bob.comPlant Methods｜利用深度神经网络快速估算植物的生长动态

　　bob.com近年来，在植物学领域，bob.com科学家们越来越重视以生长驱动反应为代表的植物行为，这些运动主要由两种组成：内部驱动和环境驱动。因此，研究植物行为，必须建立在追踪植物运动姿态的基础上。研究人员通常使用卷积神经网络来追踪人类和动物的运动姿态，bob.com那么植物追踪是否也能运用同样的方法？该文利用动物姿势跟踪框架SLEAP（一种基于深度学习的工具）对植物运动姿势进行追踪，并评估其可行性。

　　不同于动物，植物的生长形态是不断变化的，这为观察植物的生长带来了不小的难度，bob.com而延时成像技术恰好可以解决这一难题。延时成像所生成的表型数据数量，bob.com远超于静态表型数据，加上先前所使用的分析工具都存在着各种缺陷，在进行植物数据处理时存在诸多不便。机器学习算法（如卷积神经网络（CNN））的开发和使用极大地提高了处理图像数据的最先进水平，尤其是其无标记追踪动物姿态的能力，很可能为植物追踪带来新的发展希望。

　　为了探究SLEAP是否也同样适用于植物姿态追踪，研究团队必须解决由于植物生长所带来的变化。该研究选择拟南芥、大豆和向日葵作为实验对象，在五组不同设置下生成延时视频，bob.com包括：拟南芥向地性(AG)、Arabi- dopsis向光性(AP)、豆缠绕(BT)、向日葵向光性(SP)和向日葵避荫(STL & STP)。

　　研究团队分别从三个角度对实验数据进行分析：训练时间、预测精度以及和其他追踪方法的比较，以评估SLEAP在追踪植物生长动态方面的性能。实验结果显示，该方法能够追踪所有视频中植物的运动，并且成功地预测了每个不同视频分析中所有帧上的个体。

　　该研究证明了SLEAP可以在延时视频中快速、高通量地追踪植物的运动姿势，也可以用来提取各种在动态生长驱动植物的过程中存在的信息。这些成果鼓励人们在研究植物时，使用SLEAP或基于卷积神经网络的工具。进一步开发此类工具（例如GrowthBrain)有利于扩大其在这种变化形态的闭塞结构上的成功，也有可能在其它领域中发挥作用。