受疫情影响，上周举行的美国植物表型会议Phenome 2020并没有来自中国大陆的代表。Phenome会议历来是国际植物表型圈最棒的会议之一，为了更好的与国内植物表型圈同仁分享会议进展，我们邀请到几位海外华人代表谈一下他们的参会感想。今天来分享的是唐纳德丹福斯植物科学中心的李茂博士。

返程的飞机起飞了，刚参加完在美国图桑举办的Phenome2020会议。由于这次的特殊情况，国内的学者们都不得不取消行程。每每看到零零散散空着的海报架，都提醒着不能与大家在此相聚的遗憾。其实专门针对植物表型的会议真的是屈指可数，更为遗憾的是明年将不会有Phenome2021了。
 

说完遗憾，再来谈谈这次会议的收获吧。最大的收获当然依旧是约见老朋友，结识新朋友，了解最新动态，建立合作伙伴。我是个半路出家的植物表型工作者，有数学背景但没有生物方面的专业训练，一路上都是和大家合作着，一边学习一边摸索着前进，所以对于大的格局和大的前景发展，还是交给专家来发表感想。在这里我就只对几个我觉得有意思的课题谈谈想法吧。
 

我的工作主要集中在研发方法、模型和算法，从数据/图像中量化植物表型。我是一个数据痴，总是热衷于从数据中弄出点花样来，所以我会特别关注有什么新的数据分析的方法或者有什么性状需要新方法去刻画。而和我的工作直接相关的前一步是图像获取，对此我也会多留意。比如各种新设备会出来怎么样的图像，这些图像有着什么不一样的特性，利用这些特点怎样提取出更多或者不一样的有用的信息出来。
 

对于设备，大家正向着更自动化、更高通量化、更轻便、更便宜的方向努力，也有非常多的巧思，装了各种各样的传感器，天上飞的、地里钻的、走温室的、跑大田的，品种繁多我就不详细介绍了。相信这些技术一定会像智能手机一样以迅雷不及掩耳的速度发展。而我个人认为现阶段产生数据的能力和速度远超过精度处理和分析数据的能力，所以我希望自己能在这方面可以做一点努力和小小贡献。
 

数据上虽然没有新的类型出现，但仍是五花八门并且朝着高质量发展，比如二维RGB彩图、高光谱图、多光谱图、荧光成像、热感图等，另外还有各种三维重建技术。由于我近期主要做的数据是X射线的三维灰度图，所以就三维数据多谈几句。三维X射线图是高精度并且包含内部材料的数据，所以有更多可以发挥的空间，比如非破坏地提取各种结构然后分析它们之间的表型关系；更多的信息量使得更能提取出准确的拓扑结构，特别适合研究植物器官的连续生长变化。
 

本次会议上，来自佛罗里达国际大学的Camilo Valdes报告了用三维X射线非破坏地提取介质中的根系用于表型研究。目前该技术不完美的地方是还不能应用到大田。好消息是有课题组正在往这方面努力，比如佛罗里达大学Alina Zare报告的Backscatter X-ray设备利用反射可以非破环的提取到大田里根系的图像，虽然目前精度还比较低，但是很有前景。丹佛斯植物科学中心Chris Topp实验室有一个设备很值得一提，就是X-ray microscope 三维图，该数据是可以精度到细胞级别，但是目前扫描时间特别长，达不到通量。
 

图片来源：Chris Topp实验室，未发表

这里再简单地列举几个在大会报告中提到的三维数据：
 

新西兰皇家研究院林业研究所Heidi Dungey报告了利用UAV+Lidar和手持Lidar设备获取的三维点云，并应用到森林及树的表型。我知道，这方面的数据已经大量的出现在农业遥感领域。
 

图片来源https://www.researchgate.net/publication/304864832_The_use_of_LiDAR_for_Phenotyping

伊利诺伊大学Ursula Ruiz-Vera报告的探地雷达利用电磁波探测并进行低精度的三维重建并应用于研究木薯根的生长。虽然数据的精度相对低一些，但是非破环性的特点可以广泛用在大田中。
 

宾夕法尼亚州立大学Kathleen Brown报告的激光烧蚀层析成像（Laser Ablation Tomography）利用快速切片拍照重建三维模型，研究根系的解剖性状。虽然破坏了材料，但是出来的数据是高精度的。
 

图片来源Strock et al. (2019) Laser ablation tomography for visualization of root colonization by edaphic organisms.JXB 70(19):5327-5342

另外明尼苏达大学Bonita VanHeel 报告了关于Micro CT 的一些工作。
 

对于图像处理和识别，谈的最多的无疑还是深度学习尤其是神经网络的应用。众所周知的难点，就是需要大量的训练样本。我个人觉得有两个报告里提到的方法还是很有意思的。一个是加拿大萨省大学Blanche Leyeza报告的关于从植株覆盖的图片中提取单植株。为了增加训练样本，将已经提取的单植株大量随机合成出各种植株覆盖的图作为训练，简单来说是利用P图技术为科研作贡献。另一个是Alina Zare报告的Multiple Instance Adaptive Cosine Estimator方法, 大致的想法是图形分成小的区域，每个区域标定是否有目标像素，再进行一系列的算法，相比神经网络等深度学习，人为标注的工作量大大减小。
 

此外图像处理的另外一个普遍的难点是如何从条状物（例如根系，藤类，枝干等）的三维点云中构建出具有正确拓扑的骨架。相信这个问题的解决将会全面推进相关表型几何及拓扑量化的精度。之后就可以考虑采用我报告中常提到的拓扑数据分析方法去量化比较啦。最后建模这块还没有多谈，要不留着以后有机会再说。
 

飞机就要降落了，还有很多精彩的报告不能一一介绍， 期待在之后的各个植物表型会议上有机会和大家相聚，一起分享各种有趣的想法和研究。
 

李茂， 博士，唐纳德丹福斯植物科学中心高级研究科学家、独立PI。
 

李茂博士在厦门大学获得数学专业本科学位，复旦大学获得数学专业硕士学位，佛罗里达州立大学获得生物数学专业硕士及博士学位。毕业后加入唐纳德丹福斯植物科学中心Chris Topp实验室做了和植物表型相关（例如叶片形状，根系表型，花穗表型等）的博士后工作。目前是中心的一位PI，并在数据科学设施任职高级研究科学家。
 

扩展阅读：

海外华人谈Phenome 2020之普度大学杨扬

国际植物表型网络IPPN介绍和入会指南

植物表型资讯两周年目录汇总

植物表型资讯2019年1-12月目录汇总

植物表型资讯2020年1-2月目录汇总