Stomatalia：一个基于深度学习的用于定量分析气孔和铺路细胞的平台

《Plant Methods》：Stomatalia: a deep learning-based platform for quantitative stomata and pavement cell analysis

　　

摘要

背景

气孔和铺道细胞是叶片表皮的基本组成部分，共同调控气体交换、水分流失以及叶片表面扩展。气孔的大小、开口度、密度以及铺道细胞的形态是评估植物蒸腾效率、表皮生长动态以及对环境压力适应能力的关键参数。尽管它们具有重要的生物学意义，但目前量化气孔和铺道细胞特征的方法往往不够通用、简单且快速。手工或半自动化的方法限制了大规模表型分析，也难以将表皮形态学纳入旨在培育具有优化气孔结构的抗逆品种的作物改良流程中。为解决这些问题，我们开发了Stomatalia，这是一个基于深度学习的平台，可用于自动化和标准化气孔及铺道细胞特征的量化分析。该算法是在优渥条件和非生物胁迫条件下生长的栽培种和野生马铃薯、番茄的表皮图像上训练而成的。Stomatalia能够自动检测气孔和铺道细胞，并提取多种形态学及综合表皮参数，从而在统一的分析流程中实现高通量表型分析。

结果

在开发该平台之前，我们优化了一种快速、破坏性极小的叶片印制方法，可在40至100秒内生成叶片表面的负像。随后制作出透明的正像，并在20到200微米的不同放大倍率下通过光学显微镜进行成像。所得图像可通过Stomatalia的用户友好型网页界面进行分析，该界面运用实例分割深度学习算法来检测、计数并计算气孔和铺道细胞的各项参数。该平台输出的为结构化文件，其中包含原始测量数据、衍生出的综合特征及相关元数据，便于后续的统计和生理学分析。在独立的测试数据集上对算法进行的评估显示，其在经过验证的双子叶植物成像领域表现优异，F₁分数根据图像放大倍率、物种及分辨率不同而介于0.86到0.94之间，且气孔和铺道细胞的分割重叠度都很高。在跨物种可行性测试中，该算法还在青葱、鹰嘴豆、香杨树和小麦上进行了气孔检测性能测试，不过在单子叶植物上的性能差异较大，且铺道细胞的分割仍依赖于物种和植株结构。与另一款公开可用的应用程序的对比测试表明，在所测试的网页界面设置和图像类型下，Stomatalia的结果与人工计数更为接近，且处理速度更快。在概念验证试验中，该平台还对处于最佳灌溉条件以及长期逐渐干旱环境下的马铃薯植株进行了测试，即便叶片形态和图像质量存在差异，它依然能够可靠地量化表皮特征，有助于全面理解植物在胁迫条件下的气孔和铺道细胞反应。

结论

我们开发的Stomatalia是一个功能强大、操作简便的深度学习平台，可用于在不同放大倍率和分辨率下对明场叶片表皮图像进行自动化、高通量的分析。它通过整合方法标准化、计算自动化以及多特征提取功能，实现了对气孔和铺道细胞快速、可重复且协同的表型分析。目前，该平台最擅长的应用场景是分析高质量的双子叶植物叶片印制图像，尤其是那些与模型训练和验证所使用的物种及成像条件相似的样本。跨物种和基准测试进一步明确了其当前的应用范围：气孔检测技术可应用于部分其他类型的表皮结构，而在单子叶植物或差异较大的物种中实现可靠的铺道细胞分割，则需要进一步的标注和模型重新训练。在现有应用范围内，Stomatalia为研究气孔和铺道细胞的形态特征以及环境适应性提供了灵活且可扩展的分析框架，同时也有助于深入探究并优化植物对非生物胁迫的反应。