Name: Hochdurchsatz-Screening der photosynthetischen Effizienz in Nutzpflanzen im Feld mit einem autonomen Roboter (Video) | JoVE Journal
Uploaded: 2026-01-09T12:30:00.000+00:00
Duration: 7 min 12 s
Description: Erfahren Sie eine hochdurchsatzfähige Methode zur Messung der Photosystem-II-Quanteneffizienz im Feld mit einem autonomen Roboter. Diese nicht-invasive Technik ermöglicht die schnelle Phänotypisierung von Kulturpflanzen für Züchtungsprogramme.

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

1. Einrichtung des PPFR-Sensors und Datenloggers
<ol>
	<li>Verbinde den PPFR-Sensor und die Powerbank mit dem Datenlogger. Schließen Sie den Datenlogger mit dem Laptop an und starten Sie den Datenlogger mit dem Desktop-Client.</li>
	<li>Installieren Sie das Kamerastativ neben dem Versuchsfeld, mit dem PPFR-Sensor oben und dem Datenlogger und der Powerbank am Boden darunter. HINWEIS: Stellen Sie sicher, dass der PPFR-Sensor aufrecht steht und nicht von nahegelegenen Objekten beschattet oder anderweitig beeinflusst wird. Der PPFR-Sensor benötigte einen Gimbal, wenn er direkt am Roboter montiert ist, um genaue PPFR-Werte zu messen.</li>
</ol>
2. Aufbau des Roboters und der LIFT-Sensoreinheit
<ol>
	<li>Laden Sie die Wegpunktkoordinaten (.geojson-Format) für die Messung auf den Roboter. Sie können dieselben sein wie die, die für die GNSS-gesteuerte Aussaat der Prüfung verwendet werden.</li>
	<li>Installieren Sie die LIFT-Sensor-Baugruppe an der Vorderseite des Roboters in einer Höhe von etwa 60 cm über dem Pflanzendach (siehe Abbildung 1A).</li>
	<li>Stellen Sie den Laptop, die Autobatterie und den Stromwechselrichter auf den Roboter und verbinden Sie den Stromwechselrichter mit der Autobatterie und der LIFT-Sensor-Baugruppe. VORSICHT: Der Anregungsstrahl des LIFT-Sensors ist für die Augen gefährlich. Der direkte Blick in den Anregungsstrahl muss strikt vermieden werden.</li>
	<li>Positioniere das GNSS-Antennenkit auf dem Roboter, verbinde es mit dem Laptop und starte den GNSS-Logger-Desktop-Client.</li>
	<li>Verbinde den LIFT-Sensor mit dem Laptop und starte den LIFT-Desktop-Client mit den folgenden Einstellungen: LIFT-Sensor: Anregungsleistung = 40.000 μmol Photonen m&gt;-2 s-1; Blitzlänge = 1,6 μs; Anzahl der Anregungsblitzen pro einzelner Messung = 300; Anzahl der Relaxationsblitzen = 80; Zeit zwischen Anregungsblitzen = 2,5 μs; Zeit zwischen Relaxationsblitzen: ji = 101,28 + 0,0215 × i μs, wobei ji die Intervalllänge des i-ten Blitzes ist; Sensorverstärkung = 10 oder 25; Messintervall = 0 s. Spektrometer: Spektralintegrationszeit = 100 ms, Spektralbereich von 400 bis 800 nm. RGB-Kameras: Belichtung = automatisch; Verschluss = automatisch; Verstärkung = automatisch; Helligkeit = 0; Bildrate = 20 s-1; Triggermodus = erlaubt (löst die Kamera bei jeder LIFT-Messung aus). HINWEIS: Die direkt vom LIFT-Sensor gemessene Größe ist die ChlF-Ausbeute (Zunahme des gesamten ChlF durch den Anregungsstrahl für jedenBlitz 20). Berechnen Sie dann Fq'/Fm' als 
	Fq'/Fm' = (Fm' - F') / Fm' 26 wobei F' als ChlF-Ertrag des 1. Blitzes und Fm' als Durchschnitt der ChlF-Erträge der 301. und 302. Blitz28 definiert ist. Die Gesamtdauer einer ChlF-Messung (einschließlich der Relaxationsphase) beträgt etwa 21 ms, aber die Dauer der entscheidenden 300-Flashlet-Anregungsphase beträgt nur 750 μs.</li>
</ol>
3. Durchführung von LIFT-Messungen
<ol>
	<li>Führen Sie den Roboter manuell zum Anfang der ersten Reihe von Diagrammen im Versuchsfeld mit der Fernbedienung.</li>
	<li>Aktivieren Sie das Messskript für den LIFT-Sensor und das Spektrometer im kontinuierlichen Modus.</li>
	<li>Starten Sie die autonome Roboternavigation mit 0,5 m S-1-Geschwindigkeit über die Robot Control Website.</li>
	<li>Während der Messung sollten regelmäßig die Grafik des ChlF-Ertrags im LIFT-Sensor-Montage-Desktop-Client überprüft werden, um sicherzustellen, dass er die erwartete Form hat (siehe Abbildung 1B). Passen Sie die Sensorverstärkung an, wenn die Signale zu schwach sind.</li>
	<li>Halten Sie das weiße Referenzpanel periodisch unter dem Anregungsstrahl auf Höhe des Pflanzendachs, während der Roboter am Feldrand dreht.</li>
</ol>
4. Datenintegration und Vorverarbeitung
HINWEIS: Der R-Code ist auf GitHub (https://github.com/beat2keller/lift_data_processing) verfügbar.
<ol>
	<li>Lesen Sie die LIFT-Transienten- und Spektraldaten aus allen *_data.csv und *_spectral.csv mit dem R data.table-Paket34 ein.</li>
	<li>Lesen Sie das GNSS- und Wetterdaten zusammen mit den .geojson-Diagrammkarten und dem experimentellen Design ein.</li>
	<li>Kombinieren Sie die Datensätze und führen Sie statistische Analysen durch, z. B. wie in12 oder unten beschrieben.<ol>
		<li>Entnehmen Sie Fq'/Fm' aus jedem aufgezeichneten Transienten.</li>
		<li>Fügen Sie jeden GNSS-Punkt seinem entsprechenden Plot basierend auf .geojson-Polygonen mithilfe räumlicher Containment zu. Vergessen Sie nicht, den Abstand zwischen der LIFT-Sensoreinheit und der GNSS-Antenne am Roboter zu berücksichtigen.</li>
		<li>Bestimmen Sie die Richtung des Roboters aus aufeinanderfolgenden Positionen. Führen Sie das experimentelle Design mit den GNSS-Daten durch die zugewiesenen Plot-Identifikatoren zusammen. HINWEIS: Dieser Schritt verknüpft jede räumliche Position mit den jeweiligen Behandlungs- (z. B. Genotyp-) und Replikations- (z. B. Block-)Informationen.</li>
		<li>Kombinieren Sie die hochauflösenden Daten des PPFR-Sensors mit niedrigauflösenden PPFR-Daten der nächstgelegenen Wetterstation, um eine zusammengezündete einfallende PPFR-Zeitreihe (optional) zu erzeugen. HINWEIS: Niederauflösende meteorologische Daten für die Schweiz können aus dem in35 beschriebenen agrometeo.ch (https://agrometeo.ch/de)-Netzwerk abgeleitet werden.</li>
		<li>Filtern Sie die weißen Referenzmessungen aus dem spektralen Reflektanzdatensatz und führen Sie sie mit den PPFR-Daten mithilfe von Zeitstempeln zusammen, um eine Nachschlagetabelle für die spektrale Reflexion unter verschiedenen Einfallenden Lichtintensitäten wie in28 beschrieben zu erstellen.</li>
		<li>Korrigiere die rohen spektralreflektorischen Daten basierend auf der Nachschlagetabelle.</li>
		<li>Berechnen Sie den MERIS-terrestrischen Chlorophyllindex (MTCI) und den normalisierten Differenzvegetationsindex (NDVI) aus den korrigierten spektralen Reflexionsdaten mit den Formeln 
		<img alt="Gleichung 1" src="/files/ftp_upload/69530/69530eq1v2.jpg" style="margin:0;" data-altupdatedat="1783400419000" data-alt="Equation 1"> wobei Rλ die mittlere Reflexion bei Wellenlänge λ nm bezeichnet.</li>
		<li>Kombinieren Sie die ChlF-, GNSS-Positions-/Versuchsdesign- und PPFR-/spektralreflektorischen Daten, indem Sie einen Close-Neighbor-Join mit einem definierten Toleranzfenster (z. B. 1 ms) basierend auf Zeitstempeln durchführen.</li>
		<li>Identifizieren und entfernen Sie Zeilen mit Ausreißern in Fq'/Fm' aus dem Datensatz.</li>
		<li>Genotypspezifische photosynthetische Antworttrends (G: PPFR) aus den ausreißerkorrigierten ChlF-Daten extrahieren, indem Sie das Modell anpassen 
		Fq'/Fm' = β0 + β1 Datum + β2 (Kurs x Stunde) + β3 (Genotyp × PPFR) + β4 MTCI + β5 PPFR + ε auf den ausreißergefilterten Datensatz.</li>
		<li>Schätzen Sie die Steigung (β3) des (Genotyp × PPFR) Prädiktorterm anhand geschätzter marginaler Trends (Emtrends in R), um eine quantitative Messung der genotypspezifischen Reaktion auf die Bestrahlung zu erhalten. Die Einbeziehung des MTCI in das Modell berücksichtigt Unterschiede im Chlorophyllgehalt und im Kronenstatus, die Fq'/Fm' beeinflussen, wie zuvorbeschrieben 12. HINWEIS: Die Kursrichtung zeigt die Fahrrichtung des Roboters an (abgeleitet von GNSS-Lagern in Schritt 4.3.3), um mögliche Richtungseffekte während der Messungen zu berücksichtigen.</li>
	</ol>
	</li>
</ol>

<table><tbody><tr><td>Kamerastativ</td><td>-</td><td>-</td><td>Jeder Typ, auf dem der PPFR-Sensor horizontal montiert werden kann, ist geeignet.</td></tr><tr><td>Autobatterie (12 V / 80 Ah)</td><td>Mercedes-Benz Group AG, Stuttgart, Deutschland</td><td>A 001 982 81 08</td><td>-</td></tr><tr><td>Datenlogger</td><td>HOBO Datenlogger, Bourne, USA</td><td>HOBO U30 Station, https://www.hobodataloggers.com.au/product/hobo-u30-usb-stand-alone-data-logger/</td><td>-</td></tr><tr><td>Data Logger Desktop-Client</td><td>Onset Computer Corporation, Massachusetts, USA</td><td>HOBOware Version 3.7.28, https://www.onsetcomp.com/support/help-center/software/hoboware</td><td>-</td></tr><tr><td>GNSS-Antennenkit</td><td>ArduSimple, Andorra la Vella, Andorra</td><td>AS-STARTKIT-LR-L1L2-EUNH-00</td><td>-</td></tr><tr><td>GNSS-Logger-Desktop-Client</td><td>u-blox AG, Thalwil, Schweiz</td><td>u-center GNSS, [sic] Evaluation Software Version 25.03, https://content.u-blox.com/sites/default/files/documents/u-center-25.03_ReleaseNote_UBXDOC-304424225-19688.pdf</td><td>-</td></tr><tr><td>Laptop&nbsp;</td><td>-</td><td>-</td><td>Jeder Laptop, der eine Windows-Version (Microsoft Corporation, Redmond, USA) mit GNSS- und Data Logger-Desktop-Clients läuft, ist geeignet.</td></tr><tr><td>LIFT-Sensor-Assembler-Desktop-Client</td><td>Soliense Inc., New York, USA</td><td>Version 2016.04</td><td>-</td></tr><tr><td>LIFT-Sensorbaugruppe (komplett mit 240 V Netzteil)</td><td>Soliense Inc., New York, USA</td><td>LIFT-REM</td><td>Zusätzlich zum eigentlichen LIFT-Sensor enthält die LIFT-Sensoreinheit ein RGB-Stereo-Kamerasystem, das aus zwei Blackfly S BFS-U3-50S5C-Kameras besteht, geliefert von FLIR Integrated Imaging Solutions Inc. (Britisch-Kolumbien, Kanada) [heute Teledyne FLIR LLC, Wilsonville, USA] sowie einem 400 bis 800 nm Spektrometer mit einer Auflösung von 0,46 nm, geliefert von Ocean Insight. [Jetzt Ocean Optics] (Orlando, USA). &nbsp; Der Roboter misst &asymp; 170 & Times; 210 & Times; 90 cm (Länge & Mal; Breite & mal Höhe) und Gewicht & Asymp; 170 kg. Die LIFT-Sensoreinheit misst & asymp; 23 & Times; 34 & Times; 59 cm (Länge & Mal; Breite & mal; Höhe, wie am Roboter montiert).</td></tr><tr><td>Stromwechselrichter (12 V Gleichstrom bis 240 V 50 Hz Wechselstrom)</td><td>Green Cell CSG S.A., Krakau, Polen</td><td>INV08</td><td>-</td></tr><tr><td>Powerbank</td><td>-</td><td>-</td><td>Jede USB-Powerbank reicht.</td></tr><tr><td>PPFR-Sensor</td><td>HOBO / LI-COR, Lincoln, USA</td><td>S-LIA-M003</td><td>-</td></tr><tr><td>Website zur Robotersteuerung</td><td>Caterra AG, Opfikon, Schweiz</td><td>-</td><td>Die Verbindung wird vom Hersteller des Roboters individuell für jeden Kunden bereitgestellt.</td></tr><tr><td>Roboterprototyp-Fahrgestell (komplett mit Fernbedienung und 240 V Netzbatterieladegerät)</td><td>Caterra AG, Opfikon, Schweiz</td><td>Firefly (Prototyp, nicht vermarktet), https://caterra.org/en/technologie/</td><td>Jeder andere Feldroboter mit geeigneter Nutzlastkapazität, Spurweite und Bodenfreiheit kann ausreichen.</td></tr><tr><td>Weißes Referenzpanel</td><td>-</td><td>-</td><td>Jede weiße oder graue Referenz reicht.</td></tr></tbody></table>

hochdurchsatz-screening der photosynthetischen effizienz in nutzpflanzen im feld mit einem autonomen roboter

High-Throughput, In-Field Screening of Photosynthetic Efficiency in Crop Plants Using an Autonomous Robot

Insgesamt wurden 91.205 ChlF-Übergangsmessungen von 36 Sojabohnen-(Glycine max (L.) Merr.-Zuchtlinien an 7 Messtagen vom 12. bis 27. Juni 2025 durchgeführt. 74.927 Datenpunkte konnten auf Diagramme georeferenziert werden, und 58.916 wurden auf Datenqualität gefiltert und erfolgreich mit spektralen und Wetterdaten abgeglichen. Ein Überblick über das Messsetup und die repräsentativen Daten ist in Abbildung 1 dargestellt, einschließlich eines Bildes des in Betrieb befindlichen Instruments (Abbildung 1A), der ChlF-Induktionskinetik über 12 Sojabohnengenotypen (Abbildung 1B) und entsprechenden spektralen Reflexionskurven (Abbildung 1C).
Die georeferenzierten Daten zeigten eine ausgeprägte räumliche Variation sowohl in Fq'/Fm' als auch in NDVI über die beiden experimentellen Felder hinweg (Abbildung 2). Diese räumlichen Muster waren teilweise mit der Antriebsrichtung des Roboters verbunden (Abbildung 3), die daher in späteren Modellierungen berücksichtigt wurde, um die möglichen Auswirkungen von Schattierung auf die Zielblätter zu verringern.
Lineare Mixed-Effects-Modellierung von Fq'/Fm'-Reaktionen auf einfallende PPFR (Abbildung 4A) erklärte einen erheblichen Anteil der Varianz (R<img alt="Gleichung 10" src="/files/ftp_upload/69530/69530eq10v6.jpg" style="font-size: 14px; margin: 0px; margin-bottom: -5px;" data-altupdatedat="1783400419000" data-alt="Equation 10"> = 0,45, R<img alt="Gleichung 11" src="/files/ftp_upload/69530/69530eq11v6.jpg" style="font-size: 14px; margin: 0px; margin-bottom: -5px;" data-altupdatedat="1783400419000" data-alt="Equation 11"> = 0,60). Die extrahierten genotypspezifischen Steigungen (Response G: PPFR) zeigten deutliche Unterschiede zwischen den Zuchtlinien (Abbildung 4B), wobei mehrere Linien steilere oder flachere Antwortkurven im Vergleich zum Panel-Durchschnitt aufwiesen (Abbildung 4C).
Schließlich zeigten 3D-Rekonstruktionen auf Canopy-Level, abgeleitet aus RGB-Bildgebung und dem Matching And Stereo 3D Reconstruction (MASt3R)-Algorithmus36 (Abbildung 5), das Potenzial der Integration von LIFT-basierten physiologischen Messungen mit struktureller Phänotypisierung, um die Canopy-Architektur in drei Dimensionen zu erfassen.
<img alt="Abbildung 1" class="xfigimg" src="/files/ftp_upload/69530/69530fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 1"> 
Abbildung 1: Überblick über lichtinduzierte Fluoreszenztransienten (LIFT) und spektrale Reflexionsmessungen für Sojabohnengenotypen. (A) Beispielbild des LIFT-Geräts in Betrieb. Der Einlass zeigt den blauen Anregungsstrahl, der Chlorophyllfluoreszenz (ChlF) induziert. (B) Transiente ChlF-Induktionskurven, gemessen am 27. Juni 2025 für 12 Sojabohnengenotypen (Mittelwert ± SD, n zwischen 88 und 553 pro Genotyp, ninsgesamt = 2.035). (C) Entsprechende Blattreflexionsspektren gemessen am 25. Juni 2025 für dieselben Genotypen (Mittelwert ± SE, nGesamt = 2.035). Die Farben zeigen einzelne Genotypen an; Fehlerbalken stellen Variationen zwischen den Replikationsmessungen dar. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig1large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.</a>
<img alt="Abbildung 2" class="xfigimg" src="/files/ftp_upload/69530/69530fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 2"> 
Abbildung 2: Räumliche Verteilung der Quanteneffizienz des Photosystems II und der Werte des normalisierten Differenzvegetationsindex (NDVI). Die räumliche Verteilung der (oben) Quanteneffizienz des Photosystems II (Fq'/Fm') und (unten) normalisierten Differenzvegetationsindex (NDVI) wurde über zwei experimentelle Sojabohnenfelder mit 120 Parzellen und 36 Zuchtlinien gemessen (n = 58.916). Die Punkte stehen für Messpositionen, wobei Farben den beobachteten Wert angeben und die Formen die Flugrichtung des Roboters angeben: Nordwesten (NW), Nordosten (NE), Südwesten (SW) und Südosten (SE)-Richtung. Schwarze Linien markieren die Felddiagrammgrenzen. Schwarze Punkte stellen die Koordinaten des globalen Navigationssatellitensystems (GNSS) des Feldroboters dar. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig2large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.</a>
<img alt="Abbildung 3" class="xfigimg" src="/files/ftp_upload/69530/69530fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 3"> 
Abbildung 3: Quanteneffizienz des Photosystems II. Boxplots zeigen die Quanteneffizienz des Fotosystems II (Fq'/Fm') und den Logarithmus der einfallenden Bestrahlung bei 680 nm über Messstunden (9 - 15 H) für sowohl nordostwärts (NE)- als auch südwestwärts (SW)-Richtung der Roverrichtung (nNE-Richtung = 14.339, nSE-Richtung = 25.669, ngesamt n = 40.008). Der Roboter beschattete die Messstelle, während er morgens südwestwärts und nachmittags nordostwärts unterwegs war. Jedes Feld stellt den Interquartilbereich (IQR) dar, wobei die horizontale Linie und die Schnurrhaare die Median- bzw. 1,5 × IQR-Grenzen angeben. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig3large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.</a>
<img alt="Abbildung 4" class="xfigimg" src="/files/ftp_upload/69530/69530fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 4"> 
Abbildung 4: Photosynthetische Antwortslope. (A) Räumliche Variation der geschätzten photosynthetischen Antwortslope (Wechselwirkung zwischen Genotyp und photosynthetischer Photonenflussrate (G: PPFR)) über zwei Sojabohnen-Experimentfelder, abgeleitet aus linearer Mixed-Effects-Modellierung. (B) Angepasste Mittelwerte und modellgeschätzte photosynthetische Antwortgefälle für einzelne Zuchtlinien, wobei hervorgehobene Genotypen von Interesse in Farbe dargestellt werden. (C) Beziehung zwischen einfallendem PPFR und der quantenmechanischen Effizienz des Photosystems II (Fq'/Fm') für die hervorgehobenen Genotypen, mit angepassten Quadratwurzel-Regressionskurven. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig4large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.</a>
<img alt="Abbildung 5" class="xfigimg" src="/files/ftp_upload/69530/69530fig5v2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 5"> 
Abbildung 5: Messung der Schirmarchitektur durch LIFT. Die Blätterdacharchitektur der Sojabohnensorte Gallec wird gezeigt. (A) Die roten, grünen und blauen (RGB)-Kameras des lichtinduzierten Fluoreszenztransient-(LIFT)-Geräts nahmen während des Screenings für die Photosynthese Bilder auf. (B, C) Der Matching- und Stereo-3D-Rekonstruktionsalgorithmus (MASt3R)36 wurde verwendet, um die 3D-Schirmarchitektur zu rekonstruieren. Die Pyramiden zeigen geschätzte Kamerapositionen an. <a href="https://www.jove.com/files/ftp_upload/69530/69530fig5large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.</a>

Hochdurchsatz-Screening der photosynthetischen Effizienz in Nutzpflanzen im Feld mit einem autonomen Roboter

Photosynthesis supplies energy not only for plant biomass production but also for symbiotic processes such as nitrogen (N) fixation. Whereas the potential ...

high-throughput-field-screening-photosynthetic-efficiency-crop-plants

Research

Forschung

JoVE Journal

Biology

Biologie

Wir berichten über eine Methode für die Einführung, Überwachung und quantitative Analyse der GFP-Expression in Pflanzenzellen. Diese Methode verwendet einen speziell entworfenen Robotik-System für semi-kontinuierlichen Bildsammlung aus einer großen Anzahl von Proben, über die Zeit. Wir zeigen auch die Verwendung von ImageJ und ImageReady für die Analyse von Bildserien.

Robotik und Dynamic Image Analysis für Studies of Gene Expression in pflanzlichen Geweben

Dieses Protokoll beschreibt ein Verfahren zur raschen Sammlung von Bildern von Arabidopsis Keimlingen Reaktion auf einen Reiz der Schwerkraft unter Verwendung von handelsüblichen Flachbettscanner. Die Methode ermöglicht kostengünstige, High-Volume-Erfassung von hochauflösenden Bildern zugänglich für Downstream-Analyse-Algorithmen.

Mit Flachbett-Scanner mit hoher Auflösung zeitversetzt Bilder von der Arabidopsis-Wurzel gravitropen Antwort sammeln

Ein hoher Durchsatz, automatisierte, Tabakprotoplasten Produktion und Transformation-Methodik beschrieben. Das Robotersystem ermöglicht massiv parallele Genexpression und Entdeckung im Modell BY-2-System, das auf nicht-Modellpflanzen übersetzbar sein sollte.

Ein Roboter-Plattform für Hochdurchsatz-Isolierung von Protoplasten und Transformation

Ein hoher Durchsatz-Bildschirm synthetische kleiner Moleküle wurde auf der Modell-Pflanzenart Arabidopsis Thalianadurchgeführt. Dieses Protokoll, entwickelt für eine liquid Handling-Roboter, erhöht die Geschwindigkeit des vorwärts Chemische Genetik Bildschirme, die Entdeckung der neuartigen kleine Moleküle, die Auswirkungen auf die Physiologie der Pflanzen zu beschleunigen.

Optimierung der Nutzung eines Liquid Handling Roboters, einen hohen Durchsatz nach vorn Chemische Genetik Bildschirm von Arabidopsis Thaliana durchzuführen

Verteilte Roboterknoten liefern Sequenzen von Blaulichtreizen, um die Wachstumspfade von Kletterpflanzen zu steuern. Durch die Aktivierung des natürlichen Phototropismus führen die Roboter die Pflanzen durch binäre Links-Rechts-Entscheidungen und wachsen sie zu vordefinierten Mustern, die im Gegensatz dazu nicht möglich sind, wenn die Roboter schlummern.

Robotic Sensing und Stimuli-Regelung für geführtes Pflanzenwachstum

Das Protokoll führt eine Hochdurchsatzmethode zur Messung der Relaxation der nicht-photochemischen Abschreckung durch pulsamplitudenmodulierte Chlorophyllfluorometrie ein. Die Methode wird auf feldgezüchtetes Glycine max angewendet und kann an andere Arten angepasst werden, um nach genetischer Vielfalt oder Brutpopulationen zu suchen.

Hochdurchsatzanalyse der nicht-photochemischen Abschreckung in Kulturpflanzen mittels pulsamplitudenmodulierter Chlorophyllfluorometrie

Wir beschreiben einen Ansatz zur Messung von Veränderungen der photosynthetischen Effizienz in Pflanzen nach Behandlung mit niedrigemCO2 mittels Chlorophyllfluoreszenz.

Bewertung der photosynthetischen Effizienz in photorespiratorischen Mutanten mittels Chlorophyllfluoreszenzanalyse

Wir berichten über detaillierte Verfahren für eine Methode zur Schätzung der invasiven Pflanzenbiomasse, die Daten aus der Fernerkundung von unbemannten Luftfahrzeugen (UAV) verwendet, um die Biomasse zu bewerten und die räumliche Verteilung invasiver Arten zu erfassen. Dieser Ansatz erweist sich als äußerst nützlich für die Durchführung von Gefahrenbewertungen und die Frühwarnung vor invasiven Pflanzen.

Computer Vision-basierte Biomasseschätzung für invasive Pflanzen

Hier beschreiben wir ein fortschrittliches Werkzeug zur Überwachung der Chlorophyllbiosynthese in den frühen Stadien der Arabidopsis-Keimlingsentetiolierung.   Die neuartige Methodik ermöglicht eine nicht-invasive Echtzeit-Chlorophyll-Fluoreszenz-Bildgebung mit hoher räumlicher und zeitlicher Auflösung.

Nicht-invasiver Assay zur Bestimmung der Chlorophyll-Biosynthese-Kinetik in frühen Stadien der Arabidopsis-De-etiolation

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

Es wird eine Methode für die kostengünstige Bildgebung von Pflanzen zur Messung von Phänotypen vorgestellt, zusammen mit Best Practices für die Bilderfassung und einer Bildanalyse-Pipeline zur Quantifizierung von Pflanzenmerkmalen. Diese Methoden wurden angewendet, um die Phänotypen von Mais (Zea mays) unter Hitze-, Trockenheits- und kombinierten abiotischen Stressbedingungen zu messen.

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

Erfahren Sie eine hochdurchsatzfähige Methode zur Messung der Photosystem-II-Quanteneffizienz im Feld mit einem autonomen Roboter. Diese nicht-invasive Technik ermöglicht die schnelle Phänotypisierung von Kulturpflanzen für Züchtungsprogramme.

Hochdurchsatz-Screening der photosynthetischen Effizienz in Nutzpflanzen im Feld mit einem autonomen Roboter

Weitere Videos entdecken