来源：植物表型组学

2020年1月，Plant Phenomics刊发了加拿大萨斯喀彻温大学Jordan Ubbens团队题为Latent Space Phenotyping: Automatic Image-Based Phenotyping for  Treatment Studies 的研究论文，提出了一种新的表型方法——潜在空间表型（Latent Space Phenotyping，LSP），能够直接从图像中自动检测和量化植物对逆境的反应。

关联定位研究使研究人员能够为许多重要的环境耐受因子确定候选位点，包括植物在农艺学上相关抗性性状的位点。然而，诸如此类的传统环境基因组研究需要一种能够准确测量逆境反应的表型管线，尤其是在使用图像处理的自动化高通量背景下。本研究中提出了潜在空间表型（LSP），这是一种新的表型方法，能够直接从图像中自动检测和量化植物对逆境的反应。本研究使用来自种间杂交的C4模式植物狗尾草，一组具有多样性的高粱(S. bicolor )以及具有内在基因定位关联的初始油菜籽（Brassica napus L.）群组的数据证明示例程序。然后，使用两个合成生成的图像数据集，本研究表明LSP能够在简单和复杂合成图像中成功模拟生成QTL。本研究建议用LSP代替传统的图像分析方法进行表型分析，这样就可以对任意的和潜在的复杂响应性状进行表型分析，而不需要复杂的图像处理工程。

Fig.1: Overview of the processed technique.

本研究所述的潜在空间表型分析方法有一些局限性，包括与大多数基于图像的表型分析技术相比所增加的计算要求。由于该方法涉及多个深度神经网络，因此建议使用GPU在可控制的时间内进行优化。本文展示的实验是在两个NVIDIA Titan V GPU上进行的，每个实验所需的时间从2小时到8小时不等，这取决于数据集中的材料数量和取样时间点数量。

5个实验的结果表明，LSP能够通过训练从图像中自动形成准确的逆境-响应概念，并以极低的假阳性率恢复QTL。作为一种自动化系统，该方法避免了在开发和部署图像分析管线以首先从图像中测量表型时出现的巨大挑战。该方法避免了处理造成的视觉上有明显特征的先验假设，从而在五个不同的试验中，可以自动检测叶面积、叶片角度、干旱胁迫和氮胁迫。从现有研究中复制更多的候选位点将有助于继续验证该技术，并在生物科学中鼓励进一步研究潜在空间方法。

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

专刊征稿：智慧农业系统的图像分析与机器学习

推荐阅读

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

原文介绍请点击：

Plant Phenomics | 新方法！预测芸薹属植物花期耐热抗旱性的无损表型测量方法

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

原文介绍请点击：

Plant Phenomics | 一种用于高粱头状花序检测和计数的弱监督深度学习框架

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

原文介绍请点击：

Plant Phenomics | 基于无人机图像的高通量除草剂耐受性评价方法更精准

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

原文介绍请点击：

Plant Phenomics | Easy MPE：基于无人机高通量表型技术提取高质量田间小区图像

About Plant Phenomics

《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行，是Science合作出版的第二本期刊。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。2019年8月，已正式被DOAJ数据库收录。

翻译：孙港 编辑：黄艺清（实习）、孔敏

审核：尹欢