科学家们开发了用于作物的尖端血管系统图像分析管道

深度卷积神经网络(CNN)方法是一种数据驱动的特征提取技术，非常适合研究植物维管系统。现在，来自北京农林科学院(BAAFS)的科学家利用他们的CNN表型管道，自动提取和评估不同环境条件下玉米维管束结构的差异。这些结果可以帮助识别更强的农业作物品种。

　　

   

   

图像:深度学习管道批量处理玉米茎的一系列计算机层析图像，以可视化和分析其血管特征。    

植物的维管系统在维持茎干结构、提供机械支持以及向植物各器官输送资源等方面起着至关重要的作用。然而，这些维管束的结构和分布在不同植物个体间存在较大差异，这对其识别和量化的自动化过程提出了很大的挑战。因此，对这些植物系统进行快速、准确的定量和功能评价对农业研究至关重要。

植物组织切片的组织学研究(在显微镜下进行)是植物解剖学和显微技术的基础。横跨光基、荧光和电子基技术，这是植物内组织研究的支柱。然而，这些方法在样品制备过程中的物理和化学处理会改变样品的自然结构。然而，微计算机断层扫描(micro-CT)可以通过最少的预处理提供对组织标本无损的高分辨率图像。不幸的是，CT图像重建需要一些手动调整，这导致了观察者无意中引入的误差和变化。

就能力而言，深度卷积神经网络(CNN)方法是一种数据驱动的特征提取技术，最近才在分割图像中的对象检测方面取得了最先进的性能，使其能够常规用于基于图像的植物表型研究(即植物表型及其进化的研究)。现在，由杜建军博士带领的北京农林科学院(BAAFS)研究小组开发了一种基于CNN的深度学习管道，可以快速准确地生成维管束结构的分析。“我们相信，我们可以在理解单株维管束结构与水分运输相关性状之间的关系方面取得新的突破。”一项详细介绍他们的方法和发现的研究的通讯作者赵春江博士说。这项研究于2022年5月27日在作物日报发表

该团队特别感兴趣的是研究在茎结构中表现出可塑性的植物如何快速适应环境。正是这种可塑性允许在不妨碍生长和发展的情况下改变结构。为了研究这一问题，他们在自然和干旱条件下种植玉米，利用CT图像提取的信息检测不同茎节(即茎的两个节之间或分支区域)的维管束，评估茎结构的建筑差异，并研究流量与结构性状的关系。他们的管道处理图像并检测植物内的维管束，识别维管束内的特定区域(外围、表皮和内部区域)，根据特定性状(质量、数量、大小和形状)将维管束分类为表型，并在不同茎节间对这些性状进行统计分析。他们还在单株水平上通过液流实验研究了玉米维管束的性状，以了解不同表型的水分利用效率。

“我们可以实现3秒的图像处理时间，并首次揭示了玉米茎的表皮(最外层)的厚度。我们的管道也非常准确。在测试过程中，它列举了所有节间类型的维管束，并以R来量化尺寸相关性状²-这表示一致性-超过0.98，”杜博士解释了他们研究的新奇之处。

此外，液流实验表明，液流速率不仅受维管束结构的影响，还受环境和气象条件的影响。

那么，为什么这些发现如此重要呢?“我们相信，我们已经为进一步研究确定水利用效率的关键基因，以及开发能够确保国家粮食安全的作物品种奠定了基础。这条管道肯定为未来建立液流和维管束特定特征之间的关系提供了条件。”杜医生笑着说。他们的研究可能会在未来带来改良的、更有弹性的作物!