基于Faster R-CNN的对虾生长性状表型高通量测定技术的建立及应用

为提高对虾外部生长性状表型数据的获取效率,利用拍照获得的对虾外部表型照片,采用基于区域生成网络RPN(Region Proposal Networks)的Faster R-CNN(Faster Region-convolutional neural networks)深度学习神经网络,通过对8400张对虾表型照片的学习和训练,构建了快速识别对虾全长并输出位置信息的模型。该模型可识别图片中的对虾并以识别框的形式表示出具体的位置。对于不同角度拍摄的对虾,模型生成识别框的长度或对角线长度与人工测量的对虾全长之间呈高度相关。研究以此建立了对虾全长性状表型数据高通量测定技术,该技术的建立可以在对虾生长性状表型数据测定中节省人工测量的时间,提高了对虾全基因组选择育种的效率。此外,该模型的建立也为对虾头胸部长度及不同体节长度等其他外部表型数据的测定提供了新的思路,为对虾生长性状表型组的建立奠定了重要基础。     

Crop 3D—基于激光雷达技术的作物高通量三维表型测量平台

作物表型测量技术发展的滞后已成为当前育种领域的发展瓶颈,高通量的精确表型测量有助于加速育种进程.激光雷达是一种新兴的主动遥感技术,能够精确获取作物的空间形态数据,在高通量作物表型监测中有广阔应用前景.然而,目前我国基于激光雷达技术的作物表型监测仍存在较大空白.因此,本课题组自主研发了一套以激光雷达为主,集成高分辨率相机、热成像仪、高光谱成像仪等传感器的高通量作物测量平台—Crop3D.与传统作物表型测量技术相比,Crop 3D优势在于能够通量化同步地对作物各生长时期进行多源表型数据的获取并提取株高、株幅、叶长、叶宽、叶倾角和叶面积等参数,可为植物生物学和基因组学分析提供数据支持.本文重点对Crop 3D平台的整体规划设计、传感器集成、运行模式及平台获取的表型参数做了详细描述,并对其潜在应用领域做了简要探讨.本课题组认为,激光雷达与传统表型测量技术相结合的集成型平台有望成为未来作物表型参数获取的趋势所在.     

植物表型组学研究平台建设及技术应用

随着许多重要作物及植物全基因组测序的完成,科研人员对高通量、精准、无损伤获取植物表型信息的需求日益增加,功能完善的研究设施将成为推动表型组学发展的加速器。在此背景下,中国科学院遗传与发育生物学研究所植物细胞与染色体工程国家重点实验室于2017年初建设了植物表型组学研究平台(Plant Phenomics Analysis Platform, PPAP)。目前,该平台已建设成为国内采集分析植物表型信息相对较全面的研究设施之一,集成可见光成像、红外成像、近红外成像、根系近红外成像、荧光成像、叶绿素荧光成像、高光谱成像及激光雷达成像8个数据采集单元。在此基础上,该平台同时建立了根系表型采集分析技术、穗部性状采集分析及抗逆性状采集分析技术体系等。植物表型组学研究平台是公共服务平台,致力于为国内外从事植物研究的科研人员提供各类表型采集分析服务,包括但不限于地上部表型分析、根系表型可视化及分析等。     

基于高光谱成像和主成分分析的水稻茎叶分割

在单株水稻表型测量研究中,为了实现绿叶面积和茎叶相关表型参数的准确计算提供技术保障,茎叶的分割是非常重要的一步。传统的人工测量方法费时费力,且主观性较强,而基于普通相机拍摄的彩色图像进行分割效果很差。本研究介绍了一种使用可见光-近红外高光谱成像系统自动区分单株盆栽水稻茎叶的方法。首先将各波长下的图像从原始二进制数据中提取出来,接着使用主成分分析所有波长下的图像,并提取出主要的主成分图像,再基于数字图像处理技术将茎叶区分开。实验结果表明,本系统以及文中所用方法对分蘖盛期的水稻茎叶有很好的分割效果,这为后续水稻茎叶表型性状高通量、数字化、无损准确提取提供了重要的技术保障,并进一步促进植物表型组学的发展。     

MALDI-TOF MS技术在传染病诊断中的应用进展

基质辅助激光解吸电离飞行时间质谱(matrix-assisted laser desorption/ionization time-of-flight mass spectrometry, MALDI-TOF MS)作为新兴的检测手段已被广泛应用于临床微生物实验室.相比传统基于表型的检测方法,如形态学、血清学及生化检测, MALDI-TOF MS可在短时间内对待测微生物进行物种鉴定及耐药表型分析,简化了操作流程.多项研究表明, MALDI-TOF MS在病原生物学领域具备较大的应用潜能,通过分析分子或离子的质荷比以识别或量化待测物,适用于多种类别分子的检测.依据检测靶标的不同,本文将从蛋白质与核酸两方面系统综述该技术在传染病诊断中的应用进展.     

深度学习在蜜蜂研究中的应用

实现对蜜蜂蜂群的实时动态监测,有助于养蜂业的数字化与智能化发展,对大幅提升养蜂管理水平具有重要意义。深度学习作为人工智能的一种新的研究方向,目前已被广泛应用于昆虫分类学、行为学、害虫生物防治等领域。随着深度学习检测算法的迅速发展,基于深度学习的蜜蜂蜂群监测技术不断涌现,为智能化养蜂提供了可能。为促进深度学习在蜜蜂领域的进一步应用,本文梳理了深度学习在蜜蜂的物种识别、行为跟踪监测、蜂群健康监测和蜂巢监测等方面的研究进展,分析了深度学习技术在蜜蜂蜂群监测研究及应用中存在的一些问题和未来发展方向,为深度学习在蜜蜂领域的应用提出了建议。     

全基因组关联分析:基因组学研究的机遇与挑战

全基因组关联分析(genome wide association study,GWAS)是利用全基因组范围内筛选出高密度的分子标记对所研究的群体进行扫描,分析扫描得出的分子标记数据与表型性状之间关联关系的方法。GWAS的出现为全面系统地研究基因组学掀开了新的一页,目前主要应用于人类疾病复杂性状的分析,已鉴定出大量与人类复杂疾病或数量性状相关的遗传变异,成为研究人类基因组学的关键手段。在植物基因组中的研究应用虽刚刚起步,但也取得了良好的效果,应用GWAS发掘植物复杂数量性状基因、为植物分子育种提供依据已成为国际植物基因组学研究的热点。然而,GWAS的结果还存在一些问题,并非早期预测和想象的那样简单。现针对GWAS的特点,对其在人类基因组和植物基因组中的应用及其未来发展进行综述。     

植物功能性状研究进展

植物功能性状是指植物体具有的与其定植、存活、生长和死亡紧密相关的一系列核心植物属性,且这些属性能够显著影响生态系统功能,并能够反映植被对环境变化的响应.越来越多的研究表明,相比大多数基于植物分类和数量的研究,植物功能性状在种群、群落和生态系统尺度上,都已成为解决重要生态学问题的可靠途径.本文回顾了植物功能性状研究的发展历程,总结了近10年来基于植物功能性状研究的前沿科学问题,包括功能性状的全球分布格局和内在关联,沿环境梯度的变化规律,功能多样性的定义及应用,与群落物种共存机制和群落动态变化的关系,与系统发育的关系,对生态系统功能的影响以及对各类干扰的影响和响应.尽管功能性状研究已经延伸到生态学领域的各个方面,有力推动了各个前沿科学问题的研究发展,仍然有很多值得关注和着重研究的方向.本文也对未来基于植物功能性状的研究,从性状测量和选取、研究方法以及研究方向上提出了展望,并指出,在当前全球气候变化背景下,功能性状也可应用于指导生物多样性保护和生态系统管理政策的制定.     

基于深度卷积神经网络的树轮宽度测量算法

数字图像处理技术已被广泛用于树轮宽度测量，但大多集中在边界清晰可见的针叶树种，对于木材解剖结构复杂、树轮边界清晰度较差的阔叶树种，传统的图像处理技术表现不佳。为了改善阔叶树种的树轮边界识别精度，本文提出了一种基于U-Net卷积神经网络模型的树轮宽度测量算法。以鱼鳞云杉(Picea jezoensis var.komarovii)、臭冷杉(Abies nephrolepis)、红松(Pinus koraiensis)、白桦(Betula platyphylla)、枫桦(Betula costata)、榆树(Ulmus pumila)的树芯为对象，提出了一种基于U-Net的树轮边界检测模型。采用3种评价指标比较了U-Net方法与手工标注方法的差异，并与WinDENDRO测量得到的树轮宽度进行了精度对比。结果显示，U-Net识别到的树轮边界与实际边界精确匹配，尤其是对阔叶树种树轮边界的检测精度相比传统的数字图像处理方法有显著提高，通过3种评价指标证明所得到的树轮边界精确可靠，在树轮分析中具有较高的实用价值。     

基于三维人脸模型及人工测量数据分析现代中国人群面部表型的性别差异

传统体质人类学研究中的样本采集方法是手工测量以及肉眼观察,采集过程中会存在较大的主观性,易产生误差,同时在采集大样本时费时费力。近年来,三维摄像系统被越来越多的应用于人脸分析,其优势是快速高效和准确,并且涵盖了传统测量方法无法精确获取的表型特征信息,可以更加细化地分析人脸表型特征和特征之间的相互关系。本研究探索性地基于三维人脸模型图像,利用曲率和邻域信息的点筛查方法定位了面部的一些关键测量点,建立一套简单、有效、准确率较高的三维人脸模型图像关键点定位方法,能较准确地定位98%以上的眼内角点和鼻尖点,并在此基础上确定了鼻根点、鼻下点、左右鼻翼点和鼻翼外侧最低点等其他面部关键点。并且还提出了在三维人脸模型图像基础上量化部分面部观察类表型特征,如鼻侧深度、鼻根高度、面部扁平度等,尝试性地将这些观察类性状转化为能够测量的性状,建立了一套可以计算的描述方法,具有一定的创新性。本研究还结合三维人脸模型提取数据和人工测量数据,探讨了现代中国人群(以江淮汉族为例)面部表型特征的性别差异,发现大多数面部表型特征在现代中国人群中都存在明显的男女性别差异,鼻侧深度、鼻根高度、面部扁平度的性别差异最为显著,其...     

滇池流域富磷山地优势植物种群生态分化

为了解植物在富磷山地条件下的生态分化情况,本试验以滇池流域柴河子流域山地富磷区4种常见优势植物(紫茎泽兰Eupatorium adenophorum、戟叶酸模Rumex hastatus、蔗茅Saccharum rufipilum、马桑Coriaria sinica)为研究对象,分别对采自不同土壤全磷条件下4种植物各6个种群进行了同质园栽培试验,通过测量其表型性状,并采用单因素方差分析、变异系数分析和相关性分析等统计方法,分析了4种植物各种群的表型变异情况。结果表明:4种植物不同种群间在株高、叶面积、比叶面积和叶干物质量上存在显著差异,同种植物不同种群同一表型性状上变异系数差别较大,不同表型性状变异幅度也不相同。蔗茅、戟叶酸模、紫茎泽兰和马桑各种群表型性状的变异平均有24.01%、4.58%、16.80%和9.42%来源于种群间,59.86%、66.17%、63.15%和68.51%的变异存在于各种群内部。这说明,富磷区山地优势植物对土壤异质环境的适应不仅仅只是表型上的响应,已出现一定的遗传分化。     

植物检疫性病毒等温扩增检测技术研究进展

植物病毒严重影响农林作物的产量和质量.随着全球化的快速发展,植物检疫性病毒跨境入侵风险加剧,研发植物检疫性病毒的精准、快速的检测技术对于保障进出口贸易及农林业生产安全具有重要作用.早期植物病毒检测主要基于寄主生物学症状、病毒形态观察以及ELISA为主的血清学检测方法等.当前,核酸扩增技术成为主要的植物病毒检测方法,特别是近20年来发展起来的等温核酸扩增技术,因其具有快速、灵敏、适于现场检测等优势,在许多植物病毒检测中广泛开展研究.其中,我国20余种进境植物检疫性病毒已建立了等温扩增检测技术.本文在综述等温扩增技术原理的基础上,归纳总结了主要等温扩增技术在植物检疫性病毒检测中的研究进展,并对其在口岸检疫的应用前景进行展望.     

神经元图像大数据的弱监督自动识别技术

在介观尺度上，小鼠大脑图像的数据量可达到10 TB量级，人脑数据量则达到惊人的几十PB，从海量脑图像数据中识别和分析神经元的形态是一项复杂且具有挑战的任务。当前研究人员提出了基于传统机器学习和深度学习的神经元识别算法，其中传统机器学习方法存在迁移、泛化能力较差的问题，基于深度学习的算法虽然可以通过海量精确标注的训练数据提高模型的泛化性，但缺乏精确且丰富的图像标记数据集，因此同样存在过拟合和泛化能力弱等问题。本文提出了一种基于深度学习的弱监督神经元识别方案，仅需要少量有标注的数据，即可通过迭代策略获取海量神经元图像的精确识别结果，具备较强的泛化能力，并最大限度减少人工参与量。该方法在fMOST、BigNeuron等数据集上进行了实验，自动识别精度F1值分别为0.9247和0.8318，优于其他对比的神经元识别算法。     

水稻表型组学研究概况和展望

水稻功能基因组学和水稻育种研究都已进入大规模、高通量时代。表型信息获取与分析是水稻功能基因组学和现代作物育种研究的基础。目前,表型检测主要停留在传统人工获取的阶段,劳动量大,效率低,对大批量水稻样本的生长测量几乎不可行,表型数据的质量受人工主观因素影响也较大。某些表型参数的获取还需破坏性测量,无法实现连续测量。近年来,表型组学的兴起给解决这一问题带来了新的契机。现以水稻为主,对表型组学的国内外研究现状展开综述,并对表型组学的未来进行分析与展望。     

植物功能性状对放牧干扰的响应

放牧是草地生态系统的主要利用方式。植物通过其功能性状的改变来响应放牧的干扰,研究主要集中于地上茎、叶等功能构件不同生态性状对放牧干扰的差异性响应,体现了植物在放牧压力下资源获取最大化的适应对策,也是物种应对干扰所表现出的各自独特生存策略。这种以个体生态学特征为依据的研究方法,弥补了传统分类方法在生态学应用方面的不足,为开展放牧干扰生态研究提供了崭新的视角,具有重要的生态学和生物进化意义。本文介绍了植物功能性状的定义及其构建模式,总结了不同放牧强度下植物功能性状的表型可塑性表达,归纳了放牧干扰下功能性状的权衡策略,强调了个体功能性状对于大尺度草地放牧利用中体现出的独特价值,最后提出相关研究中存在的问题及未来发展方向。     

基于多源遥感数据的植物物种分类与识别: 研究进展与展望

物种分类与识别是生物多样性监测的基础, 明确物种的类别及其分布是解决几乎所有生态学问题的前提。为深入了解基于多源遥感数据的植物物种分类与识别相关研究的发展现状和存在的问题, 本文对2000年以来该领域的研究进行了总结分析, 发现: 当前大多数研究集中在欧洲和北美地区的温带或北方森林以及南非的热带稀树草原; 使用最多的遥感数据是机载高光谱数据, 而激光雷达作为补充数据, 通过单木分割及提供单木的三维垂直结构信息, 显著提高了分类精度; 支持向量机和随机森林作为应用最广的非参数分类算法, 平均分类精度达80%; 随着计算机技术及机器学习领域的不断成熟, 人工神经网络在物种识别领域得以迅速发展。基于此, 本文对目前基于遥感数据的植物物种分类与识别中在分类对象复杂性、多源遥感数据整合、植物物候与纹理特征整合和分类算法技术等方面面临的挑战进行了总结, 并建议通过整合多时相监测数据、高光谱和激光雷达数据、短波红外等特定波谱信息、采用深度学习等方法来提高分类精度。     

基于双碱基编辑系统的植物基因靶向随机突变技术

遗传性变异是表型多样性的基础,靶向饱和突变作物基因可以促进产生具有优异农艺性状的突变体。相较于传统诱变育种和异源物种中的定向进化方法,基于双碱基编辑系统的植物基因靶向随机突变技术可对植物内源基因产生高效突变,从而实现原位定向进化,加快植物育种及功能基因研究进程。该文介绍了使用饱和靶向内源基因突变编辑器(STEME)对植...     

植物数量性状变异的分子基础与QTL克隆研究进展

探讨数量性状变异规律以便对其进行遗传操纵一直是植物遗传学的一个重要领域。DNA分子标记和QTL作图技术的发展以及拟南芥和水稻全基因组测序的完成极大地促进了植物数量性状分子基础的研究。现已克隆了拟南芥ED1、水稻Hdl、玉米Tb1、番茄fw2．2和Brii9-2-5等控制目标数量性状的基因。数量性状表型变异不仅源于多个数量性状基因（QTL）的分离．而且还受到内外环境的修饰。QTL等位基因变异与孟德尔基因变异具有类似的分子基础,即基因表达或蛋白质功能发生改变。通过分析已克隆的植物QTL的变异特征及分子基础,讨论了植物QTL克隆技术策略,并对QTL研究所面临的挑战和应用前景进行了展望。     

基于地基激光雷达点云的植被表型特征测量

植物表型是基因型与外界环境共同作用的结果。精确测量植物表型对于植物生理特征与功能性状研究具有重要意义。本研究以加拿大一枝黄花(Solidago canadensis)为对象,对20株植株进行3个月室内培养,各月利用地基激光雷达扫描(terrestrial Li DAR scanning,TLS)系统对实验植株进行多站扫描和点云融合,实现对植株生长过程的连续观测。对于扫描获取的离散点云,利用多端点三维坐标重构法获取植株高度,并基于叶片点云的Delaunay三角网重构叶片表面,获得植株的真实高度、叶面积、叶倾角和方位角等结构参量。对比手动测量结果,发现基于点云重构获得的植株高度与真实植株高度对比,二者间相似性的决定系数(R2)为0.991,叶面积、叶倾角、方位角相似性R2分别为0.989、0.949和0.871;基于TLS点云重构法实现了非破坏性的植物表型测量,能够获得高精度的植物表型特征;多时相扫描能精确监测植物生长过程的表型特征变化。     

深度学习在野生动物保护中的应用

野生动物是重要的生物资源之一,但是人类活动的增加和自然环境的恶化严重威胁着野生动物的生存。而深度学习已经成为人工智能领域重点研究方向之一,被广泛应用于各个学科领域,其灵活性使得它在野生动物保护中的图像识别、监测和音频识别等方面展现出了巨大的潜力。本文介绍了几种常见的深度学习算法,综述了不同深度学习模型在野生动物保护中的应用,分析了目前存在的问题及挑战,包括有限的训练数据、环境条件的多变性以及野生动物行为的复杂性等。在未来利用深度学习保护野生动物,除了要解决数据获取和利用、图像的抗干扰等方面的挑战外,还需开发更加稳健和高效的深度学习模型,以满足野生动物保护的特殊需求。