Optimizing pollencounter for high throughput phenotyping of pollen quality in tomatoes
Notice bibliographique
Résumé
The macro "PollenCounter" in ImageJ was initially developed to assess pollen viability in grapevine. We set out to see if PollenCounter could be used to assess pollen number and viability in tomatoes. •We tested different optimization scenarios by adjusting the pollen size (100–900, 200–900 pixel 2 ) and circularity of pollen grains (0.4–1, 0.5–1, and 0.6–1) on 31 microscopic images of stained tomato pollen. Both total pollen number and proportion of viable pollen were positively and significantly correlated with the outputs from manual counting. The scenario with 100–900 pixel 2 pollen size and 0.4–1 circularity had the highest association for pollen number (r = 0.99) and pollen viability (r = 0.86). PollenCounter is 32-fold faster than manual counting. •We added a command to the macro to automatically save the outputs containing the number of total and viable pollen, avoiding transcription errors inherent to manual counting. •We successfully applied the optimized PollenCounter to discriminate tomato genotypes based on pollen number and pollen viability under heat stress. Our results show that PollenCounter, as an open-access macro, can be customized and improved to meet users' needs. The use of PollenCounter can save time and money in pollen quality assessment. We outline the steps to optimize the macro for other samples or crop species. The optimized macro could allow efficient screening of a large germplasm collection for pollen thermo-tolerance and selection of best thermo-tolerant individuals in breeding programs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».