Beeldvorming en analyse voor het kwantificeren van maïs (Zea mays) abiotische stressfenotypes
28 maart 2025
Er wordt een methode gepresenteerd voor goedkope beeldvorming van planten om fenotypes te meten, samen met best practices voor het vastleggen van afbeeldingen en een pijplijn voor beeldanalyse voor het kwantificeren van planteigenschappen. Deze methoden werden toegepast om de fenotypes van maïs (Zea mays) te meten onder hitte, droogte en gecombineerde abiotische stressomstandigheden.
Ons onderzoek is gericht op het ontwikkelen en toepassen van apparatuur voor plantfenotypering met hoge doorvoer. Ons doel is om metingen snel, betaalbaar en zonder de planten te doden uit te voeren. Recente ontwikkelingen op het gebied van plantfenotypering hebben de beeldanalyse uitgebreid naar verschillende soorten camera's, zoals satellieten en UAV, en hebben nieuwe technieken in machine learning toegepast.
Huidige experimentele uitdagingen omvatten het grote bereik en de aanzienlijke arbeid die vereist is om metingen op veel tijdstippen, omgevingsbehandelingen en genotypen te registreren om significante vooruitgang te boeken op biologische vragen. Ons protocol biedt een eenvoudige methode voor het vastleggen en analyseren van plantenbeelden met snelheid en flexibiliteit zonder de noodzaak van dure apparatuur. Om te beginnen, zet de stroomstrip aan met behulp van de schakelaar en druk op de knop om de monitor aan te zetten.
Zet de schakelaar op de enkelbordcomputer of SBC-voedingskabel op Aan. Plaats de camera op een statief of tafel en geef stroom aan de camera via de voedingskabel of batterijen. Zet de camera aan met behulp van de aan/uit-knop van de camera. Verbind de camera met de USB-poort op de SBC met behulp van de meegeleverde datatransferkabel en met de camera.
Plaats vervolgens een stukje donkergekleurd plakband op de fotografiekwaliteitsstof waar de pot zal worden geplaatst. Plaats nu de pot op het gemarkeerde plakband. Voor planten die in een vlak groeien, zoals maïs en sorghum, plaats de breedste hoek van de plant naar de camera.
Pas de kleurenkaart aan zodat deze in lijn is met de pot, maar gescheiden van de plant voor geen overlapping. Klik op de Terminal-knop om de terminal op de SBC te openen. Voer de regel code in om het venster voor beeldregistratie te openen.
Typ vervolgens de naam van het beeld handmatig in of scan een barcode of QR-code van de plant met behulp van een barcodescanner. Nadat de foto is gemaakt, selecteert u een optie om het beeld lokaal of op een gemonteerde server of cloudopslag op te slaan. Klik op de knop "Hier klikken om een foto te maken" om het beeld vast te leggen.
Als lokale opslag is gekozen, opent u de map Foto's op het bureaublad om het beeld te bekijken. Als een server of cloudopslag is gebruikt, opent u het beeld op die locatie. Nadat alle beelden zijn vastgelegd, gebruikt u de gewenste methode, zoals USB-opslag, een internetbrowser of SSH-overdracht om alle beelden van de SBC naar een lokale computer of cloudopslag te kopiëren.
Download de vereiste bestanden naar een lokale computer of server. Installeer plantcv via de opdrachtregel of pakketbeheerder. Open photo-studio-SV-notebook.
ipynb met behulp van een gewenste code-editor zoals JupyterLab of Visual Studio Code. Voer elke codeblok uit en breng eventueel benodigde wijzigingen aan op basis van de parameters die in de code zijn beschreven om een schone masker van de plant te verkrijgen. Als u tevreden bent met de analyse van het steekproefbeeld, opent u workflow.
py in de gewenste code-editor. Bewerk workflow. py om eventuele parameterwijzigingen op te nemen die zijn aangebracht in de photo-studio-SV-notebook.
ipynb en sla het bestand op. Open photo-studio-SV-config. json om de bestandspaden bij te werken.
Wijzig paden naar de map met invoer die plantenbeelden bevat en de map met uitvoer waar de verwerkte beelden en resultaten zullen worden opgeslagen. Open een terminal en activeer plantcv met de opdracht conda activate plantcv en druk op Enter op het toetsenbord. Wijzig de opgegeven regel code om te verwijzen naar de bijgewerkte photo-studio-SV-config.
json-bestand. Typ in de terminal de gewijzigde code en druk op Enter op het toetsenbord. Zorg ervoor dat plantcv is geactiveerd in de terminal.
Voer vervolgens de opdracht uit om results-photo-studio. json naar csv te converteren en werk de bestandspad dienovereenkomstig bij. Beeldanalyse in plantcv segmenteerde succesvol maïsplanten van de achtergrond met behulp van een dubbelkanaalsdrempel.
De plantcv-analyse leverde 16 enkele waarde-eigenschappen op, waaronder bladoppervlak, hoogte, breedte en cirkelvormige gemiddelde tint met meerwaardige eigenschappen uitgezet als histogrammen. Bladoppervlak, hoogte, breedte en cirkelvormige gemiddelde tint verklaarden meer dan 50%van varianten als gevolg van behandeling, waardoor ze sleutelmetrieken zijn voor downstream-analyse. De plant met het grootste bladoppervlak had de hoogste gemiddelde tint en was een genotype B73, een goed bewaterde, hitte-gestresste plant.
De kleinste bladoppervlakte had ook de kleinste gemiddelde tint en was een genotype B73, een droogte-gestresste, hitte-gestresste plant. Waterbehandeling had een significant effect op bladoppervlak, hoogte, breedte en cirkelvormige gemiddelde tint, terwijl temperaaterbehandeling alleen significant effect had op hoogte. Droogtestress verminderde het bladoppervlak, planthoogte, plantbreedte en cirkelvormige gemiddelde tint significant onder beide temperatuuromstandigheden.
De vermindering van de gemiddelde tint als gevolg van droogte was te wijten aan een verschuiving van groene naar gele pixels. Hittestress veroorzaakte zowel vergeling als verdonkering van de groene kleur. Bladoppervlak gemeten via beeldanalyse correleerde sterk met plantbiomassa, wat de op beeld gebaseerde fenotyperingsmethode valideerde.
Overzicht
Deze studie presenteert een kosteneffectieve beeldvormingsmethode voor het analyseren van plantfenotypes, met een specifieke focus op maïs (Zea mays) onder verschillende abiotische stressomstandigheden, waaronder hitte en droogte. Het onderzoek benadrukt de effectiviteit van deze methode bij het vastleggen en analyseren van beelden om kritieke plantkenmerken te kwantificeren.
Belangrijkste componenten van de studie
Onderzoeksgebied
- Plantphenotypering
- Analyse van abiotische stress
- Beeldanalysetechnieken
Achtergrond
- Het verhogen van de efficiëntie bij het meten van plantkenmerken
- Uitdagingen bij high-throughput fenotypering met betrekking tot kosten en operationele complexiteit
- Het belang van nauwkeurige fenotype-meting voor onderzoek in de plantbiologie
Gebruikte methoden
- Ontwikkeling van een goedkoop imagingsysteem voor het vastleggen van plantafbeeldingen
- Gebruik van maïs als biologisch modelorganisme
- Implementatie van de plantcv-software voor beeldanalyse
Belangrijkste resultaten
- Beeldanalyse heeft diverse fenotypische kenmerken zoals bladoppervlakte, hoogte en kleur succesvol gekwantificeerd
- Significante reducties in hoogte en bladoppervlakte werden waargenomen onder omstandigheden van droogte- en hittestress
- De methode correleerde goed met de plantbiomassa, wat de effectiviteit voor fenotypering valideert
Conclusies
- De studie demonstreert een haalbare aanpak voor high-throughput plant-fenotypering die kosteneffectief is
- Deze beeldvormingsmethode is relevant voor het bevorderen van onderzoek in de plantbiologie, in het bijzonder onder omgevingsstressfactoren
Veelgestelde vragen
Relevantie voor de industrie
Kwantitatieve, niet-destructieve beeldvorming van abiotische stressfenotypes bij maïs maakt schaalbare, reproduceerbare kenmerkmeting mogelijk, wat essentieel is voor vroege ontdekking en translationeel onderzoek. Beeldgebaseerde fenotypering vermindert handmatige arbeid en verhoogt de doorvoer, wat robuuste hypothesetoetsing en mechanistische risicovermindering bij de validatie van gewaskenmerken ondersteunt. Deze aanpak vergroot het voorspellende vertrouwen voor R&D-teams die prioriteit geven aan stressbestendige genotypen en selectiepipelines voor kenmerken optimaliseren.
Strategische Toepassingen in Biopharma R&D
Vroege ontdekking & targetvalidatie
- Maakt een snelle, kwantitatieve beoordeling van de plantrespons op abiotische stress mogelijk voor hypothese-gestuurde validatie van kenmerken.
- Ondersteunt mechanische risicoreductie door beeldgebaseerde fenotypes te correleren met onderliggende biologische processen.
- Faciliteert de triage van portfolio's door genotypen met een superieure stressbestendigheid te identificeren op basis van objectieve metrieken.
Screening & Assayontwikkeling
- Biedt gestandaardiseerde, reproduceerbare workflows voor beeldvastlegging en analyse voor high-throughput trait screening.
- Levert kwantitatieve resultaten zoals bladoppervlak, hoogte en kleurtoon, wat betrouwbare vergelijkingen tussen behandelingen ondersteunt.
- Maakt schaalbare screening van meerdere genotypen en omgevingscondities mogelijk met een minimale inzet van middelen.
Translationeel & Preklinisch Onderzoek
- Rijgt fenotypische resultaten in lijn met de ontwikkeling van translationele biomarkers voor stress-tolerantiekenmerken.
- Waarborgt continuïteit van vroege ontdekking tot preklinische validatie door herhaalde, niet-destructieve metingen mogelijk te maken.
- Ondersteunt risicogebaseerde beslissingen voor verdere ontwikkeling door robuuste, kwantitatieve gegevens te leveren over de prestaties van kenmerken onder stress.
Integratie van Pipeline & Workflow
Deze workflow voor beeldvorming en analyse integreert alle stappen van vroege ontdekking via lead-identificatie tot preklinische trait-validatie in R&D-pipelines voor gewassen.
- Ontdekkingsbiologie: Ondersteunt hypothesetoetsing en pathway-verduidelijking door plantenresponsen op gedefinieerde stressoren te kwantificeren.
- Screening: Standaardiseert trait-meting voor reproduceerbare high-throughput genotype-evaluatie.
- Analytica: Levert kwantitatieve output (bijv. bladoppervlak, hoogte, tint) die statistische vergelijking van behandelingseffecten mogelijk maakt.
- Translationeel onderzoek: Faciliteert de afstemming van fenotypische gegevens met downstream biomarker- en trait-validatie-inspanningen.
- Bedrijfswijde hergebruik: Biedt een flexibel, goedkoop platform dat aanpasbaar is aan diverse plantsystemen en experimentele ontwerpen.
Operationele en bedrijfsmatige impact
- Wetenschappelijke waarde: Verhoogt het voorspellende vertrouwen en vermindert mechanistische ambiguïteit bij de validatie van kenmerken.
- Operationele waarde: Levert gestandaardiseerde, schaalbare en reproduceerbare fenotyperingsworkflows.
- Strategische waarde: Verbetert de go/no-go besluitvorming en de kapitaalefficiëntie door robuuste, datagestuurde prioritering mogelijk te maken.
- Portfolio-impact: Ondersteunt risicogebonden voortgang en risicoreductie van kandidaatgenotypes of kenmerken.
Overwegingen bij de implementatie
- Vereist expertise in beeldanalyse- en fenotyperingssoftware (bijv. PlantCV).
- Heeft basis-beeldvormingshardware en een computationele infrastructuur voor gegevensverwerking nodig.
- Vereist standaardisatie van beeldvastleggingsprotocollen en datalabelling tussen teams.
- Aanpasbaar aan verschillende plantensoorten en experimentele opstellingen door middel van parameteroptimalisatie.
- Afhankelijk van de beeldkwaliteit en consistente omgevingscondities voor betrouwbare resultaten.
