AnatomyArray: A high-throughput platform for anatomical phenotyping in plants
Notice bibliographique
Résumé
The anatomy or the arrangement of cells often determines the organization and function of plant tissues. However, current methods in large-scale imaging and accurate quantification of anatomical traits face major limitations. To address these challenges, we introduce the AnatomyArray system, an integrated platform for multiplexed tissue sectioning and anatomical phenotyping in plants. This system includes a highly adaptable device for high-throughput paraffin sectioning and multichannel slide imaging of various plant tissues, along with AnatomyNet, a deep learning tool for analyzing tissue-scale patterns of cell arrangement and morphology. AnatomyNet delivers accurate, automated quantification of anatomical traits at both the tissue and cellular levels, outperforming existing tools in image analysis. Using the AnatomyArray system, we dissected the genetic basis of root anatomy in a diverse wheat (Triticum aestivum L.) population through anatomics-based genome-wide association studies. Among the candidate genes identified, SQUAMOSA PROMOTER BINDING PROTEIN-LIKE 14 (TaSPL14) was associated with stele and pericycle size in roots. Analysis of Taspl14 mutants confirmed that TaSPL14 plays a critical role in regulating root growth and tissue size by influencing phytohormone pathways. The AnatomyArray platform enables high-throughput characterization of cellular-level features and provides insights into the mechanisms shaping anatomical structure in plants.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».