來源：植物表型組學

2020年1月，Plant Phenomics刊發了加拿大薩斯喀徹溫大學Jordan Ubbens團隊題為Latent Space Phenotyping: Automatic Image-Based Phenotyping for  Treatment Studies 的研究論文，提出了一種新的表型方法——潛在空間表型（Latent Space Phenotyping，LSP），能夠直接從圖像中自動檢測和量化植物對逆境的反應。

關聯定位研究使研究人員能夠為許多重要的環境耐受因子確定候選位點，包括植物在農藝學上相關抗性性狀的位點。然而，諸如此類的傳統環境基因組研究需要一種能夠準確測量逆境反應的表型管線，尤其是在使用圖像處理的自動化高通量背景下。本研究中提出了潛在空間表型（LSP），這是一種新的表型方法，能夠直接從圖像中自動檢測和量化植物對逆境的反應。本研究使用來自種間雜交的C4模式植物狗尾草，一組具有多樣性的高粱(S. bicolor )以及具有內在基因定位關聯的初始油菜籽（Brassica napus L.）群組的數據證明示例程序。然后，使用兩個合成生成的圖像數據集，本研究表明LSP能夠在簡單和復雜合成圖像中成功模擬生成QTL。本研究建議用LSP代替傳統的圖像分析方法進行表型分析，這樣就可以對任意的和潛在的復雜響應性狀進行表型分析，而不需要復雜的圖像處理工程。

Fig.1: Overview of the processed technique.

本研究所述的潛在空間表型分析方法有一些局限性，包括與大多數基于圖像的表型分析技術相比所增加的計算要求。由于該方法涉及多個深度神經網絡，因此建議使用GPU在可控制的時間內進行優化。本文展示的實驗是在兩個NVIDIA Titan V GPU上進行的，每個實驗所需的時間從2小時到8小時不等，這取決于數據集中的材料數量和取樣時間點數量。

5個實驗的結果表明，LSP能夠通過訓練從圖像中自動形成準確的逆境-響應概念，并以極低的假陽性率恢復QTL。作為一種自動化系統，該方法避免了在開發和部署圖像分析管線以首先從圖像中測量表型時出現的巨大挑戰。該方法避免了處理造成的視覺上有明顯特征的先驗假設，從而在五個不同的試驗中，可以自動檢測葉面積、葉片角度、干旱脅迫和氮脅迫。從現有研究中復制更多的候選位點將有助于繼續驗證該技術，并在生物科學中鼓勵進一步研究潛在空間方法。

How to Cite this ArticleJordan Ubbens, Mikolaj Cieslak, Przemyslaw Prusinkiewicz, Isobel Parkin,  Jana Ebersbach,  and Ian Stavness, “Latent Space Phenotyping: Automatic Image-Based Phenotyping for Treatment Studies,” Plant Phenomics, vol. 2020, Article ID 5801869, 13 pages, 2020. 

https://doi.org/10.34133/2020/5801869

專刊征稿：智慧農業系統的圖像分析與機器學習

推薦閱讀

Nondestructive Phenomic Tools for thePrediction of Heat and Drought Tolerance at Anthesis in Brassica Species   

原文介紹請點擊：

Plant Phenomics | 新方法！預測蕓薹屬植物花期耐熱抗旱性的無損表型測量方法

A weakly Supervised Deep Learning Framework for Sorghum Head Detection and Counting

原文介紹請點擊：

Plant Phenomics | 一種用于高粱頭狀花序檢測和計數的弱監督深度學習框架

High-Throughput UAV Image-Based Method Is More Precise Than Manual Rating of Herbicide Tolerance

原文介紹請點擊：

Plant Phenomics | 基于無人機圖像的高通量除草劑耐受性評價方法更精準

Easy MPE: Extraction of Quality Microplot Images for UAV-Based High-Throughput Field Phenotyping

原文介紹請點擊：

Plant Phenomics | Easy MPE：基于無人機高通量表型技術提取高質量田間小區圖像

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。2019年8月，已正式被DOAJ數據庫收錄。

翻譯：孫港 編輯：黃藝清（實習）、孔敏

審核：尹歡