Оценка точности фенотипирования морфологических признаков Syringa vulgaris L. с помощью лазерного 3D-сканера Planteye F500 в зависимости от расположения растений на сканируемой поверхности

Автор: Третьяков М.Ю., Тохтарь В.К., Журавлева Е.В., Бирюков Д.В.

Журнал: Сельскохозяйственная биология @agrobiology

Рубрика: Физические методы исследований

Статья в выпуске: 5 т.57, 2022 года.

Бесплатный доступ

Так как методические приемы прямой генетики применимы только для моногенных признаков, свойства полученного селекционного материала, линии или сорта должны быть проверены в полевых условиях, поскольку присутствие в геноме желательного гена, подтвержденное молекулярными методами, не всегда приводит к формированию ценного для селекции признака. Системы на основе технологий 3D изображений позволяют получить модель растения, а также информацию о морфологических параметрах. Однако крайне мало внимания уделяется составлению протоколов проведения феноскрининга. Целью настоящего исследования была сравнительная оценка точности определения морфологических характеристик у растений сирени традиционными методами и с использованием технологии машинного зрения в зависимости от расположения объекта на сканируемой поверхности. В качестве модели для отработки методики феноскрининга выбрали микроклоны сирени ( Syringa vulgaris L.) сорта Милосердие. Микроклоны характеризуются высокой степенью морфологической однородности и небольшие по размеру, что позволяет проводить измерения и сопоставлять полученные данные в достаточно больших выборках, нормализуя их к средним значениям. Учеты выполняли после окончания адаптации растений и культивирования в течение 1 мес в тепличных боксах. При традиционной морфометрии выборка составляла 10 микроклонов, у которых измеряли высоту мерной линейкой, площадь поверхности каждого листа - контурным методом. При сканировании (3D-сканер PlantEye F500, «Phenospex B.V.», Нидерланды) каждое из 10 отобранных растений располагали в пяти разных точках сканируемой поверхности и в одном и том же положении проводили не менее пяти повторных сканирований. При применении технологии машинного зрения определяли 3D площадь листьев, проецируемую площадь листьев, цифровую биомассу, высоту, максимальную высоту, наклон листьев, угол наклона листьев, глубину проникновения света. Установлено, что для получения объективных и сопоставимых результатов при использовании 3D-сканера оптимально располагать растения в центре сканируемой поверхности в одном и том же положении, а в качестве морфологических параметров для идентификации сортов и фиксации приростов можно рекомендовать следующие параметры: площадь листа, проекционная площадь листа, высота, угол наклона листа. Для каждого вида растений необходимо проводить первичные морфологические исследования традиционными методами, а затем сравнивать полученные данные с результатами сканирования, чтобы внести поправочные коэффициенты и подтвердить информативность используемого набора признаков, тем самым повышая точность данных, полученных в результате использования технологии машинного зрения.

Еще

Фенотипирование, морфология, syringa vulgaris l, машинное зрение, 3d-сканирование

Короткий адрес: https://sciup.org/142236362

IDR: 142236362   |   DOI: 10.15389/agrobiology.2022.5.921rus

Список литературы Оценка точности фенотипирования морфологических признаков Syringa vulgaris L. с помощью лазерного 3D-сканера Planteye F500 в зависимости от расположения растений на сканируемой поверхности

  • Kumar J., Rai K.M. Research advances in plant genomics. All Life, 2021, 11: 1313 (doi: 10.3390/life11121313).
  • Bennett M.D., Leitch I.J. Plant genome size research: a field in focus. Annals of Botany, 2005, 95(1): 1-6 (doi: 10.1093/aob/mci001).
  • Генаев М.А., Шмаков Н.А., Мустафин З.С., Мухин А.М., Константинов Д.К., Дорош-ков А.В., Лашин С.А., Афонников Д.А. Поиск новых генов в «скрытой» части транскрип-томов сельскохозяйственных растений. VII Съезд Вавиловского общества генетиков и селекционеров, посвященный 100-летию кафедры генетики СПбГУ, и ассоциированные симпозиумы. Сборник тезисов Международного конгресса. СПб, 2019: 528.
  • Кирьянова О.Ю., Кулуев Б.Р., Кулуев А.Р., Марданшин И.С., Губайдуллин И.М., Чеме-рис А.В. Мультиплексный IN SILICO RAPD-анализ ряда родственных растений с отличающимися размерами геномов и перспективы такого подхода для ДНК-паспортизации сортов сельскохозяйственных растений. Биомика, 2020, 12(2): 194-210 (doi: 10.31301/2221-6197.bmcs.2020-10).
  • Дьяченко Е.А., Кулакова А.В., Кочиева Е.З., Щенникова А.В. Вариабельность геномных RGA-локусов современных отечественных сортов картофеля: данные NBS-маркирования. Сельскохозяйственная биология, 2021, 56(1): 32-43 (doi: 10.15389/agrobiology.2021.1.32rus).
  • Пономарева М.Л., Пономарев С.Н., Тагиров М.Ш., Гильмуллина Л.Ф., Маннапова Г.С. Генотипическая изменчивость содержания пентозанов в зерне озимой ржи. Сельскохозяйственная биология, 2017, 52(5): 1041-1048 (doi: 10.15389/agrobiology.2017.5.1041rus).
  • Рогозина Е.В., Терентьева Е.В., Потокина Е.К., Юркина Е.Н., Никулин А.В., Алексеев Я.И. Идентификация родительских форм для селекции картофеля, устойчивого к болезням и вредителям, методом мультиплексного ПЦР-анализа. Сельскохозяйственная биология, 2019, 54(1): 19-30 (doi: 10.15389/agrobiology.2019.1.19rus).
  • Nakanwagi M.J., Sseremba G., Kabod N.P., Masanza M., Kizito E.B. Identification of growth stage-specific watering thresholds for drought screening in Solanum aethiopicum Shum. Scientific Reports, 2020, 10: 862 (doi: 10.1038/s41598-020-58035-1).
  • Robles P., Quesada V. Organelle genetics in plants. International Journal of Molecular Science, 2021, 22(4): 2104 (doi: 10.3390/ijms22042104).
  • Heslop-Harrison J.S.P., Schwarzacher T. Organisation of the plant genome in chromosomes. The Plant Journal, 2011. 66(1): 18-33 (doi: 10.1111/j.1365-313X.2011.04544.x).
  • Белоногова Н.М. «Прямая» и «обратная» генетика. генетика количественных признаков. Вавиловский журнал генетики и селекции, 2014, 18(1): 147-157.
  • Endalkachew A. Review on forward and reverse genetics in plant breeding. All Life, 2021, 14(1): 127-135 (doi: 10.1080/26895293.2021.1888810).
  • Gilchrist E., Haughn G. Reverse genetics techniques: engineering loss and gain of gene function in plants. Briefings in Functional Genomics, 2010, 9(2): 103-110 (doi: 10.1093/bfgp/elp059).
  • Lyu J. Reverse genetics: wheat solution. Nature Plants, 2017, 3: 17005 (doi: 10.1038/nplants.2017.5).
  • Holubova K., Hensel G., Vojta P., Tarkowski P., Bergougnoux V., Galuszka P. Modification of Barley plant productivity through regulation of cytokinin content by reverse-genetics approaches. Frontiers in Plant Science, 2018, 27(9): 1676 (doi: 10.3389/fpls.2018.01676).
  • Новохатин В.В., Драгавцев В.А., Леонова Т.А., Шеломенцева Т.В. Создание сорта мягкой яровой пшеницы Гренада с помощью инновационных технологий селекции на основе теории эколого-генетической организации количественных признаков. Сельскохозяйственная биология, 2019, 54(5): 905-919 (doi: 10.15389/agrobiology.2019.5.905rus).
  • Crossa J., Fritsche-Neto R., Montesinos-Lopez Osval A., Costa-Neto G., Dreisigacker S., Mon-tesinos-Lopez A., Bentley Alison R. The modern plant breeding triangle: optimizing the use of gGenomics, phenomics, and enviromics data. Frontiers in Plant Science, 2021, 12: 651480 (doi: 10.3389/fpls.2021.651480).
  • Хлесткина Е.К., Хлесткин В.К. Современные подходы прямой и обратной генетики картофеля. Мат. межд. науч.-практ. конф. «Картофелеводство». М., 2017: 59-64.
  • Тохтарь В.К., Мазур Н.В. Изучение морфологических признаков популяций Conyza canadensis (L.) Cronq. на юго-западе Среднерусской возвышенности. Научные ведомости Белгородского государственного университета. Серия: Естественные науки, 2011, 15/1(104): 249-253.
  • Furbank R.T., Tester M. Phenomics — technologies to relieve the phenotyping bottleneck. Trends in Plant Science, 2011, 16(12): 635-644 (doi: 10.1016/j.tplants.2011.09.005).
  • Li L., Zhang Q., Huang D. A review of imaging techniques for plant phenotyping. Sensors, 2014, 14(11): 20078-20111 (doi: 10.3390/s141120078).
  • Афонников Д.А., Генаев М.А., Дорошков А.В., Комышев Е. Г., Пшеничникова Т.А. Методы высокопроизводительного фенотипирования растений для массовых селекционно-генетических экспериментов. Генетика, 2016, 52(7): 788-803 (doi: 10.7868/S001667581607002X).
  • Серегин А.П., Бочков Д.А., Шнер Ю.В., Гарин Э.В., Майоров С.Р., Голяков П.В., Большаков Б.В., Прохоров В.Е., Маллалиев М.М., Виноградов Г.М., Эбель А.Л., Каширина Е.С., Бирюкова О.В., Курякова О.П., Мирвода С.В., Химин А.Н., Муртазалиев Р.А., Зеленкова В.Н., Дудов С.В., Горбунова М.С. и др. «Флора России» на платформе Inatu-ralist: большие данные о биоразнообразии большой страны. Журнал общей биологии, 2020, 81(3): 223-233 (doi: 10.31857/S0044459620030070).
  • Светашева Т.Ю., Лакомов А.Ф., Привалова М.В., Смирнова Е.В., Максимова Т.В. Международная интернет-платформа Inaturalist как база наблюдений растений красной книги тульской области. Фиторазнообразие Восточной Европы, 2020, 14(4): 549-559 (doi: 10.24411/20728816-2020-10088).
  • Liu H., Bruning B., Garnett T., Berger B. Hyperspectral imaging and 3D technologies for plant phenotyping: From satellite to close-range sensing. Computers and Electronics in Agriculture, 2020, 175: 105621 (doi: 10.1016/j.compag.2020.105621).
  • Reeb R.A., Aziz N., Lapp S.M., Kitzes J., Heberling J.M., Kuebbing S.E. Using convolutional neural networks to efficiently extract immense phenological data from community science images. Frontiers in Plant Science, 2022, 12: 787407 (doi: 10.3389/fpls.2021.787407).
  • Gibbs J.A., Pound M., French A.P., Wells D.M., Murchie E., Pridmore T. Plant phenotyping: an active vision cell for three-dimensional plant shoot reconstruction. Plant Physiology, 2018, 178(2): 524-534 (doi: 10.1104/pp.18.00664).
  • Tomé F., Jansseune K., Saey B., Grundy J., Vandenbroucke K., Hannah M.A., Redestig H. rosettR: protocol and software for seedling area and growth analysis. Plant Methods, 2017, 13: 13 (doi: 10.1186/s13007-017-0163-9).
  • Tsaftaris S.A., Minervini M., Scharr H. Machine learning for plant phenotyping needs image processing. Trends in Plant Science, 2016, 21(12): 989-991 (doi: 10.1016/j.tplants.2016.10.002).
  • Ubbens J.R., Stavness I. Deep plant phenomics: a deep learning platform for complex plant phenotyping tasks. Frontiers in Plant Science, 2017, 8: 1190 (doi: 10.3389/fpls.2017.01190).
  • Coppens F., Wuyts N., Inze D., Dhondt S. Unlocking the potential of plant phenotyping data through integration and data-driven approaches. Current Opinion in Systems Biology, 2017, 4: 5863 (doi: 10.1016/j.coisb.2017.07.002).
  • Fasoula D.A., Ioannides I.M., Omirou M. Phenotyping and plant breeding: overcoming the barriers. Frontiers in Plant Science, 2020, 10: 1713 (doi: 10.3389/fpls.2019.01713).
  • Carvalho L.C., Gonjalves E.F., da Silva J.M., Miguel J. Potential phenotyping methodologies to assess inter- and intravarietal variability and to select grapevine genotypes tolerant to abiotic stress. Frontiers in Plant Science, 2021, 12: 71820226 (doi: 10.3389/fpls.2021.718202).
  • Naik H.S., Zhang J., Lofquist A., Assefa T., Sarkar S., Ackerman D., Singh A., Singh A.K., Ganapathysubramanian B. A real-time phenotyping framework using machine learning for plant stress severity rating in soybean. Plant Methods, 2017, 13: 23 (doi: 10.1186/s13007-017-0173-7).
  • Wang Y., Wen W., Wu S., Wang C., Yu Z., Guo X., Zhao C. Maize plant phenotyping: comparing 3D laser scanning, multi-view stereo reconstruction, and 3D digitizing estimates. Remote Sensing, 2018, 11(1): 63 (doi: 10.3390/rs11010063).
  • Aleynikov Y.G., Konstantinovich A.V. Creation of 3D cloud models for plants using a scanner and walking machine with dynamic stability. Bioscience Biotechnology Research Communications, 2021, 14(2): 505-508 (doi: 10.21786/bbrc/14.2/1).
  • Paulus S. Measuring crops in 3D: using geometry for plant phenotyping. Plant Methods, 2019, 15: 103 (doi: 10.1186/s13007-019-0490-0).
  • Yang W., Guo Z., Huang C., Duan L., Chen G., Jiang N., Fang W., Feng H., Xie W., Lian X., Wang G., Luo Q., Zhang Q., Liu Q., Xiong L. Combining high-throughput phenotyping and genome-wide association studies to reveal natural genetic variation in rice. Nature Communications, 2014. 5: 5087 (doi: 10.1038/ncomms6087).
  • Klukas C., Chen D., Pape J.M. Integrated analysis platform: an open-source information system for highthroughput plant phenotyping. Plant Physiology, 2014, 165(2): 506-518 (doi: 10.1104/pp.113.233932).
  • Chen D., Neumann K., Friedel S., Kilian B., Chen M., Altmann T., Klukas C. Dissecting the phenotypic components of crop plant growth and drought responses based on high-throughput image analysis. The Plant Cell, 2014, 26(12): 4636-4655 (doi: 10.1105/tpc.114.129601).
  • Бондаренко В.Ю., Барковский А.В., Шашко А.Ю., Черныш М.А., Пржевальская Д.А., Колбанов Д.В., Соколик А.И., Смолич И.И., Медведев С.С., Демидчик В.В. Анализ фенотипа декоративных растений с использованием искусственных нейронных сетей: определение таксономических и физиологических характеристик. Журнал Белорусского государственного университета. Биология, 2019, 1: 25-32 (doi: 10.33581/2521-1722-2019-1-25-32).
Еще
Статья научная