计算机视觉、机器学习在生物学中的应用前景


发布时间:

2021-01-12

来源:

本站

作者:

PhenoTrait

几个世纪以来,生物学家一直使用图画、绘画和照片等图像来记录和量化生命的形状和模式。随着数字成像技术的出现,生物学家继续以更快的速度收集图像数据。庞大的数据可以提供对一系列生物现象的深入了解,包括表型特征多样性、种群动态、分化和适应机制以及进化变化。但是,图像数据采集的速度已经超出我们从图像中手动提取有意义信息的能力。此外,手动图像分析的通量低,难以复制,通常一次只能测量几个特征。这已成为表型组学领域发展的一种阻碍。计算机视觉(Computer vision,CV)是从数字图像中自动提取和处理信息的一种方法,可以缓解这一长期存在的分析瓶颈。该综述阐述了CV在生态学中进行快速、全面和可重现的图像分析能力。

 

表型组学研究现状

 

数字图像的结构

 

首先,本文简要回顾了表型组学,认为生物学家可以使用CV有效地捕获表观水平数据。接下来,描述了基于图像的主要数据类型,并回顾了用于提取这些数据的CV方法(包括需要机器学习的技术和其他不需要机器学习的技术)。然后确定了常见的障碍,重点介绍了CV在生物学研究中最新的成功应用案例。最后,概述了CV在生物学中的应用前景。

 

使用信号处理的典型计算机视觉工作流程

 

使用全自动或半自动计算机视觉方法收集的不同类型的高维表型数据

 

综上所述,本文预计CV将成为生物学家工具箱的一个基本组成部分,可以进一步提高数据的质量和数量,并引发如何进行实证生态学和进化研究的变化。

 

来源:

Lürig M, Donoughe S, Svensson E I., et al. Computer vision, machine learning, and the promise of phenomics in ecology and evolutionary biology. 10.32942/osf.io/98cuw.

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。