Best practices in plant fluorescence imaging and reporting: A primer
Notice bibliographique
Résumé
Microscopy is a fundamental approach for plant cell and developmental biology as well as an essential tool for mechanistic studies in plant research. However, setting up a new microscopy-based experiment can be challenging, especially for beginner users, when implementing new imaging workflows or when working in an imaging facility where staff may not have extensive experience with plant samples. The basic principles of optics, chemistry, imaging, and data handling are shared among all cell types. However, unique challenges are faced when imaging plant specimens due to their waxy cuticles, strong/broad spectrum autofluorescence, recalcitrant cell walls, and air spaces that impede fixation or live imaging, impacting sample preparation and image quality. As expert plant microscopists, we share our collective experience on best practices to improve the quality of published microscopy results and promote transparency, reproducibility, and data reuse for meta-analyses. We offer plant-specific advice and examples for microscope users at all stages of fluorescence microscopy workflows, from experimental design through sample preparation, image acquisition, processing, and analyses, to image display and methods reporting in manuscripts. We also present standards for methods reporting that will be valuable to all users and offer tools to improve reproducibility and data sharing.
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 | 0,038 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,008 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,013 |
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 ».