编辑推荐：
大豆胞囊线虫（SCN，Heterodera glycines）严重威胁大豆种植，现有检测方法存在诸多弊端。研究人员开发了 Nemacounter 软件，它能自动检测、计数和测量 SCN 胞囊，准确率约 95% 。该软件提升了研究效率，对大豆抗 SCN 研究意义重大。
在广袤的大豆种植领域，大豆胞囊线虫（SCN，Heterodera glycines）就像一个隐藏在暗处的 “杀手”，时刻威胁着大豆的生长。大豆作为全球广泛种植的重要农作物，不仅是人类食物和动物饲料的关键来源，其与根瘤菌形成的共生关系还能减少外部肥料的使用，在农业生产中占据着举足轻重的地位。然而，SCN 的肆虐却给大豆种植带来了巨大挑战。
SCN 是一种极具破坏力的植物病原体，感染 SCN 的大豆植株，其根系会被大量胞囊附着。这些胞囊就像一个个 “吸血鬼”，不断从植物中吸取营养，严重影响大豆的生长发育，导致产量大幅下降。目前，大豆品种中抵抗 SCN 的资源相对较少，而且随着 SCN 种群新的毒力表型不断出现，现有抗性的效果也在逐渐减弱。因此，培育更多抗性种质和开发新的害虫管理策略迫在眉睫。
在 SCN 相关研究中，准确评估 SCN 感染程度是关键。科研人员通常采用全基因组关联研究（GWAS）和数量性状位点（QTL）分析等方法来寻找与抗性相关的基因，这些方法都依赖于大量的表型筛选。而评估 SCN 抗性的主要表型指标是植物根系上形成的胞囊数量，胞囊大小也与胞囊发育相关，同样具有重要研究价值。但传统的手动计数和测量方法存在诸多问题，手动在显微镜下数几百个胞囊，不仅耗费大量人力和时间，还容易因评估人员的差异产生误差；测量胞囊大小更是困难重重，手动操作太过繁琐，所以常常被忽视。
为了解决这些问题，来自美国爱荷华州立大学（Iowa State University）等机构的研究人员开展了一项极具意义的研究。他们开发了一款名为 Nemacounter 的软件，旨在为线虫学家在感染实验中准确计数和测量胞囊提供便利，减少繁重的劳动，降低对生物信息学专业技能的要求。该研究成果发表在《Scientific Reports》上，为大豆胞囊线虫研究领域带来了新的曙光。
研究人员在开发 Nemacounter 软件时，运用了多种关键技术方法。他们利用预训练的神经网络 You Only Look Once（YOLOv5）和 Segment Anything Model（SAM）。其中，YOLOv5-xl 目标检测预训练神经网络用于检测胞囊，SAM 则负责精确提取每个检测到胞囊的大小 。在训练过程中，使用 NVIDIA A100 GPU，对包含 19,521 个手动注释胞囊的数据集进行训练，以优化模型性能。
下面来看具体的研究结果：
- Nemacounter：高精度的 SCN 胞囊计数和测量软件：研究人员在对比不同方法后，选择将 YOLOv5-xl 目标检测模型和 SAM 相结合。虽然 YOLOv8 和 YOLO-NAS 等先进版本在效率上有优势，但它们训练稳定性差，对计算资源要求高，不适合处理 1040×1040 像素的图像。而 YOLOv5-xl 实例分割变体直接提取胞囊面积的效果不佳，综合考虑后，采用 YOLOv5-xl 目标检测模型与 SAM 结合的方法，在胞囊检测和大小测量上取得了良好效果。
- 神经网络训练和性能指标：经过训练，在第 394 个 epoch 时，模型表现最佳。此时，盒损失为 0.04824，物体损失为 0.60982，精度达到 0.97427，召回率为 0.95417，在交并比（IoU）阈值为 0.5 时，平均精度均值（mAP）为 0.97899 。不过，当 IoU 阈值在 0.5 - 0.95 之间变化时，mAP 降至 0.73155，说明胞囊重叠过多会影响模型性能。
- 用户界面和功能：Nemacounter 的图形用户界面（GUI）基于 customtkinter 包构建，操作简单。用户可以选择包含各种格式（JPG、JPEG、PNG、TIFF）胞囊图像的输入文件夹，软件会自动将结果处理到选定的输出文件夹。用户还能通过滑块调整检测阈值和 IoU 阈值，默认输入图像大小为 1040×1040 像素。推理过程中，每张图像的处理时间平均为 300 ms。
- 手动校正、分割过程和结果总结：如果用户发现注释错误的胞囊，可以使用基于 OpenCV 的工具进行手动校正。校正后，点击 “Segmentation” 按钮启动分割过程，会生成 “Segmentation” 文件夹，里面包含用红色掩码标记的分割胞囊图像、黑色背景上随机彩色掩码图像，以及包含每个图像中胞囊数量、大小和统计分析结果的文件。
- 验证 Nemacounter 的目标检测性能：研究人员用 8 张神经网络未见过的图像进行测试，包括 4 个 “干净” 的胞囊样本和 4 个含有根碎片的 “脏” 胞囊样本。通过计算自动提取的胞囊掩码质心，并与手动注释的边界框对比，发现 Nemacounter 的平均准确率达到 95%，与人工计数的误差率相近。
- 测试 Nemacounter 的能力极限：研究人员测试了不同胞囊密度下 Nemacounter 的精度，发现每孔 0 - 300 个胞囊时，准确率超过 95% ；超过 300 个胞囊，准确率会下降到 90 - 95%。在含有难以与胞囊区分的碎片且胞囊密度较高的情况下，准确率在 84.35 - 93.67% 之间，表明样本制备对软件的检测精度很重要。
- 分析胞囊大小测量精度：研究人员用 ImageJ 手动将胞囊按大小分为三类，拍照后用 Nemacounter 分析。结果显示，Nemacounter 能清晰区分不同大小的胞囊，虽然与 ImageJ 测量结果存在细微差异，但二者相关性高达 99.78%，证明 Nemacounter 能准确测量胞囊大小。
综合来看，Nemacounter 软件为大豆胞囊线虫研究提供了高效、准确的工具。它不仅能快速准确地计数和测量胞囊，还能生成详细的分析报告，大大提高了研究效率。该软件的出现，有助于线虫学家更深入地研究 SCN 感染机制，加速大豆抗性品种的培育，对保障大豆农业的可持续发展具有重要意义。同时，其开发思路和技术方法也为其他生物研究领域提供了借鉴，有望推动相关研究的进一步发展。
