來源：植物表型組學

2020年1月，Plant Phenomics刊發(fā)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(lián)定位研究使研究人員能夠為許多重要的環(huán)境耐受因子確定候選位點，包括植物在農(nóng)藝學上相關抗性性狀的位點。然而，諸如此類的傳統(tǒng)環(huán)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(nèi)在基因定位關聯(lián)的初始油菜籽（Brassica napus L.）群組的數(shù)據(jù)證明示例程序。然后，使用兩個合成生成的圖像數(shù)據(jù)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?zhèn)鹘y(tǒng)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(shù)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(jīng)網(wǎng)絡，因此建議使用GPU在可控制的時間內(nèi)進行優(yōu)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(shù)據(jù)集中的材料數(shù)量和取樣時間點數(shù)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(tǒng)，該方法避免了在開發(fā)和部署圖像分析管線以首先從圖像中測量表型時出現(xiàn)的巨大挑戰(zhàn)。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(xiàn)有研究中復制更多的候選位點將有助于繼續(xù)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(nóng)業(yè)系統(tǒng)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(shù)的弱監(jiān)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(zhì)量田間小區(qū)圖像

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)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(chuàng)性研究論文、綜述、數(shù)據(jù)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(nóng)業(yè)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(tǒng)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(shù)據(jù)庫收錄。

翻譯：孫港 編輯：黃藝清（實習）、孔敏

審核：尹歡