Summary
Denne protokol beskriver en proces til hurtig samling af billeder fra Arabidopsis frøplanter reagerer på en tyngdekraft stimulus ved hjælp kommercielt tilgængelige flatbed scannere. Metoden giver mulighed for billig, high-volume indfangning af billeder med høj opløsning, som kan underkastes for downstream analyse algoritmer.
Abstract
Forskningsindsatsen i biologi i stigende grad kræver brug af metoder, der muliggør høj volumen indsamling af data i høj opløsning. En udfordring laboratorier kan ansigt er udviklingen og realiseringen af disse metoder. Observation af fænotyper i en proces af interesse er et typisk mål for forskningslaboratorier studerer genfunktioner og dette opnås ofte gennem billedoptagelse. En særlig proces, der er modtagelig for observation ved hjælp af billeddiagnostiske metoder er den korrigerende vækst af en sætteplante rod, der er blevet fordrevet fra tilpasningen til tyngdekraft vektor. Imaging-platforme, der anvendes til at måle roden gravitropic reaktion kan være dyrt, relativt lavt i gennemløb, og / eller arbejdskrævende. Disse spørgsmål er blevet behandlet ved at udvikle en high-throughput billedoptagelse metode ved hjælp af billig, men alligevel i høj opløsning, flatbed scannere. Ved hjælp af denne metode, kan billederne blive fanget hvert par minutter ved 4.800 dpi. Den nuværende opsætning muliggør samling af 216 individuelle responses per dag. De billeddata indsamlede data er af rigelig kvalitet til billedbehandling analyse applikationer.
Introduction
Indsamling af høj opløsning fænotypiske data er nyttige i undersøgelser, der har til formål at forstå samspillet mellem genetik og miljø i formidlingen organismal funktion 1,2. Undersøgelser af denne art er også i sagens natur store i, hvilket gør det desuden nødvendigt, at metoder, der anvendes til måling af fænotyper i denne sammenhæng være høj i gennemløb 3,4. Fastlægges metoder til phenomics skala forskning, kompromiser mellem gennemløb og opløsning kommer i spil. Metoder, der er højere i gennemløb også tendens til at være lavere i opløsning, hvilket gør det sværere at detektere små effekter af genetik eller miljø 5.. Alternativt metoder, mere omhyggeligt måle en ønsket fænotype også tendens til at være lavere i gennemløb, hvilket gør det vanskeligt at overskue genetiske og miljømæssige virkninger bredt. Derudover kan manuelle metoder til at kvantificere fænotyper, herunder visuel inspektion, være genstand for variation som følge af forskelle i den menneskelige perModtagelsen 6..
Imaging teknologier kan give en nyttig bro mellem gennemløb og opløsning i at opnå fænotypiske observationer 7-9. I almindelighed, et billede er relativt nemt at fange lette gennemløb, og når de ses i tilstrækkelig opløsning, kan subtile fænotyper detekteres 1,2,7. Imaging teknologier tendens til at være modificeres til at passe et system eller en proces af interesse og er generelt skalerbar 10-12. På grund af dette, imaging teknologier er ideelle for udviklingen af store studier af organismal funktion.
Svaret fra den primære rod til en tyngdekraft stimulus er en indviklet fysiologisk proces, der forekommer inden for en morfologisk simpel organ. Svaret indebærer aktivering af signalveje, der udbreder gennem roden orgel og dens progression er bestemt af miljømæssige og genetiske faktorer, herunder genetiske faktorer påvirket af miljøet 12-14 12,14,15. Opnåelse af en detaljeret forståelse af dynamikken i denne reaktion er vigtigt at finde måder at forbedre muligheden for kimplanter med succes etableret sig i et givet miljø 16. Hertil kommer, at formen af roden gør det modtagelig for programmer til billedbehandling 8,12,17. Tilsammen roden gravitropic reaktion er et ideelt system til udvikling af high-throughput imaging-teknologi med henblik på at gennemføre studier af organismal funktion genomics-niveau.
I denne rapport er et high-throughput, høj opløsning metode til billedoptagelse af roden gravitropic reaktion anvendelse af billige, kommercielt tilgængelige flatbedscannere præsenteres. Oversigten overprotokol er vist i figur 1.. Frøplanter plantet på agarplader var placeret vertikalt orienterede flatbed scannere er udstyret med brugerdefinerede plexiglas plade holdere. Billeder blev indsamlet hvert par minutter på 4.800 dpi og gemmes på et lokalt drev eller data-server. Metadata forbundet med hvert billede serien lagres i en database, og de lagrede billeder behandles. Den fremgangsmåde bruger VueScan software til billedoptagelse. VueScan kan bruges til at køre mere end 2.100 forskellige scannere på Windows, Mac eller Linux operativsystemer (se Materialer tabel). En scanner opløsning på 4.800 dpi blev brugt i dette program til at matche opløsning opnået i tidligere undersøgelser ved hjælp af faste CCD-kameraer 1,8,12. Fleksibiliteten i VueScan software sammen med den fælles grænseflade bruger den til enhver scanner det kører giver brugerne mulighed for let at vedtage stort set alle scannerhardwaren af tilstrækkelig opløsning til protokollen præsenteres i dette papir. Aktuel gennemløb giver mulighed for indsamling af216 individuelle svar per dag. Teknologien er fleksibel og skalerbar til brug på institutioner, der spænder fra gymnasier til forskning universiteter. Desuden billederne indsamlede er af en tilstrækkelig kvalitet til billedbehandling analyse applikationer.
Protocol
1.. Image Acquisition-protokollen
Overvejelser:
Denne protokol er mest effektivt udføres med to personer, selv om det er muligt for én at arbejde alene. Arrangementet arbejder bedst i dette laboratorium var for én person til at forberede plader til scanning, mens en anden arbejder på scanner setup, så både arbejde sammen om at placere pladerne i scannere og start scanning proces.
Det er også vigtigt at bemærke, at de scannere i dette projekt er vertikalt orienteret med scanneren låg hvilende på bagsiden af scanneren. En brugerdefineret støtte blev lavet til at holde retter i denne lodrette position, og blev anbragt på flatbed overfladen med 3M Command Strips (figur 2). Det aftagelige dokumentlåget, der kommer med scanneren anvendes i denne protokol (en Epson V700) blev foret på den ene side med sort filt. Dokumentet dækning var placeret mod flatbed med en bungee ledningen tilholde pladerne på plads, og til at give billedet kontrast (figur 3).
Enhver scanner tilstrækkelig opløsning kan bruges til billedoptagelse. Epson Perfection V700 blev valgt på grund af dens firkantet profil (hvilket gør det nemt at placere lodret), sin høje opløsning, og de yderligere muligheder for at scanne fra både sengen og låg og at bruge den infrarøde kanal. Disse yderligere muligheder blev ikke anvendt i denne protokol.
Når pladerne er blevet fjernet fra kammeret vækst, er det bydende nødvendigt, at protokollen fortsætte til udgangen.
Plate Forberedelse
Standard petriskåle indeholdende 10 ml transparent medium og 9 frø plantet over midten af hver plade blev anvendt. Procedurer for plade mærkning forberedelse medier og beplantning kan findes på: http://www.doane.edu/doane-phytomorph
- Påfør Triton X-100 (en detergent) til låg med en Kimwipe - være generøse.
(Bemærk, at Triton X-100 hjælper med at forhindre ophobning af kondens på låget, da pladen er scannet. En generøs ansøgning (nok til at skabe en film på låget overflade), vil hjælpe med at sikre, at låget forbliver gennemsigtig hele scanner løb .) - Vikl pladen med Micropore tape til at fastgøre låget, og give mulighed for ventilation.
Scanneropsætning og Image Collection
Denne protokol antager, at mere end 1 scanner bliver brugt, og giver instruktioner til at starte flere scannere fra en enkelt computer.
- Opret mapper til lagring af billeder fra hver scanner. Hver scanner vil holde to plader, så holder dette i tankerne, når du opretter mapper. Énkan vælge at bruge metadata som komponenter i filnavnet såsom entydige id'er for hver plade, sætteplante aldre, frø størrelse og id'er af bestande plantet. Et eksempel på en mappe navn, der anvendes i dataindsamlingen, som indeholder disse metadata er "1652-2-sm-9-92-17-1653-2-lg-88-79 til 161«.
- Sæt outlet timere for udpegede indsamling tid (9 hr blev anvendt i dette laboratorium). Sørg for at indstille ekstra tid (en time eller deromkring) til forberedelse.
(Bemærk, at scannere bør tilsluttet stikkontakten timere for at sætte købet tid. Mens VueScan software giver brugeren mulighed for at indsamle billeder gentagne gange, betyder det ikke giver brugeren mulighed for at angive, hvor mange billeder til at indsamle eller hvor lang tid til at indsamle billeder til .) - Tænd første scanner og vent ca 10 sekunder for scanneren til at gå gennem sine første varme-ups.
- Åbn VueScan programmet én gang. VueScan udgave 9.0.20 blev anvendt i denne protokol (se Materialer tabel), kan selvom nyere versioner skal bruges med lidt modification. Sørg for, at "More 'knappen er blevet trykket på den nederste panel af brugergrænsefladen for at vise menupunkter, der er beskrevet nedenfor.
- Indstil Auto repeat: drop-down boksen til ingen under fanen Input og under fanebladet Beskær sæt området Eksempel: til Maximum (Figur 4). Tryk på 'Preview'.
- Opret en afgrøde boks, der ville fange regionen af interesse ved at bruge musen til at klikke og trække på tværs af regionen af interesse på preview billedet. Indstillinger kan ændres for regionen af interesse i fanebladet Beskær. De typiske indstillinger, der bruges til beskæringsboks var: x-offset 0,675, y-offset 1,924 i, selvom dette blev indstillet til at fange sætteplante areal for hver scanner. Beskæringsboksens størrelse blev anvendt, var 7,246 i bred med 1,1 i høj (figur 5).
- For at flytte beskæringsboksen, holde Shift-tasten nede mens du trækker med musen. Sørg for, at afgrøden boks indeholder alle de planter, der skal scannes plus enhver ønsket metadata, der kan være indeholdt på en etiket (Figur 5).
- Under fanen Crop indstille Preview området: til beskæringsboks og tryk på 'Preview'.
- Gå til fanen Output og vælg den korrekte fil til scanneren (figur 5).
- Gentag trin 1,7-1,12 om alle scannere til en computer. Vælg "ja" option når du bliver spurgt, om du vil åbne mere end en instans af VueScan.
- Gå gennem hver fane, og kontroller, at indstillingerne er korrekte. (Bemærk, at alle specifikationer kan ændres til at passe til behovene i en enkelt laboratorium, herunder billede farve, opløsning osv. Dog kan de indstillinger, der anvendes i denne protokol anvendes direkte til particular scanning hardware af et givet laboratorium på grund af den fælles grænseflade af VueScan software. Der henvises til specifikationerne vedlagt liste for at få vist de parametre, der anvendes i dette projekt, ved hjælp af VueScan udgave 9.0.20).
- Under fanen Input vælge Kontinuerlig i Auto repeat:, eller vælg et længere tidsinterval mellem billeder, hvis det ønskes. Tidsintervallet er længden af tid, scanneren stopper efter besparelse det sidste billede, og begyndende samling af det næste billede. I kontinuerlig tilstand, kan opnås 3-4 min opløsning på 4.800 dpi.
- Gentag trin 1,14-1,15 for resten af scannere tilsluttet til en enkelt computer.
- Placer forberedt plader i de korrekte scannere med frøplanter orienteret vandret (ikke gravistimulate).
- Midlertidigt placere en sort, filt baggrund mod pladerne, så de ikke falder fra plexiglas skabelon. Gentag for alle scanpartnere.
(Bemærk: I dette projekt blev der sorte stykker af filt vedhæftet dokumentet dækker forsynet med udstyr til at forhindre blænding og give kontrast mod rodvæv Den specifikke baggrundsfarve anvendes, vil afhænge af farven af væv, der afbildes.). - Har en person vende pladerne 90 ° (plader blev drejes mod uret i denne protokol) og straks erstatte filt baggrund.
- Den anden person skal stå på computeren, så de straks kan trykke på 'Scan' knappen.
- Fastgør baggrunden til scanneren med en bungee snor (Figur 3). Har én person holde baggrunden på plads, mens en anden positioner bungee ledningen.
(Bemærk: Umiddelbart efter gravistimulation (rotation af pladerne ved 90 °) og placering af filt baggrund, skal trykkes "Scan"). - Gentag trin 1,17-1,21 for resten af scannere på en enkelt comis.
- Gentag trin 1,6-1,22 til det næste sæt af scannere hvis relevant.
- Efterlad ikke scannere indtil flere billeder er blevet indsamlet for at sikre de gemmer korrekt.
- Det er ideelt at holde scannere i et område, der vil være fri for forstyrrelser for de udpegede scanning tid. Det er også klogt at overveje de miljømæssige forhold i scanning område for at sikre ideelle fænotypiske reaktioner.
- Når dataindsamlingen er færdig, skal du trykke på den grønne abort knap på hver VueScan vindue, der falder sammen med hver scanner.
- Luk ud af alle programmer på computeren.
- Genstart computeren og slukke alle de scannere, før du begynder en anden runde af billedsamling.
Representative Results
Repræsentative Images
Denne tilgang muliggør hurtig produktion af serier af Arabidopsis sætteplante vækst høj opløsning tid. Første og sidste billede af en scanner løb er vist i figur 7A og 7B. Figur 7C og 7D viser optimale resultater fra halvdelen af en fuld scanner billedet. Nogle problemer, der kan påvirke billedkvaliteten er vist i figurerne 7A og 7B. Disse spørgsmål omfatter variation i spiring, variation i sætteplante vækstforløb ved starten af kørslen, og ophobning af kondens under scanningen. Kondens kan i vid udstrækning løses ved at øge mængden af Triton X-100 anvendt på indersiden af pladen låget. Andre faktorer, der kan hæmme præcise billede samlingen er forkerte konfiguration af afgrøden boks med hensyn til plade position og positionering plader, således at de er skæve i forhold til afgrøden kassen.
Billede Analysis Anvendelse: Billede Compression
Når først en tid sekvens af scanner billederne er blevet opnået, skal den opbevares sikkert i et netværk tilgængelig måde at lette billedanalyse. De billedfiler, der er forbundet med en individuel scanner køre indtager en betydelig mængde plads på harddisken. En enkelt TIFF-fil indsamles på 4.800 dpi er omkring 220 MB og en typisk scanner køre genererer 200 billedfiler. Derfor er omkring 44 GB plads på harddisken kræves per løb. For at reducere lager-og nettransmissionstjenester omkostninger forbundet med billedanalyse er det ønskeligt at reducere mængden af plads til at lagre billeddata, mens på samme tid minimere tab af data. Downstream analyse vil indebære identifikation af hver frøplante i efterfølgende billedfiler forbundet med en eksperimentel løb. Derfor kan segmentere ud én kimplante fra scanneren billedet lette downstream analyse. Fordi segmentering af sætteplante væk fra resten af the billede kan også reducere lagring af unødvendige baggrund pixels markant, denne fremgangsmåde også fører til en betydelig reduktion i data størrelse. Desuden, hvis downstream analyse er fokuseret på rodvæv det måske ikke nødvendigt at bibeholde farve oplysninger, da de dybereliggende pixels er relativt smalle i deres farverum. En computer billedbehandling protokol og kode for at reducere data størrelse af både segmentere individuelle kimplanter og konvertering af billeder til grå skala er blevet udviklet. Den fremgangsmåde resulterer i en reduktion i lagerplads krav 60%.
Arbejdsgangen bruges til at opnå dette datakomprimering er beskrevet i de følgende trin:
- Start med en tidsserie af scanner billedfiler i en enkelt mappe.
- For hvert billede, konverteres fra et RGB til grå skala (figur 8, øverst).
- Opdel billedet i venstre og højre side.
- Uddrag hver kimplante fra billedet i sin egen fil (figur 8).Dette gøres ved at anvende en tærskel til at konvertere pixel til sort eller hvid og derefter beregne den samlede pixelintensitet på hvert billede række. Rækken med den højeste intensitet er identificeret, og hver pixel er klassificeret som 'plante' eller 'nonplant "baseret på intensiteten af sine naboer. I midten af hver 'plante «i denne række er fundet, og fra dette punkt en afgrøde kasse med en forudbestemt størrelse trækkes (figur 8, nederst).
- Opret en separat mappe til hver side af billedet (venstre og højre) med separate undermapper for hver sætteplante til opbevaring af individuel tid serien billedfiler.
- Arkiver de resulterende mapper i en komprimeret zip-fil.
En kode, der udretter disse skridt er blevet udviklet ved hjælp af programmeringssproget Python 20. Algoritmen giver mulighed for en reduktion i data størrelse på ca 60% og er en succes i at identificere alle de individuelle frøplanter i 90% af scanneren image filer analyseret hidtil. Koderne er frit tilgængelige for download under GNU General Public License version 3 (se Materialer tabel).
Figur 1. Den scanning procedure begynder med frø plantning (op til ni Arabidopsis frø pr plade) og slutter med datalagring og billedbehandling. Klik her for at se større billede .
Figur 2.. T emplate til opførelse af petriskål støtte. Ple xiglas blev skåret sådan at bredden passer til fladvogn (i dette tilfælde 227 mm) og længden var 128 mm. To cirkler med en diameter på 88 mm blev skåret ud af det resterende stykke, således at de var jævnt fordelt langs bredden og længden af støtten. Støtten blev anbragt på flatbed med 3M Command Strips. Klik her for at se større billede .
Figur 3.. Scanner konfigurering efter frøplanter er blevet gravistimulated og dokumentet cover. Dette er konfigurationen af scanneren ved trin 1.21 af Scanner Setup og Image Collection."_blank"> Klik her for at se større billede.
Figur 4.. Screen shot af valgte indstillinger for trin 1.8 i Scanneropsætning og Image Collection. Klik her for at se større billede .
Figur 5.. Screen shot af VueScan software under trin 1,9 og 1,10 af Scanner Setup og Image Collection. Den røde boks fremhæver afgrøden størrelse, mens den blå boks fremhæver specifikke indstillinger fo r x-og y-offset brugt for at fange kimplanter og mærkningen oplysninger. Regionen flatbed, der skal scannes, vises som en stiplet linje i området Eksempel. Klik her for at se større billede .
Figur 6.. Valg af destinationsmappe til trin 1.12 i Scanneropsætning og Image Collection. Trykker på @ knappen ved siden af Default Folder dialogboksen (rød pil) giver brugeren mulighed for at vælge den rigtige mappe destination. Klik her for at se større billede .
Ad 7 "fo: content-width =" 5in "fo: src =" / files/ftp_upload/50878/50878fig7highres.jpg "src =" / files/ftp_upload/50878/50878fig7.jpg "width =" 600px "/>
Figur 7 (AD). Ovenstående billeder er eksempler på dem, der indsamles ved hjælp af fremgangsmåden beskrevet i dette dokument metode. Panel A, B og C, D er de første og endelige billeder henholdsvis fra en enkelt scanning periode. A, B viser fuld scannede område, mens C, D er et beskåret område af det scannede område, der viser en enkelt plade. Flere uoverensstemmelser kan observeres. Panel A viser variation i spiring og vækst bane. Panel B (de samme planter som billede A, 9 hr senere) viser, at pladerne kan ophobes kondens. Paneler C og D anses for at være gode resultater på grund af robust vækst of kimplanter og billedkvalitet under hele kørslen. Klik her for at se større billede .
Figur 8. Billedet komprimering algoritme udviklet konverterer en scanner billedet til gråtoner (øverst). Billedet er opdelt i højre og venstre halvdele og billed grænser er fjernet (ikke vist). Positionerne af de enkelte frøplanter på hver halvdel er identificeret ved at finde rækken med den største samlede pixelintensitet. Disse positioner bruges til at definere en ny afgrøde område, anvendes på alle frøplanter på pladen (nederst). Klik her for at se større billede .
Discussion
Præcis fænotypiske observation er afgørende for forståelsen af manifestationer af genfunktion i en organisme. En måde at tilegne sig fænotypisk information er gennem erobringen af højopløselige billeddata. Scanneren-baseret platform udviklet har gjort det muligt samling af mange billeder (200 billeder / scan periode) ved høj opløsning (4.800 dpi) over et antal timer. Derudover er denne platform let tilpasses til en bred vifte af lab og klasseværelset miljøer på grund af fleksibiliteten af VueScan software til at køre tusindvis af forskellige scannere ved hjælp af en fælles grænseflade 18.
Metoden præsenteres her udfylder et tomrum i high-throughput billedoptagelse der strækker sig fra store fænotypebestemmelse faciliteter og automatiserede systemer gennemførlige i et enkelt laboratorium. De high-throughput platforme øjeblikket er til rådighed tendens til at bruge specialiserede imaging hardware, herunder kameraer monteret på robot understøtter, at tage billeder af p høj opløsningrimarily over jorden plantevæv (fx Center for Plant Integrativ Technology og Scanalyzer HTS ved LemnaTec) 20,21. Specialiserede imaging systemer, der anvender røntgen og MR-teknologier er også blevet udviklet til billede under jorden væv med bemærkelsesværdig opløsning som de vokser i jorden miljø (f.eks Center for Plant Integrativ Technology) 11,22,23. Denne udvikling af mere specialiseret teknologi er generelt på bekostning af gennemløb, hvilket gør dynamiske fænotypiske undersøgelser vanskeligere. Vigtigere er det, omkostnings-og infrastrukturbehov for disse high-end platforme gør dem oftest umuligt for implementering i mindre laboratorier.
Platforme er også blevet udviklet, som bruger mere standard image capture teknologi og er velegnede til måling af dynamiske reaktioner såsom roden reaktion på en tyngdekraft stimulus. For eksempel har CCD-kameraer er blevet anvendt til at fange individuelle frøplanter respons på lys og tyngdekraft ved højrumlige og tidsmæssige opløsning 1,8,12. Andre systemer er blevet udviklet, så målingen af rodspids orientering af flere rødder fra et enkelt billede (f.eks RootTipMulti ved iPlant Collaborative) 17,24. I førstnævnte tilfælde er gennemløb relativt lavt i betragtning, at kun én kimplante afbildet ved hvert kamera på et tidspunkt, mens der i sidstnævnte tilfælde gennemløb er højere, men generelt på bekostning af opløsning.
Proceduren er beskrevet i denne artikel præsenterer en platform for at optage billeder i høj opløsning i high throughput med udstyr og software, der er let tilgængelige og forholdsvis overkommelig. Ved at bruge denne opsætning, kan 1.080 individuelle rod svar indsamles hver uge i et enkelt laboratorium er udstyret med en bank af seks scannere. I 15 måneder at indsamle et gennemsnit af 864 individuelle svar om ugen, blev i alt 41.625 kimplanter scannet for en genomics undersøgelse. Ca. 15% af de enkelte samlinger mislykkedes på grund af opsætning fejl, network svigt eller fejl i udstyret. Yderligere 22% respons mislykkedes på grund af manglende spiring eller utilstrækkelig vækst rod at fremkalde en vækst respons. Det endelige datasæt består af 27.475 individuelle sætteplante reaktioner på en tyngdekraft stimulans fra 163 rekombinante indavlede linjer plus 99 nær isogeniske linjer. Dataene blev indsamlet i et enkelt laboratorium, hvilket gør dette en meget high-throughput tilgang. Selv i betragtning af at det udstyr, der anvendes til erhvervelse er relativt billig, det har fungeret pålideligt i over to år, selv med tunge brug.
Mens dette protokol har været meget nyttigt for forskning formålet med denne gruppe, nogle begrænsninger stadig eksisterer. På grund af throughput på omkring 50 GB ukomprimerede billeddata per dag, var det tydeligt, at der var behov for en stor mængde plads til at huse billeder, medmindre der kan udvikles effektive komprimering ordninger. Opbevaringen Problemet blev midlertidigt løst ved at købe eksterne harddiske til hver computer. Desuden to 10 TB netværks tilhørende lagringsenheder blev købt. Senere blev komprimeringsalgoritmer udviklet som beskrevet ovenfor, hvilket kan bidrage til at reducere data størrelse med op til 60% (figur 8). Det er vigtigt at bemærke, at den hastighed, hvormed data kan gemmes til et netværk forbundet lagerenhed er afhængig af hastigheden på netværksforbindelsen. Compression ordninger er også blevet begrænset på grund af ønsket om at forhindre tab af billeddata.
Andre begrænsninger er specifikke for en scanner-baserede imaging system er også under overvejelse. For eksempel kimplanter i en scanner tilgang udsættes for lys med høj intensitet i de hvide og potentielt infrarøde områder under hver scanning. Denne sandsynlige påvirker vækst af frøplanter, selvom kimplanter stadig kan observeres at gennemgå robuste responser til en tyngdekraft stimulus (figur 7). En fremtidig forbedring kunne indebære programmering scannere sådan, at kun infrarøde lysdioder er aktive. Et område i aktiv UDVIKLINGSt er oprettelsen af analysealgoritmer godt matchede til opløsning og gennemløb af disse billeddata. Den store datasæt genereres ved hjælp af denne scanner-baserede metode har været ideel til udvikling af robuste værktøjer til high-throughput fænotypebestemmelse af sætteplante billeder. Kompressionen ansat på disse billeder, der vises i figur 7 algoritme understøtter påstanden om, at de er egnede til billede analyse applikationer. Derudover kan billeder, der genereres blive analyseret af den tidligere offentliggjorte algoritme, RootTrace 17,24, hvis de er indsamlet på en lavere opløsning (mindre end 1.200 dpi), og de enkelte frøplanter segmenteres fra billedet ved hjælp af komprimering algoritme beskrevet ovenfor før analysen. Root væksttal kunne udvindes fra billeder reduceret til 1.200 dpi, mens spids vinkel data kan udvindes fra billeder reduceret til 900 dpi (upubliceret observation).
Proceduren er beskrevet i dette papir passer ind i sin egen niche i verden af root billeddannelse i, at det er høj kapacitet og høj opløsning, mens den stadig er forholdsvis overkommelig. En yderligere fordel ved denne fremgangsmåde er, at det nemt kan tilpasses for at imødekomme de billeddannende behovene i en bestemt forskergruppe.
Disclosures
Forfatterne erklærer, at de ikke har nogen konkurrerende finansielle interesser.
Acknowledgments
Dette arbejde blev finansieret af en bevilling fra National Science Foundation (tildeling nummer IOS-1.031.416), og er blevet gennemført i samarbejde med Nathan Miller, Logan Johnson og Edgar Spalding fra University of Wisconsin og Brian Bockelman, Carl Lundstedt og David Swanson af University of Nebraska s Holland Computing Center.
Materials
| Name | Company | Catalog Number | Comments |
| Epson Perfection V700 Photo Scanners | Epson | B11B178011 | - |
| Plexiglas Scanner Template | - | - | Custom made. See Figure 2. |
| Smart Strap Bungee Cords | SmartStraps | Wal-Mart 1079478 | |
| Brinks Digital Outdoor Timers | Brinks | Wal-Mart 42-1014-2 | |
| VueScan Software | Hamrick Software | http://www.hamrick.com | |
| Segmentation Software | Chris Wentworth, Doane College | https://sites.google.com/a/doane.edu/compphy-doane/projects/root-gravitropism/image-segmentation | |
| 3M Micropore Tape | Fisher Scientific | 19-061-655 | - |
| Holding racks | - | - | Custom made by gluing two cookie racks together. |
References
- Miller, N. D., Brooks, T. L. D., Assadi, A. H., Spalding, E. P. Detection of a gravitropism phenotype in glutamate receptor-like 3.3 mutants of Arabidopsis thaliana using machine vision and computation. Genetics. 186, 585-593 (2010).
- Clack, N. G. Automated Tracking of Whiskers in Videos of Head Fixed Rodents. PLoS Comp. Biol. 8, (2012).
- Lussier, Y. A., Liu, Y. Computational approaches to phenotyping: high-throughput phenomics. Proc. Am. Thoracic Soc. 4, 18-25 (2007).
- Houle, D. Colloquium Paper: Numbering the hairs on our heads: The shared challenge and promise of phenomics. Proc. Natl. Acad. Sci. U.S.A. 107, 1793-1799 (2009).
- Elwell, A. L., Gronwall, D. S., Miller, N. D., Spalding, E. P., L, T. D. B. Separating parental environment from seed size effects on next generation growth and development in Arabidopsis. Plant Cell Env. 34, 291-301 (2011).
- Silk, W. K. Quantitative Descriptions of Development. Ann. Rev. Plant Physiol. 35, 479-518 (1984).
- Cronin, C. J., Feng, Z., Schafer, W. R. Automated imaging of C. elegans behavior. Methods Mol. Biol. 351, 241-251 (2006).
- Miller, N. D., Parks, B. M., Spalding, E. P. Computer-vision analysis of seedling responses to light and gravity. Plant J. 52, 374-381 (2007).
- Iyer-Pascuzzi, A. S. Imaging and Analysis Platform for Automatic Phenotyping and Trait Ranking of Plant Root Systems. Plant Physiol. 152, 1148-1157 (2010).
- Houle, D., Mezey, J., Galpern, P., Carter, A. Automated measurement of Drosophila wings. BMC Evol. Biol. 3, 25 (2003).
- Jahnke, S. Combined MRI-PET dissects dynamic changes in plant structures and functions. Plant J. 59, 634-644 (2009).
- Durham Brooks, T. L., Miller, N. D., Spalding, E. P. Plasticity of Arabidopsis Root Gravitropism throughout a Multidimensional Condition Space Quantified by Automated Image Analysis. Plant Physiol. 152, 206-216 (2010).
- Perrin, R. M. Gravity signal transduction in primary roots. Ann. Botany. 96, 737-743 (2005).
- Strohm, A. K., Baldwin, K. L., Masson, P. H. Molecular mechanisms of root gravity sensing and signal transduction. Dev. Biol. 1, 276-285 (2012).
- Harrison, B. R., Masson, P. H. ARL2, ARG1 and PIN3 define a gravity signal transduction pathway in root statocytes. Plant J. 53, 380-392 (2007).
- Beeckman, T. Root Development. , Wiley-Blackwell. 157-174 Forthcoming.
- French, A., Ubeda-Tomás, S., Holman, T. J., Bennett, M. J., Pridmore, T. High-throughput quantification of root growth using a novel image-analysis tool. Plant Physiol. 150, 1784-1795 (2009).
- Granier, C. PHENOPSIS, an automated platform for reproducible phenotyping of plant responses to soil water deficit in Arabidopsis thaliana permitted the identification of an accession with low sensitivity to soil water deficit. New Phytol. , 169-623 (2006).
- Walter, A. Dynamics of seedling growth acclimation towards altered light conditions can be quantified via GROWSCREEN: a setup and procedure designed for rapid optical phenotyping of different plant species. New Phytol. 174, 447-455 (2007).
- Gregory, P. J. Non-invasive imaging of roots with high resolution X-ray micro-tomography. Plant Soil. , 255-351 (2003).
- Pierret, A., Kirby, M., Moran, C. Simultaneous X-ray imaging of plant root growth and water uptake in thin-slab systems. Plant Soil. 255, 361-373 (2003).
- Naeem, A., French, A. P., Wells, D. M., Pridmore, T. P. High-throughput feature counting and measurement of roots. Bioinformatics. 27, 1337-1338 (2011).
