基于流形的学习技术用于高通量单花生表型分析

《npj Systems Biology and Applications》：Manifold-based learning for high-throughput single-peanut phenotyping

　　

摘要

花生（Arachis hypogaea L.）是一种重要的豆类作物，因其高油含量而备受重视。其基因型与表型之间的相互作用十分复杂，且受环境因素影响，但目前对这些关系了解仍不充分。我们提出了一种高通量表型分析方法，通过数字显微镜或智能手机成像技术获取花生果荚的几何形态信息，并结合流形学习技术进行大规模分析和可视化处理。利用在中国各地收集的6500多个花生果荚样本，我们发现了具有地理差异的形态特征，进而实现了对不同品种的精准区分。这种可扩展的方法为构建大型几何模型奠定了基础，该模型能够预测表型特征，有助于推动精准农业的发展。我们的分析流程为花生育种及可持续作物改良提供了有力的工具。