业科学 农业科学
背景情况:
- 根系架构 (RSA) 对于植物与土壤的相互作用至关重要.
- 当前的RSA研究方法面临着数据精度和自然条件之间的权衡.
- 功能结构工厂模型 (FSPM) 提供了潜力,但需要强大的参数化.
研究的目的:
- 开发和评估一种新的方法,用于研究*Populus trichocarpa*茎切片中的偶然RSA.
- 将基于时间序列的图像的表型化与FSPM集成,以进行增强的RSA分析.
- 使用RhizoVision软件自动化FSPM参数提取和模拟评估.
主要方法:
- 利用发芽纸系统进行高分辨率的根生长成像.
- 采用时间序列基于图像的表型化 *Populus trichocarpa* 茎切片.
- 应用RhizoVision软件用于自动FSPM参数提取和模拟评估.
主要成果:
- 根启动时间和热时间 (P=0.0061,R2=0.875) 之间发现了显著的相关性,但与RSA之间没有很强的相关性.
- 自动参数化实现了高准确度 (83.5%的灵敏度) 预测2D根生长.
- 对于3D增长预测 (38.5%48.7%的灵敏度) 的准确性显著下降.
结论:
- 综合表型和FSPM方法使得高通量RSA研究成为可能.
- 该方法在2D增长预测中显示出高精度,但在3D中存在局限性.
- 这项工作弥合了时间序列表型和FSPM应用的进步.


