Name: Maize (Zea mays) 비생물적 스트레스 표현형을 정량화하기 위한 이미징 및 분석 (동영상) | JoVE Journal
Uploaded: 2025-03-28T13:35:00.000+00:00
Duration: 6 min 41 s
Description: 배우세요 옥수수(Zea mays)의 비생물적 스트레스 표현형을 정량화하는 저비용 이미징 방법을 통해 열 및 가뭄 스트레스 조건에서 잎 면적, 높이, 색조 등의 핵심 형질을 측정하는 기술을 익히세요.

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 전원 공급 장치</td><td>CanaKit</td><td>DCAR-RSP-3A5-C</td><td></td></tr><tr><td>25604 UC-E6 USB 케이블</td><td>Nikon</td><td>18208256044</td><td></td></tr><tr><td>3.5인치 냄비</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 소프트웨어 플랫폼</td><td>www.biodock.ai.</td></tr><tr><td>코드 편집 소프트웨어</td><td>Jupyter</td><td></td><td>https://jupyter.org/install</td></tr><tr><td>코드 편집 소프트웨어</td><td>Visual Studio 코드</td><td></td><td>https://code.visualstudio.com/download</td></tr><tr><td>컬러 카드 ColorChecker 클래식</td><td>칼리브라이트</td><td>CCC</td><td></td></tr><tr><td>컬러 카드 ColorChecker 여권</td><td>칼리브라이트</td><td>CCPP2</td><td></td></tr><tr><td>콘브론 성장 챔버</td><td>콘브론</td><td>BDW80 모델</td><td></td></tr><tr><td>Dell 22 모니터</td><td>Dell</td><td>SE2222H</td><td></td></tr><tr><td>EH-67 AC 어댑터</td><td>Nikon</td><td>AZ185</td><td></td></tr><tr><td>이미지 분석 소프트웨어</td><td>PlantCV</td><td></td><td>https://plantcv.readthedocs.io/en/latest/installation/</td></tr> <tr><td>Jack's 수용성 비료 15-5-15</td><td>Hummert International</td><td>7590200</td><td>액체 비료</td></tr><tr><td>키보드 및 마우스</td><td>Logitech</td><td>1440638</td><td>MK270 무선 키보드 및 마우스</td></tr><tr><td>옥수수 씨앗</td><td>USDA-ARS 생식질 자원 정보 네트워크(GRIN)</td><td>B73</td><td>https://www.ars-grin.gov/</td></tr> <tr><td>마이크로 HDMI-HDMI 케이블</td><td>Amazon</td><td>B07KSDB25X</td><td></td></tr><tr><td>Nikon Coolpix B500 카메라</td><td>Nikon</td><td></td><td></td></tr><tr><td>Nikon D7200 카메라</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>사진 등급 패브릭</td><td>Yayoya</td><td></td><td>폴리에스터 패브릭 블랙 포토 백드롭 사진 비디오 스튜디오 텔레비젼</td></tr><tr><td>라즈베리 파이 4 케이스와 히트싱크</td><td>iUniker</td><td>&lrm; </td><td></td>B07ZVKN262</tr><tr><td>라즈베리 파이 4 모델 B rev 1.1</td><td>라즈베리 파이 파운데이</td>션 <td>RP4B4GB_BP</td><td></td></tr><tr><td>라즈베리 파이 4 PiSwitch(USB-C)</td><td>CanaKit</td><td>RSP-PISWITCH-USBC</td><td></td></tr><tr><td>라즈베리 파이 소프트웨어</td><td>라즈베리 파이 이미저</td><td></td><td>https://www.raspberrypi.com/software/</td></tr> <tr><td>통계 분석 소프트웨어</td><td>Rstudio</td><td></td><td>https://posit.co/downloads/</td></tr><tr><td>삼각대</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>무선 바코드 스캐너</td><td>Netumscan</td><td>B08X4NMX2M</td><td>1D 및 2D 바코드 스캐너</td></tr></tbody></table>

maize (zea mays) 비생물적 스트레스 표현형을 정량화하기 위한 이미징 및 분석

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

이 방법을 개발하기 위해 B73 옥수수 식물은 총 4가지 처리에 대해 제어 온도, 열 온도, 물 공급 및 가뭄 조건 및 이들의 조합에서 정량적 표현형을 평가했습니다. B73은 풍부한 유전 데이터를 가진 잘 알려진 근친 옥수수 품종입니다21.
PlantCV의 이미지 분석은 그림 3에서 볼 수 있듯이 이미지의 색상을 성공적으로 보정하고, 식물 메타데이터로 정량적 결과를 레이블링하고, 배경에서 식물을 분할(즉, 분리)했습니다. 분석에 실패하면 플랜트 외부에 파란색 윤곽선이나 분홍색 모양이 표시되지 않고 추가 노이즈 또는 플랜트 조각이 누락된 출력 이미지가 제공됩니다(그림 3, 저품질 예). 마스크에 가능한 한 많은 식물을 포함하기 위해 이중 채널 임계값이 필요했습니다("photo-studio-SV-notebook.ipynb"의 대체 단일 채널 전략 참조). 그러나 일부 식물, 특히 자주색 줄기를 가진 식물은 완벽한 분할을 갖지 못했지만 다운스트림 분석에는 충분했습니다(그림 3).
PlantCV 분석은 그림 4에 요약된 16개의 정량적 단일 값 형질을 제공했습니다. 단일 값 특성은 식물당 하나의 값(예: 잎 면적, 높이, 너비 및 색조 원형 평균)을 제공합니다. 잎 면적은 "analyze.shape" 기능(그림 4)을 사용하여 고려하고 전체 식물을 고려했습니다. 그러나 높이와 너비는 식물 토양 선에 경계가 그려진 "analyze.bound_horizontal 함수"를 사용하여 고려되었습니다. 이는 화분 옆으로 처진 식물은 식물 전체를 대상으로 고려할 때 더 큰 높이를 가지며 대신 토양과 만나는 식물 바닥에서만 측정해야 하기 때문입니다. 단일 값 트레이트 외에도 PlantCV는 히스토그램, 특히 식물의 각 픽셀을 나타내는 색상 값인 다중 값 트레이트를 출력합니다. 색조 원형 평균은 전체 식물의 평균 색조 값인 단일 값 특성입니다.
어떤 형질이 가장 흥미로운지 결정하기 위해, 각 형질에 대한 처리로 설명된 분산을 계산하고, pcvr R Studio 패키지20 의 "frem" 기능을 사용하여 서로 다른 형질 간의 상관관계를 계산했습니다(그림 5A). 잎 면적, 높이, 너비 및 색조 원형 평균은 처리로 인한 분산의 50% 이상을 설명하고 식물 성장(면적, 높이 및 너비) 및 건강(색조)의 관련 측정값이기 때문에 다운스트림 분석을 위해 선택되었습니다. 가장 큰 잎 면적과 가장 작은 잎 면적을 가진 식물의 대표적인 이미지는 이 실험에서 수집된 표현형의 변화를 보여줍니다(각각 그림 5B, C). 잎 면적이 가장 큰 식물은 평균 색조도 가장 높았으며 물이 많고 열 스트레스를 받는 B73 식물이었습니다(그림 5B). 가장 작은 잎 면적은 평균 색조가 가장 작았으며(그림 5C), 가뭄과 열에 스트레스를 받은 B73 식물이었습니다.
수처리는 잎 면적(F(1,13) = 226.5, p=1.32 x 10-9), 높이(F(1,13) = 21.1, p =0.0005), 너비(F(1,13) = 75.5, p=8.92 x 10-7), 색조 원평균(F(1,13) = 27.8, p =0.0002)을 결정하는 데 유의한 영향을 미쳤으며, 이는 R Studio에서 처리 효과에 대한 선형 회귀 모델과 이원 ANOVA( 전체 결과 표 1)를 사용하여 결정되었습니다. 온도 처리는 높이(F(1,13) = 5.94, p = 0.03)에 유의한 영향을 미쳤지만, 잎 면적, 너비 또는 색조 원형 평균(p &gt; 0.05, 표 1)에는 유의한 영향을 미치지 않았습니다. 온도와 수중 상태 사이의 상호 작용은 측정된 형질 중 어느 것에서도 중요한 요인이 아니었습니다(p &gt; 0.05, 표 1).
다음으로, 선형 회귀 분석과 사후 검정 (추정된 한계 평균)을 사용하여 개별 처리를 대조군 및 서로 비교하고 다중 비교를 위해 Sidak 보정을 수행했습니다(그림 6). 잎 면적, 식물 높이, 식물 너비 및 색조 원형 평균은 두 온도 조건 모두에서 물을 잘 준 식물에 비해 가뭄 스트레스를 받은 식물에서 유의하게 감소했습니다(p &lt; 0.05, 그림 6). 물을 잘 주는 동안 열 스트레스는 식물 높이만 감소시켰지만(p &lt; 0.05, 그림 6), 잎 면적, 식물 너비 또는 색조 원형 평균은 크게 감소시키지 않았습니다. 이러한 색조의 차이는 단순한 평균이 아닌 그림 7에 히스토그램으로 표시된 다중 값 색상 특성 색조를 평가하여 추가로 조사할 수 있습니다. 가뭄으로 인한 평균 색조의 감소는 백화증(chlorosis)으로 알려진 녹색 픽셀에서 노란색 픽셀로의 전환 때문이었습니다(그림 7). 열은 평균 색조에서 큰 차이를 보이지 않았지만 황변(백화)과 녹색의 어두워짐으로 인해 감소 및 증가를 보였습니다(그림 7).
이미징 후, 뿌리-싹 접합부에서 식물을 절단하고 지상 조직의 무게를 기록했습니다. 뿌리를 부드럽게 씻고 수건으로 말린 다음 무게를 측정하여 설명된 이미지 기반 표현형 분석법과 비교하기 위해 총 식물 바이오매스(중량이라고도 함)를 계산했습니다. 이미지 분석을 통해 측정된 잎 면적은 식물 바이오매스와 밀접한 상관관계가 있었습니다(R2 = 0.84, 그림 8).
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/67619/67619fig01.jpg"> 
그림 1: 식물 이미지를 수집하기 위해 레이블이 지정된 구성 요소가 있는 사진 스튜디오 설정 이미지. (A) 사진 등급 패브릭, (B) 컬러 카드, (C) 화분을 균일하게 배치하기 위한 테이프 라인, (D) 디지털 카메라, (E) 단일 보드 컴퓨터, (F) 이미지 캡처 프로세스를 표시하는 모니터. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig01large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/67619/67619fig02.jpg"> 
그림 2: 이미징 워크플로우 개요. 대표적인 "고화질" 및 "저화질" 이미지가 제공됩니다. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig02large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/67619/67619fig3v2.jpg"> 
그림 3: PlantCV의 이미지 분석 워크플로우 개요. "높음", "수용 가능" 및 "낮음" 품질 세분화의 대표적인 이미지가 제공됩니다. PlantCV 특성은 전체 식물 모양의 분홍색 윤곽선과 식물 영역의 파란색 윤곽선을 사용하여 표현됩니다. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig3v2large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/67619/67619fig04.jpg"> 
그림 4: 분석에서 캡처한 형상 특성의 요약 및 시각적 표현. PlantCV의 형상 함수. 보라색 상자는 계산에 다른 트레이트를 사용하지 않는 트레이트를 나타냅니다. 주황색 상자는 계산에 다른 특성을 사용하는 특성을 나타냅니다. 화살표는 이러한 계산에 사용되는 트레이트를 나타냅니다. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig04large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/67619/67619fig05.jpg"> 
그림 5: 이미지 기반 표현형은 표현형 분산과 상관 형질을 캡처합니다. (A) 처리에 의해 설명되는 형질의 분산(오른쪽)과 형질 간의 상관관계(왼쪽). 각 형질에는 레이블이 지정되고 그 뒤에 측정 단위가 표시됩니다. "NA"는 단위 없는 측정임을 의미합니다. (B) 가장 높은 잎 면적과 가장 높은 색조 원형 평균(도)을 가진 식물의 이미지. (C) 잎 면적이 가장 작고 색조 원형 평균(도)이 가장 낮은 식물의 이미지. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig05large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/67619/67619fig06.jpg"> 
그림 6: 식물 표현형에 대한 처리 효과의 상자 그림 비교. 잎 면적(A), 높이(B), 너비(C) 및 색조 원형 평균(D)을 비교하여 가뭄, 열 및 결합된 응력의 영향을 비교합니다. n = 4입니다. 문자는 처리 간에 통계적으로 유의한 차이를 나타냅니다(p &lt; 0.05). 선형 회귀 분석과 사후 검사(추정된 한계 평균)를 사용하여 다중 비교를 위한 Sidak 보정을 사용하여 처리를 비교했습니다. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig06large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 7" class="xfigimg" src="/files/ftp_upload/67619/67619fig07.jpg"> 
그림 7: 각 처리 조합의 모든 픽셀을 합산한 색상(색조)의 히스토그램으로, 처리 조합의 총 픽셀 수로 정규화되었습니다. 히스토그램은 색조 정도의 색상 값으로 색상이 지정됩니다. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig07large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<img alt="Figure 8" class="xfigimg" src="/files/ftp_upload/67619/67619fig08.jpg"> 
그림 8: 이미지에서 측정한 잎 면적과 전체 식물 바이오매스의 상관관계. 각 검은 점은 하나의 식물을 나타냅니다. 분홍색 선은 잎 면적(X)과 바이오매스(Y) 사이의 선형 상관관계를 나타냅니다. <a href="https://www.jove.com/files/ftp_upload/67619/67619fig08large.jpg" target="_blank">이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>특징</td>
			<td>요소</td>
			<td>자유도</td>
			<td>F-값</td>
			<td>p-값</td>
		</tr>
		<tr>
			<td>잎 면적 (cm ^ 2)</td>
			<td>온도</td>
			<td>1</td>
			<td>0.5372</td>
			<td>0.4766</td>
		</tr>
		<tr>
			<td>잎 면적 (cm ^ 2)</td>
			<td>물</td>
			<td>1</td>
			<td>226.5318</td>
			<td>1.32E-09</td>
		</tr>
		<tr>
			<td>잎 면적 (cm ^ 2)</td>
			<td>온도:물</td>
			<td>1</td>
			<td>2.1526</td>
			<td>0.1661</td>
		</tr>
		<tr>
			<td>잎 면적 (cm ^ 2)</td>
			<td>오차</td>
			<td>13</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>높이 (cm)</td>
			<td>온도</td>
			<td>1</td>
			<td>5.9426</td>
			<td>0.0298935</td>
		</tr>
		<tr>
			<td>높이 (cm)</td>
			<td>물</td>
			<td>1</td>
			<td>21.107</td>
			<td>0.0005029</td>
		</tr>
		<tr>
			<td>높이 (cm)</td>
			<td>온도:물</td>
			<td>1</td>
			<td>2.1752</td>
			<td>0.1640545</td>
		</tr>
		<tr>
			<td>높이 (cm)</td>
			<td>오차</td>
			<td>13</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>폭(cm)</td>
			<td>온도</td>
			<td>1</td>
			<td>2.2495</td>
			<td>0.1575</td>
		</tr>
		<tr>
			<td>폭(cm)</td>
			<td>물</td>
			<td>1</td>
			<td>75.5474</td>
			<td>8.92E-07</td>
		</tr>
		<tr>
			<td>폭(cm)</td>
			<td>온도:물</td>
			<td>1</td>
			<td>0.0839</td>
			<td>0.7766</td>
		</tr>
		<tr>
			<td>폭(cm)</td>
			<td>오차</td>
			<td>13</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>색조 원형 평균(도)</td>
			<td>온도</td>
			<td>1</td>
			<td>0.9154</td>
			<td>0.3561432</td>
		</tr>
		<tr>
			<td>색조 원형 평균(도)</td>
			<td>물</td>
			<td>1</td>
			<td>27.7988</td>
			<td>0.0001509</td>
		</tr>
		<tr>
			<td>색조 원형 평균(도)</td>
			<td>온도:물</td>
			<td>1</td>
			<td>3.4792</td>
			<td>0.0848724</td>
		</tr>
		<tr>
			<td>색조 원형 평균(도)</td>
			<td>오차</td>
			<td>13</td>
			<td></td>
			<td></td>
		</tr>
	</tbody>
</table>
표 1: 수처리, 온도 처리 및 상호 작용이 식물 형질에 미치는 영향을 조사한 선형 회귀 모델 및 양방향 분산 분석 분석의 결과.

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

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

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.

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

Research

연구

JoVE Journal

Biology

생물학

세포 분열과 확장을 정량화하는 것은 식물 전체의 성장을 이해하는 데 매우 중요합니다. 여기에서는 옥수수 잎의 성장 속도를 결정하는 세포 매개변수를 계산하는 프로토콜을 제시하고 발달 단계별 샘플링 전략을 지시하여 분자 성장 조절 메커니즘을 조사하기 위해 이러한 데이터를 사용하는 방법을 강조합니다.

세포 분열 및 확장의 운동 학적 분석 : 성장과 샘플링 발달 영역의 세포 기초의 정량화<em&gt; ZEA 메이스</em&gt; 잎

실험 프로토콜은 RGB와 hyperspectral 화상 식물 루트 시스템을 성장 하는 토양의 평가 대 한 제공 됩니다. RGB 이미지 시간 시리즈 hyperspectral에서 chemometric 정보 검색의 조합 공장 루트 역학에 대 한 통찰력을 최적화 합니다.

RGB 및 식물 형질 및 생리 적 연구에 대 한 스펙트럼 루트 이미징: 실험적인 체제 및 프로토콜을 이미징

우리는 옥수수 조직 일반 microcomputed 단층 촬영 스캐닝 적합의 x 선 흡수 명암을 개선 하기 위해 새로운 방법을 제공 합니다. CT 이미지를 바탕으로, 우리 옥수수의 혈관 번들의 미세한 고기를 효과적으로 추출 하는 다른 옥수수 자료에 대 한 이미지 처리 워크플로 집합을 소개 합니다.

X 선 Microcomputed 단층 촬영에 따라 옥수수 혈관 번들의 미크론 단위 형질 기법

우리는 단일 및 복합 열, 가뭄 및 침수 처리에 대한 형태학적 및 생리학적 반응을 결정하기 위해 이미지 기반 표현형 프로토콜을 설계했습니다. 이 접근 방식을 통해 전체 플랜트 수준, 특히 지상 부품에서 초기, 후기 및 복구 반응을 식별할 수 있었고 여러 이미징 센서 사용의 필요성을 강조했습니다.

감자의 단일 및 결합 스트레스에 대한 형태학적 및 생리학적 반응을 결정하기 위한 고처리량 이미지 기반 표현형 분석

자기 공명 영상 (MRI)은 작업 과정에서 장비의 효율성을 평가하는 강력한 도구를 제공합니다. 우리는 정적 믹서에서 혼합 시각화하기 위해 MRI의 사용을 토론합니다. 응용 프로그램은 개인 케어 제품과 관련이 있지만, 식품, 화학, 바이오 매스 및 생물 학적 체액의 다양한 적용할 수 있습니다.

자기 공명 영상을 사용하여 혼합 Quantifying

여기에서 우리는 빠르게 PhenoRipper, 최근에 개발 된 이미지 분석 플랫폼을 사용하여 형광 현미경 이미지의 컬렉션을 분석하고 탐구를위한 워크 플로를 설명합니다.

신속한 분석 및 형광 현미경 이미지의 탐사

여기에서 우리는 살아있는 제브라피시 배아의 산화 스트레스를 측정하는 프로토콜을 보고합니다. 이 절차를 통해 전체 배아 조직과 단일 세포 집단 모두에서 활성 산소 종(ROS)을 검출할 수 있습니다. 이 프로토콜은 정성적 분석과 정량적 분석을 모두 수행합니다.

제브라 피쉬 배아에서 산화 스트레스의 분석

LRIS(Lateral Root Inducible System)는 측근의 동기 유도를 허용하며 Arabidopsis, thaliana 및 maize에 대해 제공됩니다.

의 측면 루트 유도 성 시스템<em&gt; 애기 장대</em&gt;과 옥수수

주기성 시계는 애기 사체의 제에 대한 규제 만 계시로 피드백 유전자의 비율은 알 수없는 남아 있습니다. 여기에서 우리는 신속하게 일시적으로 원형질체에 표시되는 주기성 기자의 발광 이미지를 사용하여 애기 장대의 돌연변이 라인에서 일주기 표현형을 평가하는 방법을 시각화.

발광 시계 기자와 애기 장대 원형질체 트랜의 일주기 표현형의 신속한 분석

DNA 손상에 따라 인간 세포는 게놈의 무결성을 회복하기 위해 필수적인 수리 경로를 활성화합니다. 여기서, 우리는 DNA 복구 단백질을 검출하고, 그들의 공간 및 측두모집을 분석하고, DNA 손상의 사이트에서 단백질 단백질 상호 작용을 심문하는 것을 돕는 수단으로 간접적인 면역 형광의 방법을 기술합니다.

면역형광에 의한 DNA 수리 단백질 상호작용의 시각화

배우세요 옥수수(Zea mays)의 비생물적 스트레스 표현형을 정량화하는 저비용 이미징 방법을 통해 열 및 가뭄 스트레스 조건에서 잎 면적, 높이, 색조 등의 핵심 형질을 측정하는 기술을 익히세요.

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

더 많은 동영상 탐색