Name: Bildgebung und Analyse zur Quantifizierung der abiotischen Stressphänotypen von Mais (Zea mays) (Video) | JoVE Journal
Uploaded: 2025-03-28T13:35:00.000+00:00
Duration: 6 min 41 s
Description: Lernen Sie eine kostengünstige Bildgebungsmethode zur Quantifizierung abiotischer Stressphänotypen bei Zea mays. Diese Technik erfasst Blattfläche, Höhe und Farbton schnell und korreliert stark mit der Biomasse.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol><li>Xiao, Q., Bai, X., Zhang, C., He, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Advanced+high-throughput+plant+phenotyping+techniques+for+genome-wide+association+studies%3A+A+review%5BTitle%5D)+AND+%22J+Adv+Res%22%5BJournal%5D)">Advanced high-throughput plant phenotyping techniques for genome-wide association studies: A review.</a> J Adv Res. 35, 215-230 (2022).</li>
<li>Mutka, A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((image-based+phenotyping+methods+provide+insight+into+spatial+and+temporal+dimensions+of+plant+disease%5BTitle%5D)+AND+%22Plant+Physiol%22%5BJournal%5D)">image-based phenotyping methods provide insight into spatial and temporal dimensions of plant disease.</a> Plant Physiol. 172 (2), 650-660 (2016).</li>
<li>Mutka, A. M., Bart, R. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Image-based+phenotyping+of+plant+disease+symptoms%5BTitle%5D)+AND+%22Front+Plant+Sci%22%5BJournal%5D)">Image-based phenotyping of plant disease symptoms.</a> Front Plant Sci. 5, 734(2014).</li>
<li>Fahlgren, N., Gehan, M. A., Baxter, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Lights%2C+camera%2C+action%3A+High-throughput+plant+phenotyping+is+ready+for+a+close-up%5BTitle%5D)+AND+%22Curr+Opin+Plant+Biol%22%5BJournal%5D)">Lights, camera, action: High-throughput plant phenotyping is ready for a close-up.</a> Curr Opin Plant Biol. 24 (2), 93-99 (2015).</li>
<li>Das Choudhury, S., Samal, A., Awada, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Leveraging+image+analysis+for+high-throughput+plant+phenotyping%5BTitle%5D)+AND+%22Front+Plant+Sci%22%5BJournal%5D)">Leveraging image analysis for high-throughput plant phenotyping.</a> Front Plant Sci. 10, 508(2019).</li>
<li>Yang, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Crop+phenomics+and+high-throughput+phenotyping%3A+Past+decades%2C+current+challenges%2C+and+future+perspectives%5BTitle%5D)+AND+%22Mol+Plant%22%5BJournal%5D)">Crop phenomics and high-throughput phenotyping: Past decades, current challenges, and future perspectives.</a> Mol Plant. 13 (2), 187-214 (2020).</li>
<li>Omari, M. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Digital+image-based+plant+phenotyping%3A+A+review%5BTitle%5D)+AND+%22Korean+J+Agric+Sci%22%5BJournal%5D)">Digital image-based plant phenotyping: A review.</a> Korean J Agric Sci. 47 (1), 119-130 (2020).</li>
<li>Schindelin, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fiji%3A+An+open-source+platform+for+biolFiogical-image+analysis%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fiji: An open-source platform for biolFiogical-image analysis.</a> Nat Methods. 9 (7), 676-682 (2012).</li>
<li>Gehan, M. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PlantCV+v2%3A+Image+analysis+software+for+high-throughput+plant+phenotyping%5BTitle%5D)+AND+%22PeerJ%22%5BJournal%5D)">PlantCV v2: Image analysis software for high-throughput plant phenotyping.</a> PeerJ. 5, e4088(2017).</li>
<li>Murphy, K. M., Ludwig, E., Gutierrez, J., Gehan, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+learning+in+image-based+plant+phenotyping%5BTitle%5D)+AND+%22Annu+Rev+Plant+Biol%22%5BJournal%5D)">Deep learning in image-based plant phenotyping.</a> Annu Rev Plant Biol. 75 (1), 771-795 (2024).</li>
<li>Fahlgren, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+versatile+phenotyping+system+and+analytics+platform+reveals+diverse+temporal+responses+to+water+availability+in+Setaria%5BTitle%5D)+AND+%22Mol+Plant%22%5BJournal%5D)">A versatile phenotyping system and analytics platform reveals diverse temporal responses to water availability in Setaria.</a> Mol Plant. 8 (3), 1520-1535 (2015).</li>
<li>Yu, L., et al. Development of a mobile, high-throughput, and low-cost image-based plant growth phenotyping system. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aYu%2C+L+%22bioRxiv%22">bioRxiv</a>. , (2023).</li>
<li>Atefi, A., Ge, Y., Pitla, S., Schnable, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Robotic+technologies+for+high-throughput+plant+phenotyping%3A+Contemporary+reviews+and+future+perspectives%5BTitle%5D)+AND+%22Front+Plant+Sci%22%5BJournal%5D)">Robotic technologies for high-throughput plant phenotyping: Contemporary reviews and future perspectives.</a> Front Plant Sci. 12, 611940(2021).</li>
<li>Berry, J. C., Fahlgren, N., Pokorny, A. A., Bart, R. S., Veley, K. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+automated%2C+high-throughput+method+for+standardizing+image+color+profiles+to+improve+image-based+plant+phenotyping%5BTitle%5D)+AND+%22PeerJ%22%5BJournal%5D)">An automated, high-throughput method for standardizing image color profiles to improve image-based plant phenotyping.</a> PeerJ. 6, e5727(2018).</li>
<li>Tovar, J. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Raspberry+Pi-powered+imaging+for+plant+phenotyping%5BTitle%5D)+AND+%22Appl+Plant+Sci%22%5BJournal%5D)">Raspberry Pi-powered imaging for plant phenotyping.</a> Appl Plant Sci. 6, e1031(2018).</li>
<li>Jolles, J. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Broad-scale+applications+of+the+Raspberry+Pi%3A+A+review+and+guide+for+biologists%5BTitle%5D)+AND+%22Methods+Ecol+Evol%22%5BJournal%5D)">Broad-scale applications of the Raspberry Pi: A review and guide for biologists.</a> Methods Ecol Evol. 12 (5), 1562-1579 (2021).</li>
<li>Watt, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Phenotyping%3A+New+windows+into+the+plant+for+breeders%5BTitle%5D)+AND+%22Annu+Rev+Plant+Biol%22%5BJournal%5D)">Phenotyping: New windows into the plant for breeders.</a> Annu Rev Plant Biol. 71 (1), 689-712 (2020).</li>
<li>Xie, C., Yang, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+on+plant+high-throughput+phenotyping+traits+using+UAV-based+sensors%5BTitle%5D)+AND+%22Comput+Electron+Agric%22%5BJournal%5D)">A review on plant high-throughput phenotyping traits using UAV-based sensors.</a> Comput Electron Agric. 178, 105731(2020).</li>
<li>Czedik-Eysenberg, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+%26%2334%3BPhenoBox%26%2334%3B%2C+a+flexible%2C+automated%2C+open-source+plant+phenotyping+solution%5BTitle%5D)+AND+%22New+Phytol%22%5BJournal%5D)">The &#34;PhenoBox&#34;, a flexible, automated, open-source plant phenotyping solution.</a> New Phytol. 219 (4), 808-823 (2018).</li>
<li>Sumner, J., Fahlgren, N., Murphy, K. M. PCVR: An R package and tutorials for guided statistical analysis of plant phenotyping data. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSumner%2C+J+%22Authorea+Preprints%22">Authorea Preprints</a>. , (2023).</li>
<li>Schnable, P. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+B73+maize+genome%3A+complexity%2C+diversity%2C+and+dynamics%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">The B73 maize genome: complexity, diversity, and dynamics.</a> Science. 326 (5956), 1112-1115 (2009).</li>
<li>Segment Anything. Kirillov, A., et al. 2023 IEEE/CVF Int Conf Comput Vision, , 3992-4003 (2023).</li>
<li>Gabaldón-Leal, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Modelling+the+impact+of+heat+stress+on+maize+yield+formation%5BTitle%5D)+AND+%22Field+Crops+Res%22%5BJournal%5D)">Modelling the impact of heat stress on maize yield formation.</a> Field Crops Res. 198 (3), 226-237 (2016).</li>
<li>Intergovernmental Panel on Climate Change. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22SYNTHESIS+REPORT+OF+THE+IPCC+SIXTH+ASSESSMENT+REPORT+%28AR6%29%22">SYNTHESIS REPORT OF THE IPCC SIXTH ASSESSMENT REPORT (AR6)</a>. , https://report.ipcc.ch/ar6syr/pdf/IPCC_AR6_SYR_LongerReport.pdf (2023).</li>
<li>Quiñones, A., et al. Optimized methods for applying and assessing heat, drought, and nutrient stress of maize seedlings in controlled environment experiments. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aQui%C3%B1ones%2C+A+%22Cold+Spring+Harb+Protoc%22">Cold Spring Harb Protoc</a>. , (2024).</li>
<li>Murphy, K. M., et al. Maize abiotic stress treatments in controlled environments. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aMurphy%2C+KM+%22Cold+Spring+Harb+Protoc%22">Cold Spring Harb Protoc</a>. , (2024).</li>
</ol>

<table><tbody><tr><td>15W USB-C Netzteil</td><td>CanaKit</td><td>DCAR-RSP-3A5-C</td><td></td></tr><tr><td>25604 UC-E6 USB Kabel</td><td>Nikon</td><td>18208256044</td><td></td></tr><tr><td>3,5 Zoll Potis</td><td>Hummert International</td><td>13006000</td><td></td></tr><tr><td>Berger BM7 35% Bark HP</td><td>Hummert International</td><td>10121500</td><td></td></tr><tr><td>Biodock 2024</td><td></td><td>AI Software Platform</td><td>www.biodock.ai.</td></tr><tr><td>Code-Bearbeitungssoftware</td><td>Jupyter</td><td></td><td>https://jupyter.org/install</td></tr><tr><td>Code-Bearbeitungssoftware</td><td>Visual Studio Code-https://code.visualstudio.com/download-Farbkarte</td><td></td><td></td></tr><tr><td>ColorChecker Classic</td><td>Calibrite</td><td>CCC</td><td></td></tr><tr><td>Farbkarte ColorChecker Passport</td><td>Calibrite</td><td>CCPP2</td><td></td></tr><tr><td>Conviron Wachstumskammer</td><td>Conviron</td><td>BDW80 Modell</td><td></td></tr><tr><td>Dell 22 Monitor</td><td>Dell</td><td>SE2222H</td><td></td></tr><tr><td>EH-67 Netzteil</td><td>Nikon</td><td>AZ185</td><td></td></tr><tr><td>Bildanalysesoftware</td><td>PlantCV</td><td></td><td>https://plantcv.readthedocs.io/en/latest/installation/</td></tr> <tr><td>Jack's Water Soluble Fertilizer 15-5-15</td><td>Hummert International</td><td>7590200</td><td>Flüssigdünger</td></tr><tr><td>Tastatur und Maus</td><td>Logitech</td><td>1440638</td><td>MK270 kabellose Tastatur und Maus</td></tr><tr><td>Maissaatgut</td><td>USDA-ARS Germplasma Resources Information Network (GRIN)</td><td>B73</td><td>https://www.ars-grin.gov/</td></tr> <tr><td>Micro HDMI auf HDMI Kabel</td><td>Amazon</td><td>B07KSDB25X</td><td></td></tr><tr><td>Nikon Coolpix B500 Kamera</td><td>Nikon</td><td></td><td></td></tr><tr><td>Nikon D7200 Kamera</td><td>Nikon</td><td></td><td></td></tr><tr><td>Osmocote 14-14-14</td><td>Hummert International</td><td>7630000</td><td></td></tr><tr><td>Stoff in Fotografiequalität</td><td>Yayoya</td><td></td><td>Polyestergewebe Schwarz Fotohintergrund für Fotovideo Studio Fernsehen</td></tr><tr><td>Raspberry Pi 4 Gehäuse mit Kühlkörper</td><td>iUniker</td><td>&lrm; </td><td></td>B07ZVKN262</tr><tr><td>Raspberry Pi 4 Model B Rev 1.1</td><td>Raspberry Pi Foundation</td><td>RP4B4GB_BP</td><td></td></tr><tr><td>Raspberry Pi 4 PiSwitch (USB-C)</td><td>CanaKit</td><td>RSP-PISWITCH-USBC</td><td></td></tr><tr><td>Raspberry Pi Software</td><td>Raspberry Pi Imager</td><td></td><td>https://www.raspberrypi.com/software/</td></tr> <tr><td>Statistische Analysesoftware</td><td>Rstudio</td><td></td><td>https://posit.co/downloads/</td></tr><tr><td>Stativ</td><td>K& F Concept</td><td>T255A3+BH-28L</td><td></td></tr><tr><td>Turface MVP</td><td>Hummert International</td><td>10240000</td><td></td></tr><tr><td>Wireless Barcode Scanner</td><td>Netumscan</td><td>B08X4NMX2M</td><td>1D und 2D Barcode Scanner</td></tr></tbody></table>

bildgebung und analyse zur quantifizierung der abiotischen stressphänotypen von mais (zea mays)

Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes

Um diese Methode zu entwickeln, wurden B73-Maispflanzen in insgesamt vier Behandlungen auf quantitative Phänotypen unter Kontrolltemperaturen, Hitzetemperaturen, gut bewässerten und Trockenheitsbedingungen sowie deren Kombinationen untersucht. B73 ist eine bekannte Inzuchtmaissorte mit einer Fülle genetischer Daten21.
Bei der Bildanalyse in PlantCV wurden die Bilder erfolgreich farbkorrigiert, die quantitativen Ergebnisse mit den Pflanzenmetadaten gekennzeichnet und die Pflanze vom Hintergrund segmentiert (d. h. vom Hintergrund getrennt), wie in Abbildung 3 zu sehen ist. Eine erfolglose Analyse würde Ausgabebilder liefern, die nicht den blauen Umriss oder die rosa Form um die Außenseite der Pflanze zeigen, sondern zusätzliches Rauschen oder fehlende Teile der Pflanze enthalten (Abbildung 3, Beispiel mit geringer Qualität). Ein Zweikanal-Schwellenwert war notwendig, um so viel wie möglich von der Pflanze in die Maske aufzunehmen (siehe alternative Einkanal-Strategien in der "photo-studio-SV-notebook.ipynb"). Einige Pflanzen, insbesondere solche mit violett gefärbten Stängeln, wiesen jedoch keine perfekte Segmentierung auf, waren aber für eine nachgelagerte Analyse ausreichend (Abbildung 3).
Die PlantCV-Analyse lieferte 16 quantitative, einwertige Merkmale, die in Abbildung 4 zusammengefasst sind. Ein Einzelwertmerkmal liefert einen Wert pro Pflanze - zum Beispiel die Blattfläche, die Höhe, die Breite und den kreisförmigen Farbton. Die Blattfläche wurde mit der Funktion "analyze.shape" (Abbildung 4) betrachtet und die gesamte Pflanze berücksichtigt. Höhe und Breite wurden jedoch mit der "analyze.bound_horizontal-Funktion" berücksichtigt, wobei eine Grenze an der Bodenlinie der Pflanze gezeichnet wurde. Das liegt daran, dass Pflanzen, die über die Seite des Topfes hängen, eine größere Höhe haben, wenn man die Pflanze als Ganzes betrachtet, und stattdessen nur von der Pflanzenbasis aus messen sollten, wo sie auf die Erde trifft. Zusätzlich zu den einwertigen Merkmalen gibt PlantCV mehrwertige Merkmale aus, bei denen es sich um Histogramme handelt, insbesondere der Farbwerte, die jedes Pixel der Pflanze darstellen. Der zirkuläre Mittelwert des Farbtons ist ein Einzelwertmerkmal, das den durchschnittlichen Farbtonwert für die gesamte Pflanze darstellt.
Um zu bestimmen, welche Merkmale am interessantesten sind, wurde die Varianz, die durch die Behandlung für jedes Merkmal erklärt wird, sowie die Korrelation zwischen den verschiedenen Merkmalen mit Hilfe der Funktion "frem" im pcvr R Studio Paket20 berechnet (Abbildung 5A). Blattfläche, Höhe, Breite und kreisförmiger Mittelwert des Farbtons wurden für die nachgelagerte Analyse ausgewählt, da sie mehr als 50 % der Varianz aufgrund der Behandlung erklären und relevante Maße für das Pflanzenwachstum (Fläche, Höhe und Breite) und die Gesundheit (Farbton) sind. Repräsentative Bilder der Pflanze mit der größten und kleinsten Blattfläche zeigen die Variation der Phänotypen, die in diesem Experiment gesammelt wurden (Abbildung 5B, C). Die Pflanze mit der größten Blattfläche hatte auch den höchsten mittleren Farbton und war eine gut bewässerte, hitzegestresste Pflanze B73 (Abbildung 5B). Die kleinste Blattfläche hatte den kleinsten mittleren Farbton (Abbildung 5C) und war eine B73-Pflanze, die durch Trockenheit und Hitze gestresst war.
Die Wasseraufbereitung hatte einen signifikanten Einfluss auf die Bestimmung der Blattfläche (F(1,13) = 226,5, p = 1,32 x 10-9), der Höhe (F(1,13) = 21,1, p = 0,0005), der Breite (F(1,13) = 75,5, p = 8,92 x 10-7) und des zirkulären Mittelwerts des Farbtons (F(1,13) = 27,8, p = 0,0002), bestimmt unter Verwendung eines linearen Regressionsmodells für den Behandlungseffekt und einer bidirektionalen ANOVA in R Studio (vollständige Ergebnisse in Tabelle 1). Die Temperaturbehandlung hatte einen signifikanten Einfluss auf die Höhe (F(1,13) = 5,94, p = 0,03), aber nicht auf die Blattfläche, die Breite oder den kreisförmigen Farbton (p &gt; 0,05, Tabelle 1). Die Wechselwirkung zwischen Temperatur und Wasserstatus war bei keinem der gemessenen Merkmale ein signifikanter Faktor (p &gt; 0,05, Tabelle 1).
Anschließend wurden die einzelnen Behandlungen mittels linearer Regression und Post-hoc-Test (geschätzte marginale Mittelwerte) mit einer Sidak-Korrektur für Mehrfachvergleiche mit der Kontrolle und untereinander verglichen (Abbildung 6). Die Blattfläche, die Pflanzenhöhe, die Pflanzenbreite und der zirkuläre Mittelwert des Farbtons waren bei trockengestressten Pflanzen im Vergleich zu gut bewässerten Pflanzen unter beiden Temperaturbedingungen signifikant reduziert (p &lt; 0,05, Abbildung 6). Hitzestress bei guter Bewässerung reduzierte nur die Pflanzenhöhe (p &lt; 0,05, Abbildung 6), reduzierte aber nicht signifikant die Blattfläche, die Pflanzenbreite oder den kreisförmigen Mittelwert des Farbtons. Dieser Unterschied im Farbton kann weiter untersucht werden, indem der mehrwertige Farbton bewertet wird, der in Abbildung 7 als Histogramm und nicht nur als Durchschnitt dargestellt ist. Die Verringerung des mittleren Farbtons aufgrund von Trockenheit war auf eine Verschiebung von grünen zu gelben Pixeln zurückzuführen, die als Chlorose bekannt ist (Abbildung 7). Während die Hitze keinen signifikanten Unterschied im durchschnittlichen Farbton zeigte, zeigte sie eine Abnahme und Zunahme sowohl aufgrund der Vergilbung (Chlorose) als auch der Verdunkelung der grünen Farbe (Abbildung 7).
Nach der Bildgebung wurden die Pflanzen an der Wurzel-Spross-Verbindung geschnitten und das Gewicht des oberirdischen Gewebes erfasst. Die Wurzeln wurden vorsichtig gewaschen und mit einem Handtuch getrocknet und dann gewogen, um die gesamte pflanzliche Biomasse (auch als Gewicht bezeichnet) für den Vergleich mit der beschriebenen bildbasierten Phänotypisierungsmethode zu berechnen. Die mittels Bildanalyse gemessene Blattfläche korrelierte stark mit der pflanzlichen Biomasse (R2 = 0,84, Abbildung 8).
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/67619/67619fig01.jpg"> 
Abbildung 1: Bild der Einrichtung des Fotostudios mit beschrifteten Komponenten zum Sammeln von Pflanzenbildern. (A) Stoff in Fotoqualität, (B) Farbkarte, (C) Klebeband zum gleichmäßigen Platzieren von Töpfen, (D) Digitalkamera, (E) Einplatinencomputer, (F) Monitor mit Anzeige des Bildaufnahmeprozesses. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig01large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/67619/67619fig02.jpg"> 
Abbildung 2: Überblick über den Imaging-Workflow. Es wird ein repräsentatives Bild "hohe Qualität" und "niedrige Qualität" bereitgestellt. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig02large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/67619/67619fig3v2.jpg"> 
Abbildung 3: Überblick über den Workflow der Bildanalyse in PlantCV. Es werden repräsentative Bilder der Segmentierung "hohe", "akzeptable" und "niedrige" Qualität präsentiert; PlantCV-Merkmale werden durch einen rosa Umriss der gesamten Pflanzenform und einen blauen Umriss der Pflanzenfläche dargestellt. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig3v2large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/67619/67619fig04.jpg"> 
Abbildung 4: Zusammenfassung und visuelle Darstellung der aus der Analyse erfassten Formmerkmale. Shape-Funktion in PlantCV. Lila Kästchen stellen Merkmale dar, die keine andere Eigenschaft in ihrer Berechnung verwenden. Orangefarbene Kästchen stellen Merkmale dar, die andere Merkmale in ihrer Berechnung verwenden. Pfeile zeigen an, welche Merkmale in diesen Berechnungen verwendet werden. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig04large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/67619/67619fig05.jpg"> 
Abbildung 5: Die bildbasierte Phänotypisierung erfasst phänotypische Varianz und korrelierte Merkmale. (A) Varianz der Merkmale, die durch die Behandlung erklärt werden (rechts), und Korrelation der Merkmale untereinander (links). Jedes Merkmal ist gekennzeichnet, gefolgt von seiner Maßeinheit; "NA" bedeutet, dass es sich um ein einheitenloses Maß handelt. (B) Bild der Pflanze mit der größten Blattfläche und dem höchsten kreisförmigen Mittelwert (Grad). (C) Bild der Pflanze mit der kleinsten Blattfläche und dem geringsten Farbton im kreisförmigen Mittelwert (Grad). <a href="https://www.jove.com/files/ftp_upload/67619/67619fig05large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/67619/67619fig06.jpg"> 
Abbildung 6: Boxplot-Vergleich der Behandlungseffekte auf pflanzliche Phänotypen. Die Blattfläche (A), die Höhe (B), die Breite (C) und der kreisförmige Mittelwert des Farbtons (D) werden für den Einfluss von Trockenheit, Hitze und den kombinierten Spannungen verglichen. n = 4. Buchstaben stellen statistisch signifikante Unterschiede zwischen den Behandlungen dar (p &lt; 0,05); Die Behandlungen wurden mittels linearer Regression und Post-hoc-Test (geschätzte marginale Mittelwerte) mit einer Sidak-Korrektur für Mehrfachvergleiche verglichen. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig06large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/67619/67619fig07.jpg"> 
Abbildung 7: Histogramme der Farbe (Farbton), summiert aller Pixel jeder Behandlungskombination, normiert durch die Gesamtzahl der Pixel in der Behandlungskombination. Histogramme werden durch den Farbwert für den Farbtongrad eingefärbt. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig07large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/67619/67619fig08.jpg"> 
Abbildung 8: Korrelation der anhand von Bildern gemessenen Blattfläche mit der Biomasse der ganzen Pflanze. Jeder Schwarzpunkt steht für eine Pflanze. Die rosa Linie stellt die lineare Korrelation zwischen Blattfläche (X) und Biomasse (Y) dar. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig08large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Charakterzug</td>
			<td>Faktor</td>
			<td>Freiheitsgrade</td>
			<td>F-Wert</td>
			<td>p-Wert</td>
		</tr>
		<tr>
			<td>Blattfläche (cm^2)</td>
			<td>Temperatur</td>
			<td>1</td>
			<td>0.5372</td>
			<td>0.4766</td>
		</tr>
		<tr>
			<td>Blattfläche (cm^2)</td>
			<td>Wasser</td>
			<td>1</td>
			<td>226.5318</td>
			<td>Nr. 1.32E-09</td>
		</tr>
		<tr>
			<td>Blattfläche (cm^2)</td>
			<td>Temperatur: Wasser</td>
			<td>1</td>
			<td>2.1526</td>
			<td>0.1661</td>
		</tr>
		<tr>
			<td>Blattfläche (cm^2)</td>
			<td>Reste</td>
			<td>13</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>Höhe (cm)</td>
			<td>Temperatur</td>
			<td>1</td>
			<td>5.9426</td>
			<td>0.0298935</td>
		</tr>
		<tr>
			<td>Höhe (cm)</td>
			<td>Wasser</td>
			<td>1</td>
			<td>21.107</td>
			<td>0.0005029</td>
		</tr>
		<tr>
			<td>Höhe (cm)</td>
			<td>Temperatur: Wasser</td>
			<td>1</td>
			<td>2.1752</td>
			<td>0.1640545</td>
		</tr>
		<tr>
			<td>Höhe (cm)</td>
			<td>Reste</td>
			<td>13</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>Breite (cm)</td>
			<td>Temperatur</td>
			<td>1</td>
			<td>2.2495</td>
			<td>0.1575</td>
		</tr>
		<tr>
			<td>Breite (cm)</td>
			<td>Wasser</td>
			<td>1</td>
			<td>75.5474</td>
			<td>8.92E-07</td>
		</tr>
		<tr>
			<td>Breite (cm)</td>
			<td>Temperatur: Wasser</td>
			<td>1</td>
			<td>0.0839</td>
			<td>0.7766</td>
		</tr>
		<tr>
			<td>Breite (cm)</td>
			<td>Reste</td>
			<td>13</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>Farbton kreisförmiger Mittelwert (Grad)</td>
			<td>Temperatur</td>
			<td>1</td>
			<td>0.9154</td>
			<td>0.3561432</td>
		</tr>
		<tr>
			<td>Farbton kreisförmiger Mittelwert (Grad)</td>
			<td>Wasser</td>
			<td>1</td>
			<td>27.7988</td>
			<td>0.0001509</td>
		</tr>
		<tr>
			<td>Farbton kreisförmiger Mittelwert (Grad)</td>
			<td>Temperatur: Wasser</td>
			<td>1</td>
			<td>3.4792</td>
			<td>0.0848724</td>
		</tr>
		<tr>
			<td>Farbton kreisförmiger Mittelwert (Grad)</td>
			<td>Reste</td>
			<td>13</td>
			<td></td>
			<td></td>
		</tr>
	</tbody>
</table>
Tabelle 1: Ergebnisse des linearen Regressionsmodells und der bidirektionalen ANOVA-Analysen, die die Auswirkungen von Wasseraufbereitung, Temperaturbehandlung und deren Wechselwirkung auf Pflanzeneigenschaften untersuchen.

Bildgebung und Analyse zur Quantifizierung der abiotischen Stressphänotypen von Mais (Zea mays)

Measuring quantitative plant phenotypes, or traits, is essential for understanding plant responses to environmental factors, including biotic and abiotic ...

Unsere Forschung konzentriert sich auf die Entwicklung und Anwendung von Hochdurchsatz-Phänotypisierungswerkzeugen für Pflanzen. Unser Ziel ist es, Messungen schnell, kostengünstig und ohne Absterben der Pflanzen durchzuführen. Jüngste Entwicklungen auf dem Gebiet der Pflanzenphänotypisierung haben die Bildanalyse auf verschiedene Arten von Kameras wie Satelliten und UAVs ausgeweitet und neue Techniken des maschinellen Lernens angewendet.Zu den aktuellen experimentellen Herausforderungen gehören der große Umfang und der erhebliche Arbeitsaufwand, der erforderlich ist, um Messungen zu vielen Zeitpunkten, Umweltbehandlungen und Genotypen zu erfassen, um signifikante Fortschritte bei biologischen Fragen zu erzielen. Unser Protokoll bietet eine einfache Methode zur schnellen und flexiblen Erfassung und Analyse von Anlagenbildern, ohne dass teure Geräte erforderlich sind. Schalten Sie zunächst die Steckdosenleiste mit dem Schalter ein und drücken Sie die Taste, um den Monitor einzuschalten.Schalten Sie den Schalter am Einplatinencomputer oder SBC-Netzkabel auf Ein.Stellen Sie die Kamera auf ein Stativ oder einen Tisch und versorgen Sie die Kamera über das Netzkabel oder die Batterien mit Strom. Schalten Sie die Kamera mit dem Netzschalter der Kamera ein. Verbinden Sie die Kamera mit dem mitgelieferten Datenübertragungskabel mit dem USB-Anschluss des SBC und mit der Kamera.Lege als Nächstes ein Stück dunkles Klebeband auf den Stoff in Fotoqualität, auf dem der Topf platziert wird. Positionieren Sie nun den Topf auf dem markierten Klebeband. Bei Pflanzen, die in einer Ebene wachsen, wie Mais und Sorghum, positionieren Sie den weitesten Winkel der Pflanze in Richtung der Kamera.Passen Sie die Farbkarte so an, dass sie mit dem Topf übereinstimmt, aber ohne Überlappung von der Pflanze getrennt ist. Klicken Sie auf die Schaltfläche Terminal, um das Terminal auf dem SBC zu öffnen. Geben Sie die Codezeile ein, um das Fenster für die Bildaufnahme zu öffnen.Geben Sie dann den Namen des Bildes manuell ein oder scannen Sie einen Barcode oder QR-Code der Anlage mit einem Barcode-Scanner. Nachdem Sie das Bild aufgenommen haben, wählen Sie eine Option aus, um das Bild lokal oder auf einem bereitgestellten Server oder Cloud-Speicher zu speichern. Klicken Sie auf die Schaltfläche "Klicken Sie hier, um ein Bild aufzunehmen", um das Bild aufzunehmen.Wenn Sie den lokalen Speicher ausgewählt haben, öffnen Sie den Ordner "Fotos" auf dem Desktop, um das Bild zu überprüfen. Wenn ein Server oder Cloud-Speicher verwendet wurde, öffnen Sie das Bild an diesem Speicherort. Nachdem Sie alle Bilder erfasst haben, verwenden Sie die bevorzugte Methode, z. B. einen USB-Speicher, einen Internetbrowser oder eine SSH-Übertragung, um alle Bilder vom SBC auf einen lokalen Computer oder Cloud-Speicher zu kopieren.Laden Sie die erforderlichen Dateien auf einen lokalen Computer oder Server herunter. Installieren Sie plantcv über die Befehlszeile oder den Paketmanager. Öffnen Sie photo-studio-SV-notebook.ipynb mit einem bevorzugten Code-Editor wie JupyterLab oder Visual Studio Code. Führen Sie jeden Codeblock aus und nehmen Sie die erforderlichen Änderungen basierend auf den im Code beschriebenen Parametern vor, um eine saubere Maske der Pflanze zu erhalten. Wenn Sie mit der Analyse des Beispielbildes zufrieden sind, öffnen Sie den Workflow.py im Editor für bevorzugten Code. Workflow bearbeiten. py, um alle Parameteränderungen, die im photo-studio-SV-notebook vorgenommen wurden, zu berücksichtigen.ipynb und speichern Sie die Datei. Öffnen Sie photo-studio-SV-config. json, um die Dateipfade zu aktualisieren.Ändern Sie die Pfade zum Eingabeordner mit Pflanzenbildern und zum Ausgabeordner, in dem die verarbeiteten Bilder und Ergebnisse gespeichert werden. Öffnen Sie ein Terminal und aktivieren Sie plantcv mit dem Befehl conda activate plantcv und drücken Sie die Eingabetaste auf der Tastatur. Ändern Sie die angegebene Codezeile so, dass sie auf die aktualisierte photo-studio-SV-config verweist.json-Datei. Geben Sie im Terminal den geänderten Code ein, und drücken Sie die Eingabetaste auf der Tastatur. Stellen Sie sicher, dass plantcv im Terminal aktiviert ist.Führen Sie dann den Befehl aus, um results-photo-studio. json in CSV zu konvertieren, und aktualisieren Sie den Dateipfad entsprechend. Die Bildanalyse in plantcv segmentierte erfolgreich Maispflanzen aus dem Hintergrund mit Hilfe einer Zweikanal-Schwelle.Die plantcv-Analyse lieferte 16 Einzelwertmerkmale, darunter Blattfläche, Höhe, Breite und kreisförmiger Farbtonmittelwert, wobei mehrwertige Merkmale als Histogramme dargestellt wurden. Blattfläche, -höhe, -breite und -farbton erklärten mehr als 50 % der Varianten aufgrund der Behandlung und sind damit wichtige Kennzahlen für die nachgelagerte Analyse. Die Pflanze mit der größten Blattfläche hatte den höchsten mittleren Farbton und war ein Genotyp B73, eine gut bewässerte, hitzegestresste Pflanze.Die kleinste Blattfläche hatte auch den kleinsten mittleren Farbton und war eine Pflanze des Genotyps B73, die durch Trockenheit und Hitze gestresst war. Die Wasseraufbereitung beeinflusste die Blattfläche, die Höhe, die Breite und den kreisförmigen Farbton erheblich, während die Temperaturbehandlung nur die Höhe signifikant beeinflusste. Trockenstress reduzierte unter beiden Temperaturbedingungen die Blattfläche, die Pflanzenhöhe, die Pflanzenbreite und den kreisförmigen Mittelwert des Farbtons erheblich.Die Verringerung des mittleren Farbtons aufgrund der Dürre war auf eine Verschiebung von grünen zu gelben Pixeln zurückzuführen. Hitzestress führte sowohl zu einer Vergilbung als auch zu einer Verdunkelung der grünen Farbe. Die mittels Bildanalyse gemessene Blattfläche korrelierte stark mit der pflanzlichen Biomasse, was die bildbasierte Phänotypisierungsmethode validiert.

imaging-analysis-for-quantifying-maize-zea-mays-abiotic-stress

Research

Forschung

JoVE Journal

Biology

Biologie

Die Quantifizierung der Zellteilung und -expansion ist von entscheidender Bedeutung für das Verständnis des Wachstums ganzer Pflanzen. In dieser Arbeit stellen wir ein Protokoll zur Berechnung zellulärer Parameter vor, die die Wachstumsraten von Maisblättern bestimmen, und heben die Verwendung dieser Daten zur Untersuchung molekularer Wachstumsregulationsmechanismen hervor, indem entwicklungsstadienspezifische Probenahmestrategien gesteuert werden.

Kinematische Analyse der Zellteilung und Expansion: Die Quantifizierung der zellulären Grundlagen der Wachstums- und Sampling Entwicklungszonen in<em&gt; Zea Mays</em&gt; Blätter

Ein experimentelles Protokoll ist für die Beurteilung der Boden gewachsen Pflanze Wurzelsysteme mit RGB und hyperspektralen Bildgebung vorgestellt. Kombination von RGB Bild Zeit Serie mit chemometrischen Informationen aus hyperspektrale scannt optimiert Einblicke in Werk Wurzel Dynamik.

RGB und spektrale Wurzel Bildgebung für die Pflanze Phänotypisierung und physiologischen Forschung: Versuchsaufbau und Imaging-Protokolle

Wir bieten eine neuartige Methode zur Verbesserung der Resorption Röntgenkontrast Mais Gewebe geeignet für gewöhnliche Microcomputed Tomographie scannen. Basierend auf CT-Bilder, stellen wir eine Reihe von Bildverarbeitungs-Workflows für verschiedene Mais Materialien effektiv mikroskopische Phänotypen der Leitbündel von Mais zu extrahieren.

Mikron-Skala Phänotypisierung Techniken der Mais Leitbündel basierend auf Microcomputed Röntgentomographie

Wir haben ein bildbasiertes Phänotypisierungsprotokoll entwickelt, um die morphologischen und physiologischen Reaktionen auf einfache und kombinierte Hitze-, Trockenheits- und Staunässebehandlungen zu bestimmen. Dieser Ansatz ermöglichte die Identifizierung von frühen, späten und Wiederherstellungsreaktionen auf der Ebene der gesamten Anlage, insbesondere in oberirdischen Teilen, und unterstrich die Notwendigkeit des Einsatzes mehrerer bildgebender Sensoren.

Bildbasierte Hochdurchsatz-Phänotypisierung zur Bestimmung morphologischer und physiologischer Reaktionen auf Einzel- und Kombinationsbelastungen bei Kartoffeln

Magnetic Resonance Imaging (MRI) ist ein leistungsstarkes Tool, um die Wirksamkeit von Prozessanlagen während des Betriebes zu bewerten. Wir diskutieren den Einsatz der MRT zu visualisieren Mischen in einem statischen Mischer. Die Anwendung ist für Körperpflegeprodukte, sondern kann auf eine breite Palette von Lebensmittel-, Chemie-, Biomasse-und biologischen Flüssigkeiten angewendet werden.

Quantifizierung Mixing mit Magnetic Resonance Imaging

Hier beschreiben wir einen Arbeitsablauf für die schnelle Analyse und Erforschung von Sammlungen Fluoreszenzmikroskopiebilder mit PhenoRipper, eine kürzlich entwickelte Bild-Analyse-Plattform.

Schnelle Analyse und Exploration von Fluoreszenzmikroskopie Images

Hier berichten wir über ein Protokoll zur Messung von oxidativem Stress in lebenden Zebrafischembryonen. Dieses Verfahren ermöglicht den Nachweis von reaktiven Sauerstoffspezies (ROS) sowohl in ganzen Embryogeweben als auch in Einzelzellpopulationen. Mit diesem Protokoll werden sowohl qualitative als auch quantitative Analysen durchgeführt.

Analyse von oxidativem Stress in Zebrafischembryonen

Das Lateral Root Inducible System (LRIS) ermöglicht die synchrone Induktion von Seitenwurzeln und wird für Arabidopsis thaliana und Mais vorgestellt.

Seitenwurzel induzierbaren Systems in<em&gt; Arabidopsis</em&gt; Und Mais

Die innere Uhr reguliert etwa ein Drittel der Arabidopsis Transkriptom, aber der Prozentsatz der Gene, die zurück in die Zeitnahme ernähren bleibt unbekannt. Hier visualisieren wir eine Methode, um schnell circadian Phänotypen in jeder Mutantenlinie von Arabidopsis beurteilen mit lumineszenten Bildgebung eines zirkadianen Reporter vorübergehend in Protoplasten ausgedrückt.

Schnelle Analyse von Circadian Phänotypen in Arabidopsis Protoplasten Transfizierte mit einem lumineszenten Clock Reporter

Nach DNA-Schäden aktivieren menschliche Zellen wichtige Reparaturwege, um die Integrität ihres Genoms wiederherzustellen. Hier beschreiben wir die Methode der indirekten Immunfluoreszenz als Mittel, um DNA-Reparaturproteine zu erkennen, ihre räumliche und zeitliche Rekrutierung zu analysieren und die Protein-Protein-Interaktion an den Stellen von DNA-Schäden zu begutachten.

Visualisierung der DNA-Reparaturproteine Interaktion durch Immunfluoreszenz

Lernen Sie eine kostengünstige Bildgebungsmethode zur Quantifizierung abiotischer Stressphänotypen bei Zea mays. Diese Technik erfasst Blattfläche, Höhe und Farbton schnell und korreliert stark mit der Biomasse.

Bildgebung und Analyse zur Quantifizierung der abiotischen Stressphänotypen von Mais (Zea mays)

Weitere Videos entdecken