从有机体形态学到全植物表型化:基于深度学习的表型检测方法
Hang Liu1, Hongfei Zhu2, Fei Liu3
1College of Grassland Science, Qingdao Agricultural University, Qingdao 266109, China.
Plants (Basel, Switzerland)
|May 11, 2024
概括
深度学习准确地识别了Arabidopsis thaliana线条 (99.92%的准确率),并预测了生长状态. 这项技术推进了植物表型和高通量数据收集,用于作物育种.
科学领域:
- 植物生物学 植物生物学
- 计算生物学 计算生物学
- 遗传学 是一个遗传学.
背景情况:
- 植物表型分析对于作物育种和了解植物发育至关重要.
- 需要准确和高效的表型化方法来加速育种计划.
研究的目的:
- 在宏观 (整个植物) 和微观 (有机体) 层面应用深度学习来分类*Arabidopsis thaliana*.
- 开发一个多输出模型来识别加入线和预测增长状态.
- 评估深度学习模型在不同时间间隔和生物尺度上的通用性.
主要方法:
- 使用深度学习多输出模型进行图像分类和回归任务.
- 在不同生长阶段的*Arabidopsis thaliana*图像上训练并验证了模型.
- 通过改变图像时间间隔来扩展数据集,并将模型应用于有机体分类.
主要成果:
- 在识别*Arabidopsis thaliana*连接线方面取得了高精度 (99.92%).
- 在预测植物生长状态方面表现良好,根平均平方误差 (RMSE) 为1.536.
- 证实了模型在不同时间间隔中的稳定性及其对有机体分类的概括性.
结论:
- 深度学习为扩大植物表型检测方法提供了一种强大的方法.
- 开发的模型可以显著促进高通量植物表型平台的设计.
- 这项研究为通过先进的计算表型化加速作物改进铺平了道路.
更多相关视频
09:21Author Spotlight: Generating Neuronal Phenotypic Profiles - A Protocol to Culture and Image Human Midbrain Dopaminergic Neurons
Published on: July 7, 2023
1.5K
12:42Fluorescence-microscopy Screening and Next-generation Sequencing: Useful Tools for the Identification of Genes Involved in Organelle Integrity
Published on: April 13, 2012
12.3K
