- 3 次围观
背景与目的：花粉萌发和花粉管生长是植物繁殖的关键阶段，对温度高度敏感，但其定量分析仍然劳动密集。本研究旨在开发一种基于深度学习的花粉表型分析方法，并刻画道格拉斯冷杉（*Pseudotsuga menziesii*）花粉萌发与伸长对温度的响应特征。 方法：训练卷积神经网络（CNN），用于从显微图像中分割花粉粒并判定其萌发状态。在5～40°C的孵育温度范围内，对花粉萌发率和花粉长度进行定量分析。采用伽马函数拟合温度响应曲线，以估算沿海拔梯度采集的不同道格拉斯冷杉种群中花粉萌发和伸长的最适温度。 主要结果：CNN取得了较高的分割准确率（交并比 = 0.846），能够准确区分花粉粒与背景，但在伸长早期区分已萌发与未萌发花粉方面的准确率中等。花粉萌发和伸长均呈现钟形温度响应曲线，并具有不同的热最适温度。花粉伸长达到最适状态的温度始终高于花粉萌发。估算的最适温度范围较窄，约为19～23°C。海拔与热最适温度之间未检测到显著关系，但部分高海拔种群表现出较低的最适温度。与此前对北美西部三种针叶树的分析结果比较发现，各物种均占据独特的繁殖热生态位，该生态位与其原生生境的春季温度相对应。 结论：深度学习为基于显微图像高通量定量分析花粉萌发和伸长提供了一种高效方法。繁殖性能所对应的狭窄温度范围表明，道格拉斯冷杉花粉对温度变化较为敏感，变暖气候可能改变其繁殖成功率。这些发现深化了我们对针叶树繁殖热敏感性的认识，并为评估气候变暖对森林更新的影响提供了可扩展的分析框架。
**背景与目的：** 花粉萌发和花粉管生长是植物繁殖的关键阶段，对温度高度敏感，但其定量分析仍十分耗时。本研究旨在开发一种基于深度学习的花粉表型分析方法，并刻画花旗松（*Pseudotsuga menziesii*）花粉萌发与伸长对温度的响应特征。
**方法：** 采用卷积神经网络（CNN）对显微图像中的花粉粒进行分割，并对其萌发状态进行分类。在5～40°C的孵育温度范围内，对花粉萌发率和花粉长度进行定量分析。利用伽马函数拟合温度响应曲线，以估算沿海拔梯度采集的不同花旗松种群的花粉萌发和伸长最适温度。
**主要结果：** CNN取得了较高的分割准确率（交并比 = 0.846），能够准确地区分花粉粒与背景，但在花粉管早期伸长阶段区分已萌发和未萌发花粉时，准确率中等。花粉萌发和伸长均呈现钟形温度响应曲线，并具有不同的热最适温度。花粉伸长达到最适状态的温度始终高于花粉萌发的最适温度。估算的最适温度处于较窄范围内，约为19～23°C。未检测到海拔与热最适温度之间存在显著关系，但部分高海拔种群表现出较低的最适温度。与此前对北美西部三种针叶树的分析结果比较发现，每个物种均占据一个独特的繁殖热生态位，该生态位与其原生地的春季温度相对应。
**结论：** 深度学习为基于显微图像高通量定量分析花粉萌发和伸长提供了一种高效方法。繁殖表现所对应的狭窄热适应范围表明，花旗松花粉对温度变化较为敏感，气候变暖可能改变其繁殖成功率。这些发现加深了我们对针叶树繁殖热敏感性的认识，并为评估气候变暖对森林更新的影响提供了可扩展的分析框架。
感谢您有兴趣帮助传播 bioRxiv 的相关信息。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.10.750703v1?rss=1
🏷️ 花粉萌发 温度响应 深度学习 显微图像分析 花粉活力 道格拉斯冷杉