基于深度学习的高通量表型分析加速气孔性状的基因发现


发布时间:

2021-11-30

来源:

本站

作者:

PhenoTrait

  面对气候变化,未来的粮食安全需要快速、高效和灵活地对相关基因进行改良。因此,在不同的环境条件下,从DNA序列(基因型)到末端性状(表型)的发育和生理机制的综合解析是必不可少的。影响光合作用、气体交换和水分利用的气孔特征是涉及主要C4植物(高粱和玉米)改良计划的关键目标。

 

  在本期的《Plant Physiology》上,Bheemanahalli等(2021)、Ferguson等(2021)和Xie等(2021)的论文介绍了利用人工智能技术支持的高通量气孔表型平台,结合筛选方法进行识别高粱和玉米气孔性状的特定基因。研究人员主要通过将深度学习算法自动识别、分类和量化与植物水分利用效率和耐旱性相关的气孔特征与基因组研究相结合,进一步解析了气孔性状的潜在遗传结构。研究人员在数据预处理后,训练卷积神经网络模型(Mask R-CNN),用于自动检测和计算气孔特征。表型分析的典型深度学习框架从原始图像的输入和预处理开始,然后在训练期间进行几层的自动特征提取,最后是经过训练和验证的模型,该模型可以识别、分类、量化和预测感兴趣的表型特征。Mask R-CNN可以使用边界框检测和定位感兴趣的对象(如:气孔),并生成精确的分割掩模,然后使用几个卷积层来识别和分类对象区域,然后预测对象类型。在未来几年中,高通量表型工具如何加速目标性状的量化和特征化,从而揭示复杂性状的基因-环境之间交互影响的机制,将是一个有趣的发现。

 

  图1 发展并整合基于深度学习的高通量表型分析与基因组研究,确定C4禾本科植物气孔性状的遗传区域。A、通过光学测量和深度学习算法(Mask R-CNN)快速分析获取图像的表型,这为确定最佳气孔特征提供了强有力的工具。B、高粱气孔复合体面积的人工测量与计算预测的相关性。C、表型数据与遗传变异的关联。

 

  来源:W. Zhang, B. Calla, D. Thiruppathi, Deep learning-based high-throughput phenotyping accelerates gene discovery for stomatal traits, Plant Physiology, 2021,187:1273-1275.

 

  编辑:张玉

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。