登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《遗传学家通过 CRISPR 更正番茄育种冲突》

  • 来源专题：转基因生物新品种培育
  • 编译者： Zhao
  • 发布时间：2017-05-26

  • 在上世纪50年代，科学家在加拉帕戈斯群岛发现一种野生番茄，没有类似关节一样的膨大的茎部。关节是茎秆的薄弱部分，使果实很容易从植物上脱落。育种家们发明了无接缝的西红柿，以延长植物果实在茎秆上的停留时间。然而，当与现有番茄品种杂交时，产生的植物有花枝，产生了许多额外的枝干，看起来像扫帚，终点部分有大量的花。这导致了番茄果实数量的减少。

    许多年后，纽约冷泉港实验室的遗传学家Zachary Lippman和其他研究人员追踪与无缝特质有关的基因与另一个基因，该基因是促进绿色大帽叶顶上的果实结构形成的基因。然后他们用CRISPR-Cas9修正特性冲突，导致了不同的植物结构的番茄植株，包括那些长的，花枝细长的浓密的，像菜花一样的植株，和一些能使番茄果实收成更好的植株。

12浏览量
原文链接
相关报告

  • 《基因编辑技术将提高番茄产量》
    • 来源专题：农业科技前沿与政策咨询快报
    • 编译者：李楠
    • 发布时间：2017-11-28
    • 日前，美国冷泉港实验室（Cold Spring Harbor Laboratory, CSHL）副教授扎卡里·利普曼（Zachary Lippman）团队利用基因编辑技术CRISPR改变了两种常见番茄植株的基因，从而使番茄的开花及成熟期比普通商业手段培育出的番茄缩短了2周以上，这意味着作物在每个生长季内的产量都会更高，也就意味着作物可以在更高纬度地区生长。该研究成果已经发表在《自然遗传学》（Nature Genetics）。 这项研究成果得益于利普曼团队对于多种作物的花期进化情况及其野生近缘种的持续研究，进而发现了家养植物对于白昼长度的不敏感性现象。众所周知，植物“成花素激素”和“反成花素激素”组成了一种被称为自我抵消（SELF PRUNING, SP）的系统，按照阴阳交替的方式控制着植物的花期，进而影响其第一次成熟期。起初，研究人员观察到，生长于全年昼夜平分的加拉帕戈群岛（Galapagos Islands）的野生番茄种对于日照长度极其敏感，白天越长，花期也就越长；而在北半球较高纬度并且夏天日照更长环境下，开花则非常晚且几乎不结果实，如果光照时间短一些并接近植物原生环境时，则开花便会更快。因此，为了揭示栽培的番茄植株不如野生近缘种对光照更为敏感的原因，研究者们将这种生长于加拉帕戈群岛的野生番茄植株分别种植在纽约的温室以及土地中，结果发现由SP5G基因（SP5G是同一种成花素和反成花素基因家族中的一员，能够控制番茄的花期）编码的反成花素激素的表达和活动都有了明显的不同，开花时间变得更晚。相反，家养的番茄植株中反成花素激素的反应则减弱了很多，由此发现了家养番茄丧失白昼长度敏感性的奥秘：SP5G反成花素激素的表达十分有限。利普曼推测，这些遗传变化很有可能在16世纪西班牙征服者科特斯（Cortez）将番茄从墨西哥带到欧洲，并在北半球中纬度地区广泛栽培的时代之前就已经发生了。 最终，基于以上研究结果，该团队利用基因编辑技术CRISPR诱导SP5G基因中细小的基因突变，从而使这种基因失去活性，使其不能产生任何反成花素激素。这种改造过的SP5G基因被引入到罗马番茄和圣女果中后，它们的开花期来得更早，果实成熟期也随之提早了。控制另一种反成花素基因使得番茄植株以更密集更紧凑、类似于灌木的方式生长，其开花和结果的时间也进一步提早，这一特征被研究团队称之为“双重决定（double-determinate）”。 这项技术不仅仅是简单地提高作物的产量，而是创造出一个基因匣子，帮助种植者和培育者在一个生长期内改变作物的开花期及产量，使优良的作物物种适应地球上的各种环境，进而大大扩展作物栽培的地理范围。这项技术不仅可以应用于番茄种植，同样也可以应用到玉米、大豆以及多种我们赖以生存的粮食作物上。　 （编译 李楠）
    448浏览量
    原文链接

  • 《基于遗传算法优化机器学习分类的番茄叶部真菌病害图像数据集与智能诊断框架》
    • 编译者：季雪婧
    • 在智慧农业快速发展的今天，作物病害的早期诊断对保障粮食安全至关重要。番茄作为全球广泛种植的经济作物，极易受到多种真菌病害的侵袭，其中Alternaria alternata（链格孢菌）、Alternaria solani（茄链格孢菌）、Botrytis cinerea（灰葡萄孢菌）和Fusarium oxysporum（尖镰孢菌）是四种危害严重的病原体。这些病害在叶片上常表现为褐斑、萎蔫等相似症状，即使经验丰富的农艺师也难以肉眼准确区分。传统实验室检测方法如酶联免疫吸附测定(ELISA)、聚合酶链式反应(PCR)虽然准确，但成本高、耗时长，难以在田间大规模应用。尽管机器学习(ML)和深度学习(DL)技术在植物病害识别中展现出潜力，但其性能高度依赖于高质量数据集和精细的模型调优。现有公共数据集多在受控环境下采集，缺乏真实世界的复杂性；而模型训练中的特征筛选和超参数优化往往依赖经验，制约了分类精度的进一步提升。针对这些瓶颈，由新疆农业科学院农业机械化研究所Guifu Ma、Chenming Zuo、Xiaohang Liu、Seyed Mohamad Javidan等学者组成的研究团队，在《Smart Agricultural Technology》上发表了一项创新研究。他们不仅构建了一个在自然光下用智能手机拍摄的、包含3000张标注图像的番茄叶部真菌病害RGB数据集，还设计了一套基于遗传算法(GA)的元启发式优化框架，显著提升了机器学习模型的分类性能。下载MMPs海报药物开发的最新进展。MMPs成为癌症、心血管疾病和炎症性疾病的重要靶点。领 取本研究采用了几项关键技术方法。首先，研究人员在温室条件下人工接种番茄植株，系统采集了四种真菌病害及健康叶片的图像，构建了均衡分布的图像数据集。其次，通过图像预处理流程（包括绿色通道提取、边缘检测、形态学膨胀和孔洞填充）精确分离叶片与背景。接着，从RGB、HSV、lab*和YCbCr等多种颜色空间中提取颜色特征（如均值、最大值、标准差、中位数），利用灰度共生矩阵(GLCM)计算纹理特征（如熵、能量、对比度、同质性），并量化形状特征（如周长、面积、圆形度指数）。最后，研究核心是应用遗传算法进行双目标优化：一是从68个初始特征中筛选出最具判别力的特征子集，二是同步优化支持向量机(SVM)和随机森林(RF)的关键超参数（如SVM的核函数与代价函数，RF的最小叶节点规模与父节点规模）。模型性能通过5折交叉验证和准确率(Accuracy)、精确度(Precision)、灵敏度(Sensitivity)、特异性(Specificity)和F值(F-Measure)等指标进行全面评估。3.1. 特征选择由遗传算法实现遗传算法从颜色、纹理和形状三大类特征中分别筛选出6个关键特征。分析表明，纹理特征（如熵、能量、偏度）对分类的贡献最大，其单独分类准确率达70.13%；颜色特征（如RGB B波段最大值、YCbCr Y波段中位数）次之，准确率为65.45%；形状特征（如周长、面积）相对影响较小，准确率为53.02%。这证实了病害导致的叶片表面不规则性在区分相似症状时具有最高判别价值。广告Western blot成像：电子压片无需暗房，简单快速高效准确，强弱条带同时成像不过曝——e-BLOT3.2. 遗传算法优化前的分类在优化前，SVM模型的总体分类准确率为68.17%，RF模型为80.83%。SVM对Fusarium oxysporum（尖镰孢菌）的识别尤其困难，灵敏度低至47.54%，表明其线性分类本质难以处理病害特征间的复杂非线性关系。而RF凭借其集成学习的优势，对A. alternata（链格孢菌）的识别灵敏度达到95.54%，显示出更强的鲁棒性。3.3. 遗传算法优化后的分类经过遗传算法优化后，两种模型的性能均实现飞跃。SVM的准确率提升至87.17%，但对F. oxysporum的识别仍是其弱项。RF模型表现尤为突出，总体准确率达到98%，对所有病害类别和健康叶片的精确度、灵敏度、特异性均超过95%，F值也维持在97.12%至98.76%的高水平。优化过程还对比了决策树(DT)和k近邻(k-NN)模型，GA使DT准确率从62.12%提升至74.08%，k-NN从68.47%提升至78.36%，进一步验证了元启发式优化策略的普适有效性。与近期其他研究对比（如基于YOLOv8n、Vision Transformer等深度学习方法），本研究提出的GA优化RF框架在准确率上具有竞争力，同时保持了模型的可解释性和较低的计算资源需求。该研究的结论部分强调，通过将专门构建的真实世界图像数据集与智能优化算法相结合，能够极大提升番茄叶部真菌病害的诊断效率和准确性。遗传算法在特征选择和超参数调优中的双重作用，是突破传统机器学习性能瓶颈的关键。研究不仅证实了纹理特征是区分视觉重叠症状的最重要指标，也展示了随机森林模型在经过优化后处理复杂农业图像数据的卓越能力。讨论部分指出，这项研究的成功为开发轻量、高效、可解释的田间实时病害诊断系统提供了坚实的技术路径。相较于需要海量数据和强大算力的深度学习方法，本框架更适合在资源受限的边缘设备（如智能手机、嵌入式传感器）上部署，有助于推动人工智能在精准农业中的普惠应用。未来工作可扩展至更多作物病害类型，并集成环境传感器数据，以构建更加全面、自适应的植物健康智能监测生态系统。本研究针对番茄叶部真菌病害视觉症状重叠、传统检测方法效率低下的问题，开发了一个包含3000张RGB图像的新数据集，并提出了一个结合遗传算法(GA)的元启发式机器学习框架。通过GA同步优化特征选择和支持向量机(SVM)、随机森林(RF)等模型的超参数，使SVM和RF的分类准确率分别提升至87.17%和98%。
    11浏览量
    原文链接