APTES:一个基于深度学习的高通量Arabidopsis表型特征估计系统,用于单个叶子和

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:

• 高通量表型是了解植物生长和器官发育的关键,在模型生物如Arabidopsis thaliana.
• 现有的特征估计方法可能耗时且缺乏精度,阻碍了大规模研究.

研究的目的:

• 开发一个开放的,自动化的系统,以快速准确地估计Arabidopsis thaliana的叶子和状特征.
• 利用计算机视觉和深度学习来提高植物表型的准确性和吞吐量.

主要方法:

• 开发了Arabidopsis表型特征估计系统 (APTES),使用增强的Mask R-CNN进行叶片细分和DetectoRS进行体细分.
• 使用深度学习模型从植物照片中提取64个叶子和64个状特征.
• 在 Arabidopsis 的表型突变上进行了全基因组关联研究 (GWAS),以确定与特征相关的 SNPs.

主要成果:

• 在叶子 (F1评分为0.961) 和 (F1评分为0.942) 方面,APTES实现了高细分精度,表现优于基线模型.
• 自动化特征参数计算显示出强烈的相关性 (R2 0.7760.976) 和低误差率 (1.89%7.90% MAPE).
• GWAS确定了1042个与18个特征相关的显著SNP和一个与数相关的SNP.

结论:

• APTES提供了一种有价值的自动化解决方案,用于叶子和液细分以及Arabidopsis thaliana的特征估计.
• 该系统在各种数据集和物种中得到验证的性能凸显了其在植物科学中的广泛适用性.
• APTES促进了高通量表型化,加速了遗传研究和作物改进工作.