Maize (Zea mays) 비생물적 스트레스 표현형을 정량화하기 위한 이미징 및 분석

우리의 연구는 고처리량 식물 표현형 분석 도구를 개발하고 적용하는 데 중점을 두고 있습니다. 우리의 목표는 식물을 죽이지 않고 빠르고 저렴하게 측정하는 것입니다. 최근 식물 표현형 분석 분야의 발전으로 이미지 분석이 위성 및 UAV와 같은 다양한 유형의 카메라로 확장되고 기계 학습에 새로운 기술이 적용되었습니다.

현재의 실험적 과제에는 생물학적 질문에 대한 상당한 진전을 이루기 위해 여러 시점에서 측정값을 캡처하는 데 필요한 광범위한 범위와 상당한 노동, 환경 처리 및 유전자형이 포함됩니다. 당사의 프로토콜은 고가의 장비 없이도 빠르고 유연하게 플랜트 이미지를 캡처하고 분석할 수 있는 간단한 방법을 제공합니다. 시작하려면 스위치를 사용하여 멀티탭을 켜고 버튼을 눌러 모니터를 켭니다.

단일 보드 컴퓨터 또는 SBC 전원 코드의 스위치를 켭니다. 카메라를 삼각대나 테이블에 놓고 전원 코드나 배터리를 통해 카메라에 전원을 공급합니다. 카메라 전원 버튼을 사용하여 카메라를 켭니다. 제공된 데이터 전송 케이블을 사용하여 카메라를 SBC의 USB 포트에 연결하고 카메라에 연결합니다.

다음으로, 냄비가 놓일 사진 등급 천에 어두운 색의 테이프 조각을 놓습니다. 이제 표시된 테이프에 냄비를 놓습니다. 옥수수와 수수와 같이 평면에서 자라는 식물의 경우 식물의 가장 넓은 각도를 카메라를 향해 배치합니다.

색상 카드를 화분과 일직선이 되도록 조정하되 겹치지 않도록 식물과 분리하십시오. 터미널 버튼을 클릭하여 SBC에서 터미널을 엽니다. 코드 줄을 입력하여 이미지 캡처를 위한 창을 엽니다.

그런 다음 이미지 이름을 수동으로 입력하거나 바코드 스캐너를 사용하여 식물의 바코드 또는 QR 코드를 스캔합니다. 사진을 촬영한 후 이미지를 로컬에 저장하거나 마운트된 서버 또는 클라우드 스토리지에 저장하는 옵션을 선택합니다. 사진을 찍으려면 여기를 클릭하십시오"버튼을 클릭하여 이미지를 캡처하십시오.

로컬 저장소를 선택한 경우 바탕 화면에서 사진 폴더를 열어 이미지를 검토합니다. 서버 또는 클라우드 스토리지를 사용한 경우 해당 위치에서 이미지를 엽니다. 모든 이미지를 캡처한 후 USB 저장소, 인터넷 브라우저 또는 SSH 전송과 같은 선호하는 방법을 사용하여 SBC의 모든 이미지를 로컬 컴퓨터 또는 클라우드 저장소로 복사합니다.

필요한 파일을 로컬 컴퓨터 또는 서버에 다운로드합니다. 명령줄 또는 패키지 관리자를 사용하여 plantcv를 설치합니다. photo-studio-SV-notebook을 엽니다.

JupyterLab 또는 Visual Studio Code와 같은 기본 코드 편집기를 사용합니다. 코드의 각 블록을 실행하고, 코드에 요약된 매개 변수를 기반으로 필요한 편집을 수행하여 플랜트의 깨끗한 마스크를 얻습니다. 샘플 이미지의 분석이 만족스러우면 워크플로우를 엽니다.

py를 선택합니다. 워크플로우 편집. py를 사용하여 photo-studio-SV-notebook에서 변경된 매개 변수를 포함합니다.

ipynb를 선택하고 파일을 저장합니다. photo-studio-SV-config를 엽니다. json을 사용하여 파일 경로를 업데이트합니다.

식물 이미지가 포함된 입력 폴더와 처리된 이미지와 결과가 저장될 출력 폴더의 경로를 수정합니다. 터미널을 열고 conda activate plantcv 명령으로 plantcv를 활성화하고 키보드에서 Enter 키를 누릅니다. 업데이트된 photo-studio-SV-config를 가리키도록 지정된 코드 줄을 변경합니다.

json 파일. 터미널에서 수정된 코드를 입력하고 키보드에서 Enter 키를 누릅니다. 터미널에서 plantcv가 활성화되어 있는지 확인합니다.

그런 다음 명령을 실행하여 results-photo-studio. json csv로 변환하고 그에 따라 파일 경로를 업데이트합니다. plantcv의 이미지 분석은 이중 채널 임계값을 사용하여 배경에서 옥수수 식물을 성공적으로 분할했습니다.

plantcv 분석은 잎 면적, 높이, 너비 및 히스토그램으로 표시된 다중 값 특성과 함께 색조 원형 평균을 포함한 16개의 단일 값 특성을 제공했습니다. 잎 면적, 높이, 너비 및 색조 원형 평균은 처리로 인한 변형의 50% 이상을 설명하여 다운스트림 분석의 핵심 지표가 되었습니다. 잎 면적이 가장 큰 식물은 평균 색조가 가장 높았으며 물이 많고 열 스트레스를 받는 식물인 유전자형 B73이었습니다.

가장 작은 잎 영역은 또한 평균 색조가 가장 작았으며 가뭄과 열에 스트레스를 받는 식물인 유전자형 B73이었습니다. 수처리는 잎 면적, 높이, 너비 및 색조 원형 평균에 큰 영향을 미친 반면 온도 처리는 높이에만 큰 영향을 미쳤습니다. 가뭄 스트레스는 두 온도 조건 모두에서 잎 면적, 식물 높이, 식물 너비 및 색조 원형 평균을 크게 감소시켰습니다.

가뭄으로 인한 평균 색조의 감소는 녹색 픽셀에서 노란색 픽셀로 전환되었기 때문입니다. 열 스트레스는 녹색의 황변과 어두움을 모두 유발했습니다. 이미지 분석을 통해 측정된 잎 면적은 식물 바이오매스와 밀접한 상관관계가 있어 이미지 기반 표현형 분석 방법을 검증했습니다.