.png){kind=icon}
返回
Next-generation high-throughput phenotyping with trait prediction through adaptable multi-task computational intelligence
.png){kind=icon}
OA
AI
DOI：10.1016/j.compag.2025.110390.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
表型，即定义生物体行为和物理特征的表现，是遗传学、发育和环境之间复杂相互作用的结果。预测未来植物性状的主要挑战在于这些动态相互作用。本研究提出了一种名为AMULET的模块化方法，该方法结合了基于成像的高通量表型分析技术和机器学习，以预测植物形态和生理性状，在可见之前数小时至数天内进行预测。AMULET通过整合植物检测、预测、分割和数据分析，简化了表型分析流程，并使用超过30,000株拟南芥（Arabidopsis thaliana）植物进行训练，提高了工作流程效率并缩短了时间。AMULET在测试集上取得了令人印象深刻的表现指标，包括0.0104的Dice损失和0.9948的IoU分数，表明在分割任务中具有高精度，或0.9289的R²分数用于描述符估计。此外，Simpler yet Better Video Prediction（SimVP）模型在预测植物生长和健康状态方面表现出最佳效果。使用针对拟南芥（Arabidopsis thaliana）-丁香假单胞菌（Pseudomonas syringae）病原系统的表型分析图像，AMULET通过识别仅限于人类感知且对理解植物对具体生长条件响应至关重要的性状，分析了潜在表型。TorchGrad和Gradient-weighted Class Activation Mapping等技术在揭示这些新的隐含性状方面发挥了作用。AMULET还通过仅需100株植物的少量微调，准确检测和预测了体外培养的马铃薯植物表型，展示了其适应性。这种多功能方法简化了表型分析流程，并有望通过实现预测性干预以优化植物健康和生产率，从而显著提升育种计划与农业管理水平。
Keyword:
Fast testing and analysis
General purposes
In vitro culture
Machine learning
Phenotyping markers
Plant phenotyping
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.9
论文数:
1.0W
被引数:
4.8W
机构
引用论文
Decrease of Arabidopsis PAO activity entails increased RBOH activity, ROS content and altered responses to Pseudomonas.png)
PLANT SCIENCE
PLANT SCIENCEIF4.1
PREAI
分享收藏Sustainable Materials: A Review of Recycled Concrete Aggregate Utilization as Pavement Material
PREAI
分享收藏分享收藏Challenges and Opportunities in Machine-Augmented Plant Stress PhenotypingTRENDS IN PLANT SCIENCEOAAI
TRENDS IN PLANT SCIENCEIF20.8
OAAI分享收藏Robotized indoor phenotyping allows genomic prediction of adaptive traits in the fieldNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容