双单倍体(DH)技术成功的关键步骤是诱导杂交中单倍体的鉴定。R1-nj标记是此任务中采用的主要机制，可在种子期选择单倍体。尽管通过人工识别单倍体种子很容易，但该过程费时费力，十分低效。同样，R1-nj标记的差异表型表达导致单倍体种子之间假阳性的发生率很高。本研究，首次使用基于图像的卷积神经网络(CNN)进行训练，识别单倍体种子中真阳性。

卷积神经网络(CNN)训练过程中涉及的总体活动方案

本试验以3000个玉米种子为材料，从单倍体(1000)、二倍体(1000)和抑制(1000)三个诱导杂交组合中选出。从每个种子上采集图像，然后将种子种植在田间，确认其倍性。对于推定的单倍体(R1-nj表型)，平均分类准确度为94.39%，单倍体类别的平均分类准确度为97.07%，二倍体类别的平均分类准确度为91.71%。然而，CNN模型无法在假定的单倍体类别中区分真正的单倍体种子，这表明CNN不能识别它们之间的不同模式。

CNN训练方案

综上所述，本文通过R1-nj为科学界提供了一个高度精确且经过训练的CNN模型来对单倍体玉米种子进行分类，这可以支持玉米育种家优化DH管道，主要用于资源有限的小型育种项目。

对于方案4，在CNN模型训练的各个时期的准确性(a)和损失(b)曲线，以及(c)混淆矩阵

来源：

Sabadin F,Galli G, Borsato R, et al. Improving the identification of haploid maize seeds using convolutional neural networks. Crop Science. https://doi.org/10.1002/csc2.20487