مقالة منهجية

توصيف الصفات الفطرية والبشرة باستخدام التقشير، والتنظيف الطبيعي، وتحليل الصور المعتمد على الذكاء الاصطناعي

DOI:

10.3791/69615

⸱

مارس 27, 2026

 ,  ,  ,  ,  , 
1Centre of Estonian Rural Research and Knowledge, 2Institute of Agricultural and Environmental Sciences, Estonian University of Life Sciences, 3Estonian Academy of Sciences

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا البروتوكول طريقة مقارنة لتقييم صفات الثغور والبشرة في نوعين مختلفين باستخدام تقشير البشرة، وتقنيات التنظيف البشري، وتحليل الصور بمساعدة الذكاء الاصطناعي. الهدف هو تمكين قياس عالي الإنتاجية وقابل للتكرار للبنى الخلوية التي تقوم عليها وظيفة الثغور للتطبيقات الزراعية وأبحاث النبات الواسعة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

التوصيف الدقيق لشكل الثغر والصفات المحيطة به أمر ضروري لفهم وظيفة الثغور. يقدم بروتوكول مقارنة باستخدام تقنيتين تكميليتين—تقشير البشرة وتنظيف الأوراق—لتقييم حجم وشكل وكثافة الخلايا الثغرية والبشرة في نوعين بيئيين مختلفين بيئيا، Fraxinus excelsior وTaraxacum officinale. يتضمن البروتوكول خطوات مفصلة لتحضير العينة، والتصوير، وقياس الصفات باستخدام قياسات يدوية فعالة من حيث التكلفة والعمالة (تنظيف الأنسجة وتقطيعها)، وتحليل الصور بمساعدة الذكاء الاصطناعي مع إمكانية تسهيل تطبيقات عالية الإنتاجية. تم تقييم ثلاث أدوات تقسيم - نموذج كشف الثغور القائم على YOLOv8، وأداة تعلم عميق عامة لتقسيم الخلايا، ومصنف يعتمد على البكسل - من حيث دقتها وملاءمتها عبر الطرق. تلاحظ باستمرار فروق كبيرة في صفات الثغور والبشرة بين تقنيات التقشير والتنظيف، في كل من التحليلات اليدوية والتحليلات الاصطناعية. مكنت أدوات الذكاء الاصطناعي القياس القابل للتكرار، حيث كان نموذج اكتشاف الثغر القائم على YOLOv8 (StoManager1) الأفضل لصفات الثغر، وأداة تعلم عميق عامة لتقسيم الخلايا (Cellpose) لتقسيم الجلد. كان اكتشاف السمات المعتمد على الذكاء الاصطناعي متسقا للغاية في T. officinale لكنه محدود في F. excelsior، ومع ذلك تباعدت النتائج عن القياسات اليدوية، مما يوضح كيف يؤثر التشريح الخاص بالنوع وجودة الصورة على ملاءمة الطريقة. تشير هذه النتائج إلى أنه بينما يوفر التحليل المدعوم بالذكاء الاصطناعي إطارا مفيدا لقياس صفات الثغور والجلد، يظل التحقق من الخبراء والاختبارات التجريبية ضروريين قبل التطبيق الأوسع أو عالي الإنتاجية.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الثغرات هي مسام مجهرية في البشرة تلعب دورا حيويا في تنظيم تبادل وتدفق غازات النبات. لذا، فإن فهم الأساس الشفي لوظيفة الثغور هو المفتاح لتحسين أداء المحاصيل1. بينما تركز معظم الدراسات حول بنية الثغور ووظيفتها فقط على شكل الثغور، يتطلب فهم كامل لاستجابة الثغور أيضا توصيف حجم وشكل الخلايا المحيطة بالجلد المحيط. يعد القياس الدقيق لهذه الصفات أمرا أساسيا لفهم علاقات البنية والوظيفة الكامنة وراء تبادل الغاز وتحسين المحاصيل.

مع اعتماد تحسين المحاصيل بشكل متزايد على أساليب تحرير الجينات المتقدمة، من الضروري فهم الصفات الشكلية الرئيسية - مثل الثغر - التي تؤثر على التمثيل الضوئي، وكفاءة استخدام المياه الجوهرية، واكتساب الكربون. وتعد هذه الحاجة ملحة بشكل خاص في ظل التغيرات البيئية المستمرة، حيث يزداد الطلب على المحاصيل المرنة التي تحافظ على القدرة الضوئية والإنتاجية في مواجهة المزيد من الجفاف وموجات الحر المتكررة. وبالتالي، هناك حاجة قوية لبروتوكولات تصوير وتحليل موحدة. تقشير الثغر باستخدام الورنيش أو طلاء الأظافر هو أبسط طريقة للحصول على انطباعات سطح الأوراق لقياس حجم وشكل وكثافة الثغور والبشرة 4,5,6. إجراءها سريع وغير مدمر، مما يسمح بمعالجة سريعة للعينات. طريقة تنظيف الأنسجة هي نهج بديل يسمح بتوصيف شبكة الأوردة في الوقت نفسه وربما توصيف أكثر شمولا لهيدروليكا الأوراق.

يقوم التنظيف الكيميائي بتليين وجعل الأنسجة شفافة بصريا، مما يسمح بتصوير الفغور والخلايا الجلدية في الموقع دون تعطيل ميكانيكي. التنظيف قابل للتطبيق على نطاق واسع عبر مجموعة من أنواع الأنسجة، بما في ذلك العينات المجففة أو الحساسة، ويمكن استخدامه ليس فقط لتصوير الثغور بل أيضا لتصوير شبكات الأوردة، والتصوير الفلوري، والهياكل التشريحية الداخلية 7,8,9,10,11,12 ، مما يسمح بتحليل صفات الثغور إلى جانب صفات وظيفية أخرى. توجد طرق تطهير مختلفة، تشمل المذيبات العضوية، المحاليل المائية، فرط الترطيب، أو تضمين الهيدروجيل 13,14,15. تختلف هذه الخصائص في المدة، وتوافق التصوير، وتوفر المواد الكيميائية. البروتوكول المستخدم هنا بسيط وفعال من حيث التكلفة، ولا يتطلب مهارات متخصصة. كلا التقنيتين غير مكلفتين وسريعات مقارنة بالطرق الأكثر كثافة من الجهد مثل المجهر الضوئي أو المجهر الإلكتروني الماسح، والتي تتطلب التثبيت الكيميائي، والتضمين، والتقسيم.

تعتمد الطرق التقليدية لتحليل خصائص الثغور والبشرة غالبا على تقسيم صور المجهر يدويا، وهو أمر يتطلب جهدا كبيرا ويستغرق وقتا طويلا، مما يحد من سرعة النقل ويقلل من كفاءة خط أنابيب التحليل16. علاوة على ذلك، تشكل الخصائص التشريحية مثل الترايكومات وجدران الخلايا غير المنتظمة تحديات إضافية لقياس الصفات المتسق. بينما تقدم أدوات تحليل الصور الآلية وعدا كبيرا لاستخراج البيانات عالية الإنتاجية، فقد تم تحسينها لأنسجة نباتية محددة ولا يمكن نقلها بسهولة عبر أنواع الأوراق وطرق التحضير. على سبيل المثال، يوفر StoManager1 (الشكل التكميلي 1) دقة عالية في اكتشاف الثغور باستخدام نموذج كشف كائنات قائم على YOLOv8، لكنه مدرب خصيصا على صفات الثغور. وضع الخلية (الشكل التكميلي 2)، هو نموذج تقسيم كبير ومدرب مسبقا وعام، ويؤدي أداء جيدا عندما تشبه بيانات الإدخال نماذجه المدربة مسبقا (مثل سايتو، سايتو2)، ويعتمد في الأصل على خلايا وعضيات حيوانية. Ilastik (الشكل الإضافي 3) هو أداة تصنيف تعتمد على البكسل تعتمد على التعليقات التوضيحية التي يحددها المستخدم. كل من Cellpose وIlastik سهل الاستخدام، لكن قد يتطلب كل منهما إعادة تدريب أو تعديل دقيق لاستيعاب التغيرات في جودة الصورة، وقطع الخلفية، والميزات الخاصة بالأنسجة.

علاوة على ذلك، تظهر أشكال الثغور والبشرة تنوعا كبيرا عبر النوع17. صفات مثل كثافة الثغور وحجمها متغيرة بشكل خاص، ومع ذلك فهي عادة ما تكون مرتبطة عكسيا وتحدد معا اختلافات النوع في حركة الثغور. يمكن للثغور الأكبر أن تعوض جزئيا عن الكثافة الأقل، لكنها عادة ما تظهر حركية أبطأ5، والتي قد تكون غير مناسبة تحت موجات الحر المتكررة المتزايدة، حيث تكون الاستجابات السريعة للثغور ضرورية للحفاظ على امتصاص الكربون ومنع فقدان الماء المفرط. بشكل عام، يعقد هذا التغير قياس صفات الثغور وقد يضر بصحة البروتوكول المختار ومتانة النتائج المبنية على الذكاء الاصطناعي.

يدمج هذا البروتوكول تقنيتين كلاسيكيتين للتحضير - تقشير البشرة وإزالة المواد الكيميائية - مع أدوات الذكاء الاصطناعي الحديثة (AI) وتعلم الآلة (ML) لتقسيم وقياس السمات. باستخدام نوعين شائعين من الثنائيات التي تتطلب الضوء مع استراتيجيات بيئية متباينة (F. excelsior و T. officinale)، درسنا التفاوت في صفات الثغور والبشرة لتقييم كيفية مقارنة ثلاث طرق وأين قد تظهر أخطاء. تم تقييم أداء ثلاث أدوات ذكاء اصطناعي: StoManager1 (نموذج تعلم عميق قائم على YOLOv8 لاكتشاف الثغور)، Cellpose (أداة تقسيم التعلم العميق العامة)، وilastik (مصنف يعتمد على البكسل لأنسجة البشرة). يتيح هذا النهج التكاملي من القياس القابل للتكرار وعالي الإنتاجية للصفات الثغرية والبشرية، مما يوفر إطارا قويا وقابلا للتوسع للتحليل الظاهري في كل من البحث البيئي والزراعي. ومع ذلك، قد تقلل الخصائص التشريحية مثل التريكومات الكثيفة، أو الجلد السميك، أو التباين المنخفض بين حدود الخلايا من دقة التقسيم ويجب أخذها في الاعتبار عند الاختيار بين طرق التقشير والتنظيف، وعند تطبيق القياس المعتمد على الذكاء الاصطناعي.

حسب علمنا، هذا هو أول بروتوكول خطوة بخطوة يقارن مباشرة بين طرق تقشير البشرة وطرق التنظيف الكيميائي مع أدوات تقسيم متعددة تعتمد على الذكاء الاصطناعي لقياس صفات الثغر والجلد. من خلال دمج تقنيات المجهر الكلاسيكية مع سير عمل التعلم الآلي المتاح، يقلل البروتوكول من تحيز المستخدم، ويزيد من معدل الإنتاجية، ويسهل الأنماط الظاهرية القابلة للتكرار عبر الأنواع. وهذا يجعل النهج قابلا للتطبيق بشكل واسع في البيئة، وتحسين المحاصيل، وأبحاث تغير المناخ، ويوفر أساسا لتوسيع الأدوات المستمر من خلال إعادة تدريب النماذج أو التعلم التحويلي.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ملاحظة: لم تكن هناك حاجة إلى تصاريح أو موافقات محددة لجمع أوراق T. officinale وF. excelsior ، حيث تم أخذ عينات من هذه الأنواع غير المحمية من مناطق الحدائق المتاحة للعامة. جميع مجموعات العينات كانت ملتزمة بالإرشادات المؤسسية والمحلية.

1. جمع المواد النباتية

  1. اختر أوراقا صحية للتحليل المقارن. في التجربة الحالية، تم اختيار أوراق ناضجة صحية ومعرضة للشمس من نوعين ثغريين بتوزيع ثغور متباين: شجرة أسفل الثغور F . excelsior، التي تحمل الثغور فقط على سطح الأوراق السفلي، والنباتات المعمرة البرمائية T. officinale.
  2. لكل نوع أو موقع عينة، خذ 3-5 أوراق مكررة.
  3. افصل الورقة باستخدام مقص نظيف أو شفرة حلاقة. ضع الورقة المقطوعة فورا في الماء لمنع الجفاف.
  4. بعد الجمع، اغمر السويقات بالكامل في الماء وخزنها عند 4 درجات مئوية.
  5. تابع الأقسام 2 أو 3 من البروتوكول خلال 48 ساعة.

2. تحضير ومشاهدة تقشير انطباع الثغور

ملاحظة: تم التعامل مع جميع النفايات الكيميائية الناتجة أثناء بروتوكول التطهير وفقا للوائح السلامة المؤسسية والمحلية. تم جمع المحاليل التي تحتوي على الجلوتارالديهايد بشكل منفصل والتخلص منها كنفايات كيميائية خطرة. تم تحييد محاليل هيدروكسيد الصوديوم (NaOH) إلى درجة حموضة 6-8 قبل التخلص من القضية، حيثما تم السماح بها. تم التخلص من مبيض وإيثانول مخفف في المصرف مع كميات كبيرة من الماء البارد في الأماكن التي سمحت بها اللوائح المؤسسية والبلدية. تم جمع محاليل TBO والتخلص منها كنفايات كيميائية وفقا للإرشادات المحلية. يجب على المستخدمين استشارة مكتب السلامة المؤسسي للحصول على إجراءات التخلص المعتمدة.

  1. إذا لزم الأمر، اشطف سطح الورقة المختار بالماء بلطف لإزالة الغبار أو الحطام. جفف سطح الورقة فورا باستخدام ورق ترشيح أو منشفة ورقية ناعمة لإزالة الرطوبة الزائدة. لا تجف في الهواء، لأن ذلك قد يسبب انكماش النسيج، مما يؤدي إلى قياسات غير دقيقة لحجم الثغور وخلايا البشرة.
  2. قم بتسمية شريحة المجهر بتفاصيل العينة (مثل النوع، جانب الورقة، وتاريخ التحضير) باستخدام علامة دائمة لضمان تتبع كل عينة خلال التصوير والتحليل وتفسير البيانات، مما يتيح تخزين العينة بشكل مناسب للاستخدام المستقبلي.
  3. بالنسبة للأنواع التي تحتوي على ترايكومات غير غدية (مشعرة)، قم بإزالة الترايكومات من سطح الورقة باستخدام شفرة حلاقة قبل تحضير التقشير، لأن وجودها قد يحجب حدود الخلايا ويقلل من جودة الصورة (الشكل 1).
  4. باستخدام فرشاة صغيرة، ضعي طبقة رقيقة ومتساوية من طلاء الأظافر الشفاف غير القابل للتمدد (تجنب تركيبات "التمدد" أو "التقشير") على المنطقة المستهدفة. اختر دائما الجزء المركزي من الورقة لتحضير التقشير، وتجنب الطرف والقاعدة.
  5. اترك طلاء الأظافر ليجف تماما (عادة من 2 إلى 5 دقائق في درجة حرارة الغرفة). قد يسبب التعرض المطول تغيرا في لون الأنسجة (مثل اللون الأحمر على الأوراق الناعمة)، والذي قد يكون مرئيا في التقشير النهائي، ويتداخل مع التحليلات التي تتطلب تلوينا موحدا.
  6. بعد الجفاف، ضع شريطا من الشريط اللاصق الشفاف على المنطقة المغطاة. ابدئي من أحد أطراف طلاء الأظافر، واضعي الشريط تدريجيا على السطح، مع الضغط بلطف لضمان الالتصاق الجيد وتجنب فقاعات الهواء أو التجاعيد. ارتد قفازات نيتريل لتجنب بصمات الأصابع.
  7. قم بإزالة الشريط بعناية مع طبقة طلاء الأظافر (انطباع البشرة).
  8. ضع الشريط اللاصق (الجانب اللاصق للأسفل) على شريحة مجهرية نظيفة، متجنبا الطيات أو التداخل.
  9. تخزين الزلاجات المحضرة في درجة حرارة الغرفة، محمية من الغبار وأشعة الشمس المباشرة.
  10. افحص الشريحة تحت مجهر ضوئي مركب بتكبير 400x. احفظ الصور حسب دليل البرنامج، مع الحجم المناسب.

3. تحضير ومشاهدة الأقسام التي تم تنظيفها

  1. قطع الأوراق بحجم حوالي 1 سم2. قم بجميع الخطوات وأنت ترتدي قفازات نيتريل وتعمل تحت غطاء بخار.
  2. انقل العينات إلى قارورة موسومة، وتغطيها بمحلول تثبيت (4٪ ألدهيد جلوتاريك في محلول فوسفات 0.1 مل، درجة الحموضة = 6.9) (تحذير)، وتخزينها عند 4°C لمدة 24 ساعة (الجدول 1، لتحضير محلول التثبيت).
  3. أزل محلول التثبيت باستخدام الماصة وغط العينات بالماء المقطر. اتركها لمدة 30 دقيقة. كرر ذلك ثلاث مرات (الشكل 2A-C).
  4. أزل الماء وغط العينات بمحلول 1 M NaOH (إذاب 20 جرام NaOH في 0.5 لتر من الماء المقطر).
  5. أثناء إزالة الأوراق، يتحول محلول NaOH إلى اللون الأخضر. استبدل محلول NaOH مرة واحدة يوميا بمحلول جديد. استمر لمدة 3 إلى 4 أيام، أو حتى تتحول العينات إلى اللون الأصفر الفاتح ويبقى محلول NaOH شفافا (الشكل 2D-F).
  6. أزل محلول NaOH وغط العينات بالمبيض (5٪ NaClO). المبيض التجاري المنزلي بهذا التركيز مناسب.
  7. حضن العينات في المبيض لمدة دقيقة إلى دقيقتين. تتحول العينات إلى اللون الأبيض والشفاف (الشكل 2G-I).
  8. أزل المحلول السابق وغط العينات بماء مقطر لمدة دقيقتين. جفف العينات من خلال سلسلة مقطرة من الماء والإيثانول كما يلي: 75:25، 50:50، 25:75، و100٪ إيثانول.
  9. أزل الإيثانول وغط العينات بمحلول كحولي بنسبة 3٪ من تولويدين الأزرق O (TBO، إذابة 3 جرام TBO في 100 مل من الإيثانول 100٪). غادر طوال الليل.
  10. أزل محلول التلوين وغط العينات بإيثانول 100٪ لمدة دقيقتين. كرر هذه الخطوة باستخدام سلسلة مقطرة من الماء والإيثانول كما يلي: 25:75، 50:50، 75:25، وأخيرا الماء المقطر (الشكل 2J-L). راجع الشكل 3 للأخطاء الشائعة وخطوات استكشاف الأخطاء المرتبطة بعملية التنظيف.
  11. احتفظ بالعينات في ماء مقطر عند درجة حرارة 4°C حتى العرض.
  12. انقل العينات إلى شريحة زجاجية، أضف قطرة ماء مقطر، وغطها بغطاء زجاجي للرؤية والتصوير المجهري.
  13. افحص الشريحة تحت مجهر ضوئي مركب بتكبير 400x. احفظ الصور حسب دليل البرنامج، مع الحجم المناسب. راجع جدول المواد لمزيد من المعلومات.

4. تحليل الصور والقياسات

  1. استخدم Fiji23 (توزيع ImageJ، الإصدار 1.54p) لمعالجة الصور وتحليلها.
  2. باستخدام أداة الخط، ارسم خطا فوق شريط المقياس، ثم اختر تحليل > تعيين المقياس، عدل المسافة المعروفة إلى طول شريط المقياس، وغير وحدة الطول إلى ميكرومتر.
  3. اذهب لتحليل قياسات > المجموعة. تأكد من فحص خيارات المساحة وقطر فيريت .
  4. استخدم أداة اختيار المضلعات لتحديد الموضوع المعني. سجل القياس بالضغط على زر M .
  5. قس الصفات التالية على الثغور والبشرة في فيجي وحسب العينات التي تم إزالتها وتقشير الثغور (الشكل 3).
  6. احسب عدد الثغور (Nثانية).
    1. حدد متوسط مساحة الثغور (As).
    2. تحديد متوسط عرض الثغور (Ws): باستخدام الحد الأدنى لقطر فيريت.
    3. احسب كثافة الثغور (SD) بالصيغة التالية:
      المعادلة 1
      ; لكل وحدة Ia (مساحة الورقة المختارة للقياسات، مم2).
    4. حدد متوسط مساحة خلايا البشرة (Ae).
    5. تحديد كثافة خلايا البشرة (ECD) باستخدام الصيغة التالية:
      المعادلة 2

5. الإحصائيات

  1. استخدم اختبار ANOVA واختبار HSD بعد الوقوع من Tukey لاختبار الفروقات بين مجموعات العينة.
  2. قم بإجراء جميع التحليلات الإحصائية في R21.
  3. حلل ما مجموعه 3 أوراق مكررة لكل نوع، وشاهد 3 قشور من كل ورقة.

6. التحليل بمساعدة الذكاء الاصطناعي

  1. اختر أدوات تعلم الآلة للتقسيم.
    1. اختر أدوات تقسيم التعلم الآلي المناسبة بناء على البنية المستهدفة (الثغور أو الخلايا البشرية)، جودة الصورة، وأهداف التحليل.
    2. استخدم نموذج تعلم عميق خاص بالثغرات للكشف الآلي وقياس صفات الثغر، واستخدم أدوات التعلم العميق العامة أو أدوات التقسيم المعتمدة على البكسلات لتقسيم خلايا البشرة.
    3. راجع قسم أدوات وبرمجيات تعلم الآلة للاطلاع على تطبيقات البرمجيات المحددة (ملف إضافي).
    4. قم بإجراء اختبارات تجريبية على مجموعة فرعية من الصور قبل التحليل واسع النطاق لتقييم أداء التقسيم وتحديد المصادر المحتملة للإيجابيات الكاذبة.
  2. جهز بيئة الحوسبة.
    1. استخدم محطة عمل مزودة بمعالج 8-12 نواة، وذاكرة RAM بسعة لا تقل عن 32 جيجابايت، وبطاقة رسومات مدعومة ب NVIDIA CUDA مع ذاكرة VRAM لا تقل عن 24 جيجابايت.
    2. استخدم شاشة عالية الدقة (ويفضل 4K) لتسهيل التعليق والفحص البصري.
    3. قم بتثبيت جميع أدوات البرمجيات المختارة وفقا لتعليمات المطورين وتسجيل نسخ البرمجيات لضمان قابلية التكرار.
  3. جهز الصور لتحليل التعلم الآلي.
    1. استيراد صور المجهر بصيغة TIFF أو PNG، باستخدام صور رمادية بحجم 8 أو 16 بت عند الإمكان.
    2. تأكد من أن كل صورة تحتوي على شريط مقياس مرئي أو تم معايرتها مكانيا قبل التحليل.
    3. اختر مناطق ذات اهتمام مع أقل قدر من الحطام أو الطيات أو فقاعات الهواء، وحتى الإضاءة، وحدود الخلايا المحددة بوضوح.
    4. استبعد الصور ذات الحواف الضبابية، أو الظلال القوية، أو التباين المنخفض، لأنها تقلل من دقة التقسيم.
  4. قم بتقسيم الثغور.
    1. قم بتحميل الصور في نموذج التعلم العميق الخاص بالثغرة (الملف التكميلي القسم 1).
    2. قم بتكوين معلمات الكشف، بما في ذلك حدود حجم الجسم وعتبات الثقة، وفقا للنوع ودقة الصورة.
    3. شغل الكشف الآلي لتقسيم مجمعات الثغور واستخراج مقاييس الإخراج مثل عدد الثغور، المساحة، وأقطار فيريت.
    4. تصدير أقنعة التقسيم وجداول القياس للتحليل اللاحق. افحص تراكب التقسيم بصريا واستبعد الأجسام التي تم اكتشافها بشكل خاطئ يدويا إذا لزم الأمر.
  5. قم بتقسيم خلايا البشرة.
    1. قم بتحميل الصور في أداة تقسيم التعلم العميق العامة أو مصنف يعتمد على البكسل (القسم الإضافي من الملفات 2 - 4).
    2. تدريب أو ضبط النموذج بدقة باستخدام صور تمثيلية مع أمثلة مشروحة يدويا لخلايا البشرة، وحدود الخلايا، والخلفية.
    3. قم بتشغيل تقسيم الأقنعة لإنشاء أقنعة الكائنات وتصدير الأقنعة للمعالجة اللاحقة في برنامج ImageJ/Fiji أو برامج تحليل الصور المعادلة.
    4. تطبيق الترشيح القائم على الحجم أو الكمية لإزالة الأجسام الصغيرة الإيجابية الكاذبة والتحقق من دقة التقسيم من خلال الفحص البصري قبل استخراج مقاييس الخلية البشرية مثل مساحة الخلية وكثافة الهواء.
  6. وثق المعايير وقم بمراقبة الجودة.
    1. سجل جميع إصدارات البرمجيات، وإعدادات المعلمات، وعتبات التصفية، ومواصفات الأجهزة المستخدمة أثناء التحليل.
    2. احتفظ بتراكبات التقسيم التمثيلية لجودة تقسيم المستندات.
    3. تحقق بصريا من مخرجات التقسيم الآلي قبل التحليل الإحصائي أو تقارير البيانات.
  7. تحضير الصور لجميع عمليات التعلم الآلي
    1. تصوير العينات
      ملاحظة: نظرا لأن التقسيم القائم على التعلم الآلي يعتمد على تدرجات الشدة، واستمرارية الحواف، وهندسة الكائنات المتسقة بدلا من السياق البيولوجي، فإن معالجة الصور المسبقة واختيار المنطقة تحدد بشكل حاسم أداء النموذج وبنية الخطأ.
      1. التقط صورا عالية الدقة لأسطح الأوراق النظيفة أو المقشرة مع وجود شريط مقياس مرئي. للحصول على سير عمل جيد في التعلم الآلي، تأكد من أن الكائنات القابلة للقياس حادة ومستمرة وعالية التباين في جميع أنحاء الصورة.
    2. اختيار المنطقة وجودة الصورة
      ملاحظة: بعد التقاط الصور في القسم 6.7.1، يتم فحص الصور بصريا، وحيثما يسمح مقياس الصورة، يتم اختيار المناطق الخالية من الآثار المهمة يدويا للتقسيم اللاحق. اختر مناطق ذات اهتمام مع أقل تشوهات (مثل الحطام، الطيات، فقاعات الهواء، الإضاءة غير المتساوية). بالنسبة لنماذج الثغور (مثل StoManager1)، أعط الأولوية لرؤية المسام الواضحة وظلال خلايا حراسة محددة جيدا. بالنسبة لنماذج البشرة (مثل Cellpose، ilastik)، يضمن تدرجات شدة مستقرة على طول خطوط الخلايا؛ الحواف غير المستمرة أو منخفضة التباين تقلل بشكل كبير من أداء التقسيم. يجب استبعاد أو إعادة معالجة الصور التي لا تعرف جيدا قبل التقسيم.
    3. تنسيق الملف
      حفظ الملفات بصيغة TIFF أو PNG (موصى بالتدرج الرمادي 8 أو 16 بت للتقسيم).
    4. تحسين الصورة الاختياري
      1. عزز التباين أو اطرح الخلفية في ImageJ/Fiji إذا كانت الحدود ضعيفة.
      2. ركز على هندسة الحواف، لأنها قد تخلق تدرجات زائفة تفسر على أنها حدود خلايا.
      3. طبق مثل هذه التعديلات بشكل متسق على جميع الصور داخل مجموعة البيانات.
        ملاحظة: يجب إيلاء اهتمام خاص لهندسة الحواف، حيث يمكن أن تخلق الظلال أو الهالات أو التدرجات غير المتساوية في الخلفية انتقالات شدة اصطناعية قد تفسرها نماذج التعلم الآلي بشكل خاطئ على أنها حدود للخلايا.
  8. StoManager1 (إصدار المستخدم v1.0.0)
    ملاحظة: يتيح StoManager1 الكشف الآلي وعالي الإنتاجية للثغور والأوراق النباتية باستخدام الشبكات العصبية الالتفافية (YOLOv8-seg-x). تقوم الأداة بقياس المقاييس الرئيسية للثغور (المساحة، الكثافة، نسبة الخلايا المسامية/الحارسة، مؤشرات التجمع، إلخ) من أنواع الصور المختلفة، مما يقلل من الجهد اليدوي والتحيز، ويسهل الدراسات البيئية والفسيولوجية واسعة النطاق. يتوفر تطبيق ويندوز سهل الاستخدام، لا يتطلب مهارات برمجية سوى المعالجة اللاحقة الاختيارية (القسم 1)23 في الملف.
    1. تشغيل StoManager1: تثبيت وتكوين
      1. الوصول عبر GitHub (https://github.com/JiaxinWang123/StoManager1) أو تطبيق ويندوز المستقل ((القسم 1 من الملفات الإضافية)(https://zenodo.org/doi/10.5281/zenodo.7686022)23.
      2. ضمان توافق نسخ المكتبة (تبعيات بايثون); قد تحدث تعارضات إذا تم تثبيت برامج تعلم آل/صور أخرى.
    2. ابدأ StoManager1 عبر واجهة واجهة المستخدم الرسومية أو سطر الأوامر.
    3. اختر مجلد الإدخال الذي يحتوي على صور أوراق.
    4. اختيار النماذج؛ تحقق من نموذج YOLOv8-seg-x للعثور على مقاييس أكثر تفصيلا وتعتمد على التقسيم القانوني. أبق ذلك غير محدد لنموذج صندوق الحدود (YOLOv3)، مع تقليل المقاييس.
    5. ضبط المعلمات؛ قم بضبط عتبات الكشف، ودقة الصورة، وتمدد القناع، وحدود حجم الجسم حسب الحاجة لطريقة التصوير أو نوعك. يرجى استخدام المعايير الافتراضية، عندما تبقى بعض أجسام الثغور غير مكتشفة، بشكل رئيسي (1) تقليل عتبة ثقة الكشف لاستعادة المزيد من الثغور الحقيقية مع التحقق من الكشف عن الإيجابيات الكاذبة؛ و(2) زيادة دقة الصورة، حيث يمكن للقيمة الأكبر تحسين اكتشاف الثغور الصغيرة على حساب الطلب الحاسوبي الأعلى.
    6. تقسيم الجري:
      1. انقر على " بدء العملية" للكشف عن الثغور والتجزئة وقياس الثغر الكاملة.
      2. انقر على " التحليل الإحصائي" لمعالجة الإحصاءات على مستوى المجموعة.
    7. اجمع النتائج. يتم حفظ الإخراج في YOUR_OUTPUT_PATH/Predict-output/Output_csv/ (وضع التقسيم) أو مباشرة إلى YOUR_OUTPUT_PATH (وضع صندوق الإحداد). تحتوي ملفات CSV على مقاييس لكل كائن ومقاييس ملخصة؛ كما يتم توليد الأقنعة وصور النتائج.
    8. ابدأ معالجة الدفعات.
    9. عند الانتهاء، اجمع المخرجات: أقنعة التقسيم، وملفات نتائج CSV لكل صورة. تشمل النتائج في الصورة: عدد الثغر ومساحة الثغور، قطر فيريت (الحد الأقصى/الأدنى)، مقاييس الخلية الحراسة، مؤشرات التجمع/التساوية/التباعد، ونسب المسام/الخلية الحارسة.
    10. راجع المخرجات باستخدام Excel أو R أو Python لمزيد من الإحصائيات والتصور.
    11. مراقبة الجودة؛ افحص الأقنعة والطبقات الجانبية بصريا. قم بإزالة الكائنات الشاذة حسب الحجم أو الشكل أو التنسيق اليدوي إذا لزم الأمر (انظر أدناه).
      ملاحظة: البروتوكولات التفصيلية وخطوات المعالجة اللاحقة ل Cellpose وilastik متوفرة في الملف الإضافي. للحصول على أفضل أداء مع مجموعات بيانات كبيرة وصور معقدة، نوصي بنظام بمعالج 8-12 نواة، وذاكرة RAM بسعة لا تقل عن 32 جيجابايت، وبطاقة رسومات مدعومة ب NVIDIA CUDA بذاكرة VRAM لا تقل عن 24 جيجابايت. كما ينصح بشدة باستخدام شاشة كبيرة عالية الدقة (ويفضل 4K) لفعالية التعليق والتصوير.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مقارنة النتائج بين التقشير والتنظير

أظهر كل من T. officinale و F. excelsior تفاوتا في صفات الثغور والبشرة حسب ما إذا تم إزالة العينات أو تقشيرها (الشكل 4). العينات التي تم إزالتها وفرت عموما حدود خلايا أكثر حدة ورؤية أوضح لشكل الخلية الحراسة وفتحة المسام، رغم أن طبقات الأنسجة المتداخلة كانت أحيانا تخفي الثغور الصغيرة وتتحيز تقديرات الحجم للأعلى. في F. excelsior، كان متوسط مساحة الثغور وعرض الثغر أعلى بشكل ملحوظ في العينات التي تم إزالتها مقارنة بالتقشير، بينما لم تلاحظ فروق ذات دلالة في T. officinale في العينات التي تم إزالتها. كانت كثافة الثغر أعلى بشكل ملحوظ في عينات تقشير من F. excelsior، بينما لم يتم اكتشاف أي تأثير طريقة في T. officinale. لم تختلف مساحة خلايا البشرة بين الطرق في أي من النوعين، لكن كثافة خلايا البشرة كانت أعلى قليلا في عينات F . excelsior المقشرة.

بشكل عام، كانت الفروقات المعتمدة على الطريقة مرتبطة بالصفات والنوع، مما يشير إلى أن التقشير يوفر خيارا موثوقا لقياسات الثغور، خاصة عندما تختلف الثغور في الحجم (مثل الأوراق النامية)، بينما لم تتأثر الصفات الجلدية إلى حد كبير (الشكل 5).

نتائج الذكاء الاصطناعي وكيف تتناغم مع طرق التقشير والتنظيف.

اكتشف نموذج StoManager1 الخاص بالثغر الثغور بشكل أكثر موثوقية في الصور المقشرة (الشكل 6)، بينما انخفض الأداء بشكل ملحوظ في العينات التي تم إزالتها (الشكل 7). لتقييم أداء StoManager1 بشكل أكبر عبر طرق التحضير، قارنا اكتشاف صفات الثغور في T. officinale و F. excelsior باستخدام كل من التقشير والصور المصفوة (الشكل 8). في T. officinale، اكتشف النموذج بشكل موثوق وجود وكثافة الثغور عبر طرق التحضير. ومع ذلك، اختلفت القيم الناتجة بشكل كبير عن القياسات اليدوية (الجدول 2 والأشكال 5 و8). اختلفت معظم سمات الثغور بشكل كبير (p < 0.05) بين العينات المقشرة والخالية (الشكل 8)، مما يشير إلى أن خطوط الكشف بالذكاء الاصطناعي حساسة للغاية لطرق التحضير وتتطلب التحقق الدقيق قبل التطبيق على نطاق واسع. على النقيض من ذلك، في F. excelsior، كان الكشف مقتصرا على السطح الجانبي بسبب غياب الثغرات المحورية، وفي العينات التي تم التخلص منها كان الكشف غير متسق، مع تكرار نتائج إيجابية كاذبة (الشكل 8). تسلط هذه النتائج الضوء على التأثير القوي للسمات التشريحية الخاصة بالنوع وجودة الصورة على فعالية التحليلات المبنية على الذكاء الاصطناعي. أدوات التعلم الآلي العامة مثل Cellpose (الشكل 9A) وIlastik (الشكل 9B) قامت بتقسيم خلايا البشرة بشكل أكثر فعالية على الصور المقشرة مقارنة بالصور. ومع ذلك، أنتجت كلتا الأداتين العديد من النتائج الإيجابية الكاذبة في كلا تقنيتي التحضير (التقشير والتنظيف)، خاصة في ظروف منخفضة التباين أو عندما تكون خطوط الخلايا مشوشة. في مثل هذه الحالات، غالبا ما كانت الخطوط غير الواضحة في الثغور أو البشرة مقسمة بشكل زائد إلى عدة أجسام صغيرة مصنفة خطأ كخلايا بشرية فردية (انظر الشكل 10). وبالتالي، فإن المعالجة اللاحقة ضرورية، ليس فقط إزالة الشاذة بل أيضا الترشيح بواسطة الكميات العليا، للحفاظ على الخلايا المحددة بشكل موثوق.

الشكل 1
الشكل 1: تقشيرات الثغر لأوراق F. carica قبل وبعد إزالة الترايخومات باستخدام شفرة حلاقة. يمكن للترايكومات الكبيرة أن تترك انطباعا على التقشير، مكونة جيوبا هوائية تؤدي إلى أسطح غير مستوية وتعيق التركيز المتسق (مرئية كنقاط رمادية كبيرة). تم تضمين F. carica كاستثناء لتوسيع البروتوكول ليشمل الأوراق المشعرة. (أ) عند تكبير 200x، تكون الصورة قبل إزالة الترايكوم محجوبة جزئيا مع انطباعات التريشوم. (ب) تتحسن جودة الصورة بعد إزالة الترايكوم. (ج) عند صورة تكبير 400x قبل إزالة الترايكوم، تكون الصورة في الغالب محجوبة بطبعات الترايشوم. (د) يكون الانسداد ضئيلا في الصورة بعد إزالة التريكوم باستخدام شفرة حلاقة. أشرطة المقياس 100 ميكرومتر (A, B) و50 ميكرومتر (C, D). يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 2
الشكل 2: الخطوات المتتالية لبروتوكول التصفية. توضح الصور التمثيلية ل T. officinale و F. excelsior و F. carica المراحل المتعاقبة من بروتوكول التصفي. (A-C) أوراق طازجة. (د-ف) يغادر بعد التنظيف مع NaOH. (G-I) يغادر بعد التبييض باستخدام NaClO. (J-L) تترك الأوراق بعد تلطينه ب O الأزرق التولويدين. تعرض هذه الأداة البصرية المظهر المتوقع للعينة قبل الانتقال إلى الخطوة التالية وتبرز تباين البروتوكول بين الأنواع. تم إدراج F. carica كنوع استثنائي لإثبات تطبيق البروتوكول عبر نطاق أوسع من أشكال الأوراق والأوردة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3
الشكل 3: أمثلة على قياسات الصفات الثغرية والبشرية. تظهر الصفات المقاسة في الصورة كما يلي: As = مساحة الثغور؛ Ls = طول الثغور؛ Ws = عرض الثغور؛ Ae = منطقة الخلية البشرية. تم حساب كثافة الثغر وكثافة الخلايا البشرية ضمن المنطقة المحددة كما هو موضح في البروتوكول. الصورة بتكبير 400x. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 4
الشكل 4: مقارنة الصور التي تم الحصول عليها مع بروتوكول التنظيف وبروتوكول التقشير. صور تمثيلية ل T. officinale و F. excelsior تقارن بين صور التنظيف وتقشير الثغور التي تظهر رؤية وتغير حجم وكثافة خلايا الثغور والبشرة. المقياس 50 ميكرومتر، والصور تلتقط بتكبير 400x. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 5
الشكل 5: الاختلافات في نتائج قياس السمات اليدوية بين بروتوكول التنظيف والتقشير. مخططات صندوقية تظهر الفروقات في الصفات الثغرية والبشرة بين طرق التنظيف وتقشير البشرة في T. officinale و F. excelsior. (أ) متوسط مساحة الثغر (ب) متوسط عرض الثغر (ج) كثافة الثغور (د) متوسط مساحة خلايا البشرة، و(ه) كثافة خلايا الجلد. تشير العلامات النجمية إلى مستويات الدلالة الإحصائية (P < 0.05؛ *P < 0.01؛ **P < 0.001). تم تقييم الدلالة الإحصائية باستخدام تحليل أنوفاي أحادي الاتجاه تلاه اختبار توكي لما بعد التحليل الهوكي لتقنية HSD. حجم العينة لكل مجموعة: n = 3-5. الاختصارات: As = مساحة الثغور؛ Ws = عرض الثغور؛ SD = كثافة الثغور؛ Ae = منطقة الخلية البشرية؛ ECD = كثافة خلايا البشرة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 6
الشكل 6: مثال على نتائج التقسيم باستخدام نموذج كشف الثغور على عينة التقشير. نتيجة تقسيم StoManager1 لعينة مقشرة من T. officinale (الجانب السفلي من ورقة ناضجة مكشوفة بالظل)، مما يظهر دقة كشف جيدة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 7
الشكل 7: مثال على نتيجة التقسيم باستخدام نموذج كشف الثغور على العينة التي تم إزالتها. نتيجة تقسيم StoManager1 لعينة تم تنظيفها من T. officinale (الجانب السفلي من ورقة ناضجة مكشوفة بالظل)، أظهرت دقة اكتشاف أقل مقارنة بالعينات المقشرة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 8
الشكل 8: الاختلافات في نتائج قياس السمات بمساعدة الذكاء الاصطناعي بين بروتوكول التنظيف والتقشير. مخططات مربعة تظهر قياسات مشتقة من الذكاء الاصطناعي لصفات تشريح الثغور من صور تمت معالجتها بواسطة StoManager1 في T. officinale و F. excelsior. تشمل السمات مساحة الثغور (As)، عرض الثغور (Ws)، طول الثغور (Ls)، وكثافة الثغور (Ds). الوحدات كما في الشكل 5. تم تقييم الدلالة الإحصائية باستخدام تحليل أنوفاي أحادي الاتجاه تلاه اختبار توكي لما بعد التحليل الهوكي لتقنية HSD. تشير العلامات النجمية إلى مستويات الدلالة الإحصائية (P < 0.05؛ *P < 0.01؛ **P < 0.001). حجم العينة لكل مجموعة: n = 3-5. الاختصارات: As = مساحة الثغور؛ Ws = عرض الثغور؛ Ls = طول الثغور؛ Ds = كثافة الثغور. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 9
الشكل 9: لقطات شاشة تظهر التقسيم باستخدام أداة التعلم العميق العامة ومصنف يعتمد على البكسل. تقشير عينة F. excelsior (سطح الأوراق الجزئي) باستخدام (A) أداة التعلم العميق العامة (Cellpose (cyto2))، و(B) مصنف يعتمد على البكسلات (ilastik). يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 10
الشكل 10: قناع تقسيم إيلاستيك لعينة مقشرة من F. excelsior (الجانب السفلي من ورقة)، تظهر العديد من الإيجابيات الكاذبة. النقاط الصغيرة تصنف بشكل خاطئ كخلايا بشرية مميزة. خلال المعالجة اللاحقة، يتطلب الأمر الفحص اليدوي (البصري) لتحديد عتبات بناء على الحجم لتصفية الإيجابيات الكاذبة بفعالية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الحلالتحضيرالمجلد الأخير
القاعدة للمخزن المؤقت 17.12 جرام (Na2HPO4 *2H2O) في 200 مل من الدي. H2O200 مل
القاعدة للمخزن المؤقت 27.12 جرام من Na2HPO4 *2H2O) في 200 مل من الفاصلة. H2O200 مل
عازل الفوسفاتاخلط 36 مل من القاعدة 1، 14 مل من القاعدة 2 + 50 مل من الفاصلة. H2O100 مل
الحل التثبيتياخلط 9.25 مل من 5٪ جلوتارالديهيد مع 12.5 مل من حاجز الفوسفات و28.25 مل من الديست. H2O50 مل

الجدول 1: وصفة المحلول المثبت24. تركيب الحلول المستخدمة في هذه الدراسة.

الأنواعالجانبالطريقةرجل (أس)الذكاء الاصطناعي (A)رجل (Ws)الذكاء الاصطناعي (Ws)رجل (Ls)الذكاء الاصطناعي (Ls)
فراكسينوسالمحور المحوريالتقشير177.439.3212.712.8517.583.58
تاراكساكومالمحور المحوريتم التنظيف408.0918.8420.14.1926.145.39
تاراكساكومالمحور المحوريالتقشير262.5413.9315.183.4722.24.68
تاراكساكومالمحورتم التنظيف414.4814.9120.113.4426.095.71
تاراكساكومالمحورالتقشير258.7211.3715.723.321.154.08

الجدول 2: مقارنات إرشادية بين القياسات اليدوية والذكاء الاصطناعي. ML (StoManager1) تم توسيع نتائجه. الإنسان والذكاء الاصطناعي يشيران، بالمقابل، إلى نتائج يدوية وذكاء اصطناعي (StoManager1). الوحدات كما في الشكل 5. تختلف القياسات اليدوية والقياسات الذكية بشكل كبير. بعض المقارنات غير متوفرة لأسباب مختلفة، بما في ذلك فقدان الثغور (مثل F. excelsior المحوري) أو فشل الكشف (مثلا، كانت الثغور أصعب في الاكتشاف في العينات التي تم إزالتها بسبب خطوط الخلايا الضبابية).

الشكل الإضافي 1: أمثلة على الأخطاء الشائعة التي تحدث أثناء إزالة الأوراق والتي تؤثر على النتائج. الصور المعروضة لأغراض استكشاف الأخطاء: (أ) تلوين غير متساو بسبب إعادة ترطيب العينة بشكل غير كامل خلال القسم 3.10؛ (ب) الضرر الميكانيكي الناتج عن سوء التعامل مع العينة المعالجة كيميائيا الهشة جدا؛ (ج) اللون الأخضر في مركز العينة بسبب إزالة غير كاملة للكلوروفيل خلال القسم 3.5. يرجى الضغط هنا لتحميل هذا الشكل.

الشكل الإضافي 2: مثال على واجهة المستخدم StoManager1. لقطة شاشة لواجهة المستخدم StoManager1 تظهر إعداد الإدخال وجدول النتائج (على اليسار)، وعرض المجهري مع الصور الأصلية (أعلى اليمين) وتراكب كشف الثغور (أسفل اليمين، السطح المحوري لعينة تقشرية من T. officinale ). يرجى الضغط هنا لتحميل هذا الشكل.

الشكل الإضافي 3: مثال على واجهة مستخدم Cellpos. لقطة شاشة لتقسيم وضع الخلية جارى عبر واجهة المستخدم الرسومية مع معلمات قابلة للتعديل (مثل اختيار النموذج - نموذج cyto2 المدرب مسبقا الموصى به أو نموذج مدرب مخصصا، العتبات، ومعايرة قطر الخلية). يبرز التعليق اليدوي المراقب لخلايا البشرة كل خلية بلون فريد لتوجيه معايرة النماذج. تظهر الطبقة العرضية تقسيم تقشير البشرة الجنسي F. excelsior . يرجى الضغط هنا لتحميل هذا الشكل.

الشكل الإضافي 4: عملية تقسيم الإيلاستيك. توضح الطبقة العرضية تصنيفا معتمدا على البكسل على صورة تقشير البشرة الجينية F. excelsior . (أ) لقطة شاشة لتقسيم العضلات المرنة جارية تظهر تدريبا تحت إشراف مع فئات مصنفة يدويا: خلايا البشرة (صفراء)، خطوط الخلايا (زرقاء)، وخلفية غير بشرية مثل الترايكومات (الأحمر). (ب) لقطة شاشة تظهر فقط فئة البشرة (أصفر)، توضح كيف يعزل المصنف الخلايا الفردية للبشرة. لاحظ وجود عدة اكتشافات "صغيرة" إيجابية خاطئة، خاصة في المناطق ذات التباين المنخفض أو الإضاءة غير المتساوية. (ج) لقطة شاشة تظهر فقط فئة الكونتور (أزرق)، توضح كيف يعزل المصنف حدود الخلايا من نسيج البشرة المحيط. لاحظ أن بعض الخطوط الكنتورية غير متصلة وأن عدة اكتشافات إيجابية كاذبة "صغيرة" تحدث بشكل كبير، خاصة في المناطق ذات التباين المنخفض أو الإضاءة غير المتساوية. (د) لقطة شاشة تظهر صف الخلفية. يبرز القناع مجمعات الثغور، والترايكومات الغدية، والحطام المتنوع (الأحمر)، مع استبعاد أجسام خلايا البشرة. تظهر العديد من الاكتشافات الصغيرة الإيجابية الكاذبة "الصغيرة" داخل مناطق البشرة، ناتجة عن التشويهات الرمادية والتصنيف الخاطئ القائم على القوام. يرجى الضغط هنا لتحميل هذا الشكل.

الشكل الإضافي 5: إعدادات تدريب وضعية الخلية. مثال على إعدادات تدريب وضع الخلية (GUI) لعينة T. officinale تم تنظيفها (كلا سطحي الورقة)، وتعرض معلمات النموذج الافتراضية قبل التعديل. يتم اختيار نموذج cyto2 المدرب مسبقا، بمعدل تعلم 0.1 و100 فترة تدريب (القيم الافتراضية)، والتي تحددان سرعة تحديث أوزان النموذج وعدد تمريرات التدريب على التوالي. عادة ما يتم تعديل هذه الافتراضيات (مثل معدل التعلم = 0.15؛ فترات = 12) لتقليل وقت التدريب وتكييف النموذج مع شكل جلد النبات؛ ومع ذلك، قد تقلل أرقام العصر المنخفض أداء الكشف وتزيد من الإيجابيات الكاذبة. يرجى الضغط هنا لتحميل هذا الشكل.

الشكل الإضافي 6: قناع وضع الخلية "الملصق". تطبيق قناع "تسميات" Cellpose على عينة F. excelsior مقشرة (سطح ورقة الركب)، موضحا نتيجة التدريب المراقب حيث يتم تعيين معرف فريد لكل كائن مقسم. تسيطر الخلايا الجلدية (الموسومة بعلامة e)، بينما يتم أيضا اكتشاف أزواج خلايا حماية الثغور (الموسومة ب g). تظهر الإيجابيات الكاذبة عندما يتم تصنيف الترايكومات بشكل خاطئ كخلايا بشرية (أعلى يسار) أو ثغور (أسفل الوسط)، وكذلك السلبيات الكاذبة حيث تبقى خلايا البشرة غير موسومة عبر أجزاء من الصورة. يستخدم هذا النوع من القناع في القياس القياسي اللاحق وتحسين النماذج الخاضعة للإشراف. يرجى الضغط هنا لتحميل هذا الشكل.

الشكل التكميلي 7: قياس الخلايا المجزأة للبشرة في ImageJ/Fiji. لقطات شاشة تظهر قياس خلايا البشرة المجزأة بعد تصنيف البكسل المرن لعينة F. excelsior مقشرة (سطح الورقة السفلي). (أ) في القناع المصدر، كل عنقود بكسل مكتشف يتوافق مع جسيم فردي، مما يتيح استخراج تلقائي لمقاييس مستوى الكائن (مثل المساحة، المحيط، أقطار فيريت). نافذة النتائج (في الأسفل) تعرض قياسات خام لآلاف الأشياء؛ لاحظ العدد الكبير جدا من الجسيمات الصغيرة الناتجة عن ضوضاء نقاط "صغيرة" وخطوط مجزأة، مما يشير إلى وجود العديد من الإيجابيات الكاذبة. تتطلب هذه القطع ترشيح بيولوجيا لاحقا لعزل الخلايا البشرية الحقيقية قبل التحليل الإحصائي اللاحق. (ب) الترشيح القائم على المنطقة للأجسام الجلدية المقسمة إلى مقطع إيلاستيك في ImageJ/فيجي. يتم استبعاد الشظايا الصغيرة والضوضاء بتطبيق حد أدنى للمساحة بين 150-350 ميكرومتر مربع، مما يقلل عدد الجسيمات المكتشفة بحوالي عشرة أضعاف (عشرة أضعاف) مقارنة بالقناع غير المصفى في اللوحة A. على الرغم من أن هذه الخطوة التصفية تزيل بشكل كبير الإيجابيات الكاذبة الصغيرة، إلا أن التصنيف غير الكامل لا يزال قائما: تبقى الخطوط المجزأة والعناصر غير البشرية المتبقية وتتطلب تحسينات إضافية، مثل عتبات الدائرية أو الفحص البيولوجي بعد الفحص. يرجى الضغط هنا لتحميل هذا الشكل.

الشكل الإضافي 8: المعالجة اللاحقة لقناع "تسميات" Cellpose في ImageJ/Fiji. باستخدام إضافة Labels to ROIs لعينة F. excelsior مقشرة (سطح ورقة الأسفل المحوري)، يتم تحويل كل جسم مقسم في القناع إلى منطقة اهتمام (ROI)، مما يتيح الفحص والقياس الفردي لخلايا البشرة ومجمعات خلايا الحماية في الثغور. يتم وضع ROIs فوق المجهري الأصلي (على اليسار)، بينما تعرض نافذة النتائج (أسفل اليمين) مقاييس مستوى الخلية (مثل المساحة، أقطار فيريت، المحيط). تمكن هذه الخطوة من التنظيم البيولوجي المستنير، مما يسمح للمستخدمين بالتحقق مما إذا كان كل عائد على الاستثمار يتوافق مع خلية بشرية حقيقية وتجاهل الشوائب مثل التريخومات أو الثغور المقسمة بشكل خاطئ التي تبقى بعد ترشيح العتبة، مما يوجه خطوات التحليل اللاحقة. يرجى الضغط هنا لتحميل هذا الشكل.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

للحصول على قياسات الثغور المتسقة، يجب أخذ التقشير من الصفيحة المركزية للحصول على نتائج موحدة، مع تجنب الأوردة الرئيسية، حيث تظهر كثافة الثغور تغيرا قويا داخل الأوراق، حيث تتناقص نحو قاعدة الأوراق والطرف والهوامش25,26. تعطي الأوراق الطازجة أكثر التقشيرات موثوقية، بشرط استخدام طلاء أظافر شفاف غير قابل للانكماش وشريط شفاف عالي الجودة لتجنب التشوه أو الآثار الأثرية. التأخيرات التي تتجاوز ~12 ساعة تقلل من وضوح الملامح بسبب الجفاف. نظرا لأن التقشيرات تركب مؤقتا وقد تحبس الهواء، ينصح بالتصوير المبكر، لكن الجودة تظل مقبولة أيضا بعد شهر واحد.

توجد طرق تنظيف مختلفة لأنواع الأنسجة المحددة، وأهداف التصوير، واعتبارات السلامة13،14،15. تم إجراء التنظيف الكيميائي باستخدام بروتوكول مائي قائم على NaOH لسهولة الوصول إليه، وانخفاض سميته، وتطبيقه الواسع عبر أنواع الأوراق. نظرا لاختلاف استجابات الأنسجة بين الأنواع، فإن الاختبار والتحسينات مطلوبة. قد تتطلب الأوراق المتصلبة التصلبة ≥أسبوعين، ويمكن للأنسجة الخضراء المتبقية أن تعيق التصبغ وتخفي الخصائص التشريحية (الشكل التكميلي 1C). لإزالة الأسرع، يمكن زيادة تركيز NaOH إلى 2.5 M أو 5 M. تصبح الأوراق اللينة هشة بعد التبييض (القسم 3.7؛ الشكل الإضافي 1B)، والتعرض المفرط لهيبوكلوريت الصوديوم (NaClO) يمكن أن يؤدي إلى تحلل الأنسجة أو تسبب انفصال الطبقة البشرية. بينما يكفي التبييض لمدة 30 ثانية إلى دقيقتين لمعظم الأوراق الطرية، قد تحتاج الأنواع الأكثر صلابة إلى ساعةو27 ساعة. على الرغم من أن عملية التنظيف أبطأ من تحضير التقشير، حيث تتطلب ~5 أيام وبدون تدريب متخصص، إلا أنه يمكن تعديلها لتناسب أنواع متنوعة. يمكن تخزين العينات المصففة والملونة في ماء مقطر عند 4°C، مع توصية بتركيب دائم للحفظ طويلالأمد 15,27.

اكتشف StoManager1 الخاص بالثغر بشكل موثوق مجمعات الثغور عبر معظم أنواع الصور (الشكل التكميلي 2)، مع نتائج الكشف التي تتوافق عموما مع التعليق اليدوي للطرق القائمة على التقشير. ومع ذلك، اختلفت قياسات مساحة الثغور بشكل منهجي عن القياسات اليدوية (الجدول 2)، مما استلزم معايرة بناء على مجموعة صغيرة مقاسة يدويا (مثل 10-20 ثغور لكل نوع) قبل التحليل واسع النطاق. يزيد StoManager1 بشكل كبير من معدل الإنتاجية، مع الحاجة إلى التحقق اليدوي في الحالات غير القياسية.

يعد تقسيم الثغرة والبشرة المتزامن تحديا لأن الحدة المثلى تختلف، كما أن التباين في الشكل ووضوح الغشاء يسبب خطأ في التقسيم. بنفس الطريقة التي يفقد بها التدريب على مجموعة الصور الكبيرة (مثل الأسطح المحورية/الخلفية، المقشرة أو النظيفة) الخصوصية. لا يوجد نموذج خلوي مدرب مسبقا لبشرة النبات؛ نماذج "سايتو" و"سايتو2" القياسية، المدربة بشكل أساسي على الخلايا الحيوانية، تؤدي أداء ضعيفا في صور البشرة. لذلك يطلب التدريب المخصص لضمان الموثوقية (القسم التكميلي 2). حتى بعد التدريب، تظل التقسيم الزائد والإيجابيات الكاذبة شائعة، خاصة في الصور منخفضة التباين أو غير واضحة (الشكل التكميلي 3).

في القسم الإضافي (القسم التكميلي 3، الشكل التكميلي 4)، يجب إنشاء أقنعة كائنات لفئات الخلايا المستهدفة (مثل الفئة 1 للبشرة)، مع الاحتفاظ بأقنعة الفئة للتدقيق والتصحيح اليدوي. يمكن للمعالجة الدفعية وسير العمل اللاحق في ImageJ/Fiji توفير الوقت وتقليل الأخطاء اليدوية. الترشيح المتسق حسب المنطقة أو الانحراف المعياري أو الكميات ضروري لقمع الضوضاء والاكتشافات الزائفة. بعد التصفية، يقترب متوسط مساحة الخلية وعدد الخلايا من القيم اليدوية. يظل المقارنة مقابل القياسات اليدوية وأدوات تعلم الآلة البديلة (Weka، RootPainter) ضروريا لضبط المعلمات وتقييم جودة التقسيم. معالجة دفعات التعلم الآلي تستهلك موارد مكثفة. يتطلب التدريب المستقر والتقسيم الدفعي واسع النطاق بطاقة رسومات متوافقة مع NVIDIA CUDA وذاكرة RAM بسعة ≥32 جيجابايت. في الأنظمة متوسطة المدى (مثل ذاكرة 16 جيجابايت مع رسومات مدمجة)، يتطلب التدريب المراقب عادة ~5-10 دقائق ل <10 صور، وغالبا ما يتعطل عند استخدام عدة فئات توضيحية أو أنواع صور متنوعة. زادت CUDA من سرعة المعالجة بمقدار ~10-20 ضعف مقارنة بتنفيذ وحدة معالجة المعالجة المركزية أو المعالج الرسومي المدمج.

الاختلافات في الأداء بين Cellpose وilastik وStoManager1 تنشأ من تمثيلات الميزات المميزة لديها. تتنبأ Cellpose بالحقول المتجهية والتدفق نحو مراكز الأجسام وهي حساسة للهالات البصرية والحدود الانكسارية المفاجئة، التي تعطل التدفق وتولد مجموعات من الإيجابيات الكاذبة في F. excelsior الذي تم تطهيره. إيلاستيك، كمصنف بكسل موجه من قبل الإنسان، يقسم جدران خلايا الرصف عالية البروز أو الهالات ما لم يصنف صراحة كخلفية. يكتشف StoManager1 مجمعات الثغور باستخدام أنماط شكل على مستوى الجسم (خلايا حراسة مزدوجة مع مسام مركزية) ويؤدي أداء جيدا في تحضيرات التقشير، بما في ذلك F. excelsior28؛ ومع ذلك، يؤثر التمويه الناتج عن الهالة على رؤية المسام عند التنظيف لإنتاج سلبيات خاطئة بدلا من التصنيف الخاطئ (القسم 1 و3 من الملف التكميلي). وبناء عليه، يعمل Cellpose وStoManager1 كمقسمين آليين، بينما يعمل ilastik كمصنف موجه من قبل الإنسان (القسم 1-3 من الملفات الإضافية)28.

تعدل بنية الخلايا الخاصة بالنوع أداء الذكاء الاصطناعي. في T. officinale، تتطابق هوامش الخلايا الحراسية الناعمة والبيضاوية مع توزيع تدريب StoManager1، مما يتيح الكشف على العينات المقشرة (الشكل التكميلي 2)، بينما كانت الأدوات العامة غالبا ما تخلط بين خلايا الحماية وخلايا الرصف. في F. excelsior، تؤدي الثغور الغائرة وخلايا الرصف عالية البروز إلى سلبيات زائفة في الصور النظيفة. تعكس هذه التناقضات هندسة التصوير المعتمدة على النوع والتحضير. تنشأ الفروق المنهجية بين القياسات اليدوية والقياسات المشتقة من الذكاء الاصطناعي من مصدرين: نقص ترميز المقياس من الصورة بواسطة الذكاء الاصطناعي والتشويشات البصرية الناتجة عن التحضير. تشمل استراتيجيات التخفيف الفرز البصري للضبابية والهالات الناتجة عن تحضير الأنسجة، والاستخدام التفضيلي للتقشير في الظروف الموضحة أعلاه، والمعايرة اليدوية مع التصحيح الخطي على مجموعة صغيرة من الثغور (يدوي = a + b × AI). تشمل الاستراتيجيات الإضافية التعزيز الخاص بالتصنيف وتصميم الفئات المساعدة للتدريب (ومع ذلك، من المرجح أن يظل المدربون أنفسهم أقل من النماذج المدربة مسبقا على مجموعات بيانات كبيرة ومتنوعة)، وترشيح الكميات العليا بعد التقسيم.

نظرا لأن أخطاء تقسيم الذكاء الاصطناعي منهجية وغير عشوائية، فإن المعالجة اللاحقة ضرورية. يمكن لتشخيصات جودة الصورة اتباع شجرة قرار بسيطة. ابدأ بفحص التباين والحدة في البشرة: إذا كان حادا، انتقل إلى الإيجابيات الكاذبة؛ إذا كان الوضع ضبابيا، توقع تشوهات صغيرة عالية التردد وقم بتعديل الفلاتر. إذا كانت الإيجابيات الكاذبة (مثل النقاط، الحطام) قليلة، فإن ±2-3 ترشيح القيم الشذاذ SD عادة ما يكون كافيا. إذا كانت التشويشات الصغيرة هي السائدة، استخدم الترشيح القائم على الكم. ثم قارن توزيعات السمات (مثل الوسيط Ae) بالتوقعات البيولوجية أو البيانات اليدوية. قم بتحسين العتبات حسب الحاجة - حيث يحافظ فقط على كميات أعلى من 10-50٪ في مجموعات البيانات الغنية بالقطع الأثرية ويضمن مخرجات ذات معنى (الأشكال الإضافية 7 و8). نظرا لمعدلات الإيجابيات الكاذبة العالية التي تنتجها أدوات ML للبشرة، لم يكن بالإمكان استخلاص تقديرات كثافة الثغور الموثوقة تلقائيا، في حين قدم StoManager1 قياسات دقيقةللثغور 28 عندما كانت الحدود واضحة (انظر الأشكال 6 و7). بالنسبة للوسيط البشري، أثبتت Ae قوة، حيث كانت أقل حساسية للإيجابيات الكاذبة الصغيرة من المتوسط.

اختيار الطريقة أثر على اكتشاف السمات. تفوق التقشير على إزالة الثغور من حيث كثافة الثغور من خلال كشف الثغور بالكامل (الشكل 3)، بينما غالبا ما كان التنظيف يخفي الثغور الصغيرة في الأنسجة الطبقية أو المصبوغة، رغم الحفاظ أحيانا بشكل أفضل على شكل الثغور27. من بين أدوات الذكاء الاصطناعي، قدم StoManager1 باستمرار قياسات ثغور قوية مع تنظيم محدود، خصوصا في تحضيرات التقشير23، كما حسن التقشير قياسات البشرة من خلال زيادة الخلايا المحددة بشكل صحيح وتغطية الصورة2. من المرجح أن تأتي المكاسب المستقبلية من نماذج كبيرة ومتنوعة تصنيفيا مدربة مسبقا للدمج في خطوط التصوير الآلي لعلم البيئة وتحسين المحاصيل.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون عدم وجود تضارب مصالح.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقر المؤلفون ببرنامج الاتحاد الأوروبي H2020 (المشروع GAIN4CROPS، GA رقم 862087). مركز التميز الزراعي الزراعي المستقبلي وزراعة المحاصيل الجديدة في المناخات المستقبلية (وزارة التعليم والبحث الإستوني)، مجلس البحوث الإستوني (PRG 3201 وPRG 2207 و TARISTU24-TK28).

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
منظف سائل مطهر NaClO & lt 5%دومستوس، بريطانيا العظمىH000023244  حروق جلدية  
ثنائي هيدرات فوسفات الهيدروجين ثنائي الصوديوم (Na2HPO4. 2H2O) بينتا، زيزود10028-24-7NA
إيثانول، 100٪ إيثانول.مختبر الكيمياء NV، BECL00.0505.1000  شديدة الاشتعال
قارورة زجاجية بسعة 2 ملVWR علوم الحياة، الولايات المتحدة548-0045
محلول غلوتارالديهيد بنسبة 50٪VWR علوم الحياة، الولايات المتحدة23H2856331قاتل إذا استنشقت. سام إذا ابتلعت.  ارتد قفازات واقية،   الملابس،   نظارات.
شرائح المجهرنورماكس، PT5470308ANA
طبقة علوية للعناية بالأظافر تجف بسرعةBfigure-materials-1K (إينيزا)، ملازمLT-02244NA
نيكون إكليبس E600 ونيكون DS0Fi1 بسعة 5 ميجابكسلشركة نيكون (Nikon Corporation)، JPhttps://www.microscopyu.com/museum/eclipse-e600NA
رؤوس البيبيت والماصةالعلم الحراري، FIKJ16047NA
شفرات فولاذية ذات حافة واحدةآلات أكسفورد51-1625-0182NA
ديهيدرات فوسفات الصوديوم ثنائي هيدروجين (NaH2PO4 . 2H2O) نقيبينتا، زيزود13472-35-0NA
حبيبات هيدروكسيد الصوديوم (NaOH) نقيةميرك KGaA، ديلاوير1310-73-2حروق شديدة.
شريط شفاف للقرطاسيةفوروفيس، ليفوس91231NA
تولويدين الأزرق، درجة عامةثيرموفيشر ساينتفيك، بريطانيا العظمى2045836NA

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lawson, T., Blatt, M. R. Stomatal size, speed, and responsiveness impact on photosynthesis and water use efficiency. Plant Physiol. 164 (4), 1556-1570 (2014).
  2. Smith, E. N., et al. Improving photosynthetic efficiency toward food security: Strategies, advances, and perspectives. Mol Plant. 16 (10), 1547-1563 (2023).
  3. Flexas, J., et al. What can we learn from the ecophysiology of plants inhabiting extreme environments? from "sherplants" to "shercrops.". J Exp Botany. 76 (17), 4831-4848 (2025).
  4. Wu, S., Zhao, B. Using clear nail polish to make Arabidopsis epidermal impressions for measuring the change of stomatal aperture size in immune response. Plant Pattern Recognit Recept.: Methods Protoc. 1578, 243-248 (2017).
  5. Kübarsepp, L., Laanisto, L., Niinemets, Ü, Talts, E., Tosens, T. Are stomata in ferns and allies sluggish? Stomatal responses to CO, humidity and light and their scaling with size and density. New Phytol. 225 (1), 183-195 (2020).
  6. Pathoumthong, P., Zhang, Z., Roy, S. J., El Habti, A. Rapid non-destructive method to phenotype stomatal traits. Plant Methods. 19 (1), 36(2023).
  7. Warner, C. A., Biedrzycki, M. L., Jacobs, S. S., Wisser, R. J., Caplan, J. L., Sherrier, D. J. An optical clearing technique for plant tissues allowing deep imaging and compatible with fluorescence microscopy. Plant Physiol. 166 (4), 1684-1687 (2014).
  8. Petruzzellis, F., et al. Plasticity of functional traits of tree of heaven is higher in exotic than in native habitats. Trees. 33 (2), 411-420 (2019).
  9. Kurihara, D., Mizuta, Y., Nagahara, S., Sato, Y., Higashiyama, T. Optical clearing of plant tissues for fluorescence imaging. J Vis Exp. (179), e63428(2022).
  10. Hériché, M., Arnould, C., Wipf, D., Courty, P. E. Imaging plant tissues: advances and promising clearing practices. Trends Plant Sci. 27 (6), 601-615 (2022).
  11. Ensikat, H. J., Malekhosseini, M., Rust, J., Weigend, M. Visualisation of calcium oxalate crystal macropatterns in plant leaves using an improved fast preparation method. J Microsc. 290 (3), 168-177 (2023).
  12. Li, Y. M., Fei, T., Zhang, H. X., Xie, Z. S., Li, B. Observation of the development of leaf vein and stomata and identification of candidate transcription factors related to vein/stoma development in grapevine leaf (Vitis vinifera L.). Sci Hortic. 307, 111-518 (2023).
  13. Richardson, D. S., Lichtman, J. W. Clarifying tissue clearing. Cell. 162 (2), 246-257 (2015).
  14. Ariel, P. A beginner's guide to tissue clearing. Int J Biochem Cell Biol. 84, 35-39 (2017).
  15. García-Gutiérrez, E., Ortega-Escalona, F., Angeles, G. A novel, rapid technique for clearing leaf tissues. Appl Plant Sci. 8 (9), e11391(2020).
  16. Sai, N., et al. StomaAI: an efficient and user-friendly tool for measurement of stomatal pores and density using deep computer vision. New Phytol. 238 (2), 904-915 (2023).
  17. Liu, C., Sack, L., Li, Y., Zhang, J., Yu, K., Zhang, Q., He, N., Yu, G. Relationships of stomatal morphology to the environment across plant communities. Nat Commun. 14, 42136(2023).
  18. Lawson, T., Vialet-Chabrand, S. Speedy stomata, photosynthesis and plant water use efficiency. New Phytolt. 221 (1), 93-98 (2019).
  19. Stein, R. A., Sheldon, N. D., Smith, S. Y. comparing methodologies for stomatal analyses in the context of elevated modern CO2. Life. 14 (1), 78(2024).
  20. Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nat Methods. 9 (7), 676-682 (2012).
  21. R Core Team. R: A language and environment for statistical computing. , R Foundation for Statistical Computing. Vienna, Austria. (2025).
  22. Gibbs, J. A., Burgess, A. J. Application of deep learning for the analysis of stomata: a review of current methods and future directions. J Exp Bot. 75 (21), 6704-6718 (2024).
  23. Wang, J., Renninger, H. J., Ma, Q., Jin, S. Measuring stomatal and guard cell metrics for plant physiology and growth using StoManager1. Plant Physiol. 195 (1), 378-394 (2024).
  24. Rikisahedew, J. J., Niinemets, Ü, Scodeller, R., Tosens, T. Assessing structural traits in Triticum aestivum and Zea mays for C and C photosynthetic differentiation using free-hand and semi-thin sections. J Vis Exp. (209), e66843(2024).
  25. Poole, I., Weyers, J. D. B., Lawson, T., Raven, J. A. Variations in stomatal density and index: implications for palaeo climatic reconstructions. Plant Cell Environ. 19 (6), 705-712 (1996).
  26. Smith, S., Weyers, J. D. B., Berry, W. G. Variation in stomatal characteristics over the lower surface of Commelina communis leaves. Plant Cell Environ. 12 (6), 653-659 (1989).
  27. Niewiadomski, I., et al. A comprehensive illustrated protocol for clearing, mounting, and imaging leaf venation networks. Appl Plant Sci. 13 (2), (2025).
  28. Wang, J., Renninger, H. J., Ma, Q. Labeled temperate hardwood tree stomatal image datasets from seven taxa of Populus and 17 hardwood species. Sci Data. 11 (1), (2024).

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

Stomatal TraitsEpidermal TraitsEpidermal PeelsLeaf ClearingAI Image AnalysisStomatal MorphologyCell SegmentationTrait QuantificationDeep Learning ToolsStomatal Detection
الفيديو قريباً

مقالات ذات صلة