Разработка методов автоматического определения количественных характеристик опушения листа тема диссертации и автореферата по ВАК РФ 03.01.09, кандидат биологических наук Генаев, Михаил Александрович

  • Генаев, Михаил Александрович
  • кандидат биологических науккандидат биологических наук
  • 2013, Новосибирск
  • Специальность ВАК РФ03.01.09
  • Количество страниц 141
Генаев, Михаил Александрович. Разработка методов автоматического определения количественных характеристик опушения листа: дис. кандидат биологических наук: 03.01.09 - Математическая биология, биоинформатика. Новосибирск. 2013. 141 с.

Оглавление диссертации кандидат биологических наук Генаев, Михаил Александрович

Введение.

Глава 1. Обзор литературы.

1.1 Опушение - важный фенотипический признак растений.

1.1.1 Строение трихом.

1.1.2 Функции опушения.

1.1.3 Методы определения опушения растений.

1.2 Методы обработки биологических цифровых изображений.

1.2.1 Основные процедуры подготовки и анализа изображений в биологии.

1.2.2 Комбинированное использование методов обработки изображений.

1.2.3 Библиотеки анализа цифровых изображений.

1.2 Высокопроизводительное фенотипирование при анализе взаимосвязи генотип-фенотип у растений.

1.3 Интеграция и структуризация информации о фенотипах, генотипах и параметрах окружающей среды — актуальная проблема при изучении живых организмов.

Рекомендованный список диссертаций по специальности «Математическая биология, биоинформатика», 03.01.09 шифр ВАК

Введение диссертации (часть автореферата) на тему «Разработка методов автоматического определения количественных характеристик опушения листа»

Актуальность работы. Одной из ключевых проблем современной биологии — изучение взаимосвязи между генотипом и фенотипом у живых организмов, в том числе растений. Для определения взаимосвязей между генотипом и фенотипом при анализе комплексных признаков применяются компьютерно-экспериментальные подходы, основанные на методе картирования генов, контролирующих количественные признаки (quantitative trait loci, QTL). Эти подходы основаны на статистическом анализе комбинаций молекулярных маркеров и фенотипических данных (Shavrukov et al., 2010; Kearsey, 1998).

Одной из эффективных технологий, позволяющей получать массовым образом данные о последовательностях маркеров в геноме отдельно взятого организма, является секвенирование нового поколения. Эта технология ориентирована на прочитывание коротких фрагментов нуклеотидных последовательностей (30-200 п.н.), но в массовом порядке и с высокой степенью покрытия, что позволяет идентифицировать в геноме последовательности большого количества маркеров одновременно (Mardis, 2008). Таким образом, высокопроизводительное генотипирование (получение большого пула данных по ДНК-маркерам) в анализе взаимосвязи генотип-фенотип сейчас не является проблемой, как это было еще 10-20 лет назад. В этой связи становится актуальным массовое получение данных по фенотипам растений. Именно поэтому область исследований в биологии, связанная с получением данных о фенотипических признаках растений в массовом порядке (высокопроизводительное фенотипирование), сейчас получает все большее развитие (Eberius et al., 2009).

Совокупность фенотипических признаков организма в последнее время стали называть «феном» (по аналогии с геномом), а область науки, которая посвящена его анализу - феномика (Houle et al., 2010; Furbank et al., 2011). В основе технологий высокопроизводительного фенотипирования растений лежат методы оцифровки морфологических признаков. Разработка быстрых и относительно точных методов автоматического определения фенотипиче-ских признаков необходима для проведения экспериментов по исследованию взаимосвязи генотипа и фенотипа, основанных на анализе тысяч растений (ВепГеу et а1., 2008, Дуа\¥1 е1 а1., 2010; ВгасЫ е1 а1., 2010). Если ранее для фе-нотипирования применялись механические средства (весы, рулетка, штангенциркуль), то в настоящие время появляются технологии, позволяющие получать фенотипические характеристики в автоматическом режиме на основе методов цифровой обработки изображений. Основное преимущество таких технологий - максимальное исключение человека из процесса оценки какого либо признака. Это позволяет: (а) существенно ускорить процесс получения данных за счет автоматизации; (б) увеличить точность оценки фено-типических параметров, устранив субъективизм и неточность измерений, присущих человеку; (в) получать оценки новых характеристик фенотипа, наблюдение или оценка которых ранее были недоступны (например, параметры микроскопических органов растений).

Один из важных фенотипических признаков растений - опушение. Опушение формируется совокупностью эпидермальных образований, которые называются трихомами, и имеет большое физиологическое значение для растения. Оно может защищать растение от вредителей и агрессивного воздействия окружающей среды, влияя на микроклимат вблизи поверхности листа, регулируя такие параметры как влажность, температуру. Трихомы некоторых растений могут синтезировать, накапливать и секретировать различные метаболиты (БсЫкшИег е! а1., 2008). К числу метаболитов, секретируемых трихомами, относятся терпены, производные фенилпропаноидов, метилкетоны, флавоноиды и др., часть из них используются в фармацевтике, пищевой промышленности, парфюмерии. Таким образом, трихомы служат своеобразными «химическими фабриками» по производству ценных продуктов для биохимии и биотехнологии. Между тем в настоящие время в мире не существует технологии высокопроизводительного фенотипирования этого признака.

Существующие методы оценки опушения растений или достаточно дороги и трудоемки или не дают необходимой точности.

Цели и задачи исследования.

Целью работы является разработка метода автоматического определения количественных характеристик опушения листьев растений на основе анализа цифровых микроизображений их сгибов, и сравнительный анализ количественных характеристик опушения листа у растений яровой пшеницы и табака, как модельного растения.

Для достижения заявленной цели были поставлены следующие задачи:

1) Разработать алгоритм автоматической оценки количественных характеристик опушения листа на основе анализа цифровых микроизображений его сгибов у пшеницы и табака.

2) Создать компьютерную программу для анализа количественных характеристик опушения листа пшеницы и табака.

3) Провести массовый анализ количественных характеристик опушения листа сибирских и европейских сортов пшеницы.

4) Провести анализ взаимного расположения трихом на поверхности листа у различных сортов пшеницы.

5) Провести анализ количественных характеристик опушения листьев табака на примере линии SRI и ее генетически-модифицированных вариантов.

6) Разработать интегрированную систему для хранения и анализа данных по взаимосвязи фенотипических признаков растения, генотипа и окружающей среды на примере пшеницы.

Научная новизна работы. В работе предложен метод автоматического определения количественных характеристик опушения листьев растений на основе анализа цифровых микроизображений их сгибов. Метод адаптирован для анализа опушения у пшеницы и табака. Данный метод реализован в программе LHDetect2, доступной в качестве web-сервиса, что впервые позволило обеспечить возможность фенотипирования растений с использованием сети

Интернет. Впервые проведен массовый анализ количественных характеристик опушения листьев пшеницы для нескольких десятков сортов и выявлены их различия у сибирских и европейских сортов. На основе анализа распределений расстояний между ближайшими трихомами выявлены различия в распределении коротких и длинных трихом на поверхности листа для 4 сортов мягкой пшеницы. Впервые проведено сравнение количественных характеристик опушения листьев растений табака Nicotiana tabacum L. линии SRI и ее генно-модифицированных линий, несущих трансгенную конструкцию, ингибирующую экспрессию гена пролиндегидрогеназы и характеризующихся повышенным содержанием пролина. Результаты показали, что генно-модифицированные растения обладают более плотным опушением листа. Для обеспечения информационной поддержки сбора и анализа данных в селекционно-генетическом эксперименте у пшеницы, разработана система WheatPGE, которая позволяет вводить и хранить фенотипические, генотипи-ческие и средовые характеристики для растений и устанавливать взаимосвязь между генотипическими и фенотипическими признаками растений и параметрами окружающей среды.

Теоретическая и практическая ценность работы.

Предложенный метод позволяет оценивать такие характеристики опушения, как плотность трихом, их распределение по длинам, линейные размеры, расстояние между трихомами на поверхности листа. Это позволяет характеризовать опушение с высокой степенью детализации, недоступной прежде. Время обработки изображения программой LHDetect2 составляет менее секунды, что позволяет существенно ускорить процедуру фенотипирования растений и проводить широкомасштабные генетические эксперименты, включающие анализ десятков генотипов и сотен растений.

Массовый анализ опушения у растений 47 сортов пшеницы продемонстрировал, что предложенный метод позволяет количественно оценивать плотность опушения и среднюю длину трихом, четко выделять классы опушенных и неопушенных сортов и выявлять статистические зависимости между плотностью опушения и средней длиной трихом.

Система WheatPGE обеспечивает информационную поддержку (ввод, хранение, обработку) данных о фенотипе, генотипе и окружающей среде растений пшеницы в ходе селекционно-генетического эксперимента и доступна для работы как с персональных компьютеров, так и с мобильных устройств, что позволяет использовать ее в полевых условиях.

Положения, выносимые на защиту.

1) Разработанный алгоритм анализа изображений сгиба листа, реализованный в компьютерной программе LHDetect2, позволяет автоматически с высокой точностью оценивать количественные характеристики опушения листьев пшеницы и табака и обеспечивает эффективное проведение экспериментов по массовому фенотипированию этого признака.

2) Высокая точность предложенного метода при определении количественных характеристик опушения листа позволяет установить, что частичная супрессия гена пролиндегидрогеназы у трансгенных растений табака линии SRI (Nicotiana tabacum L.), приводящая к повышению уровня проли-на, сопровождается увеличением плотности опушения листьев.

3) Созданная компьютерная система WheatPGE обеспечивает информационную поддержку экспериментов по анализу взаимосвязи генотип - фенотип - окружающая среда у пшеницы. i

Апробация работы.

Работа представлена в виде устных и стендовых докладов на научных конференциях, среди которых: «Электронные библиотеки: перспективные методы и технологии, электронные коллекции. XII Всероссийская научная конференция RCDL'2010» (2010, Казань), «VIII Всероссийская научно-практическая конференция студентов, аспирантов и молодых ученых "Молодежь и современные информационные технологии"» (2010, Томск), «XLVIII

Международная научная студенческая конференция» (2010, Новосибирск), «Молодежный научный форум "ЛОМОНОСОВ - 2010"» (2010, Москва), «The 7th International Conference on Bioinformatics of Genome regulation and Structure» (Новосибирск, 2010), «XVI Biotechnology Summer School» (Гданьск, 2010), International Conference «Plant Genetics, Genomics and Biotechnology» (Иркутск, 2012).

Объём и структура диссертации.

Работа состоит из введения, обзора литературы и трех глав. Работа содержит 53 рисунка и 10 таблиц. Список литературы содержит 101 источник.

Публикации.

По материалам диссертации опубликовано 18 работ, из них 4 статьи в рецензируемых научных журналах, входящих в список ВАК:

1) Genaev М.А., Doroshkov A.V., Pshenichnikova Т.А., Kolchanov N.A., Afonnikov D.A. Extraction of quantitative characteristics describing wheat leaf pubescence with a novel image-processing technique // Planta, 2012, N 236, 19431954.

2) Генаев M.A., Дорошков A.B., Пшеничникова T.A., Морозова E.B., Афонников Д.А. Компьютерная система WheatPGE для анализа взаимосвязи фенотип-генотип-окружающая среда у пшеницы // Вавиловский журнал генетики и селекции, 2011, т. 15, № 4, 784-793.

3) Генаев М.А., Дорошков A.B., Пшеничникова Т.А., Морозова Е.В., Симонов A.B., Афонников Д.А. Информационная поддержка селекционно-генетического эксперимента у пшеницы в системе WheatPGE // Математическая биология и биоинформатика, 2012, т. 7, № 2, с. 410-424.

4) Кочетов A.B., Смирнова О.Г., Ибрагимова С.М., Рассказов Д.А., Афонников Д.А., Генаев М.А., Дорошков A.B., Пшеничникова Т.А., Симонов A.B., Морозова Е.В. Информационный портал "Биотехнология растений" - Интернет ресурс для поддержки экспериментов в области генной инженерии растений, генетики и селекции пшеницы // Вавиловский журнал генетики и селекции 2012 Т. 16 № 4/1 С. 838-848.

Благодарности. Автор выражает искреннюю благодарность руководителю диссертации к.б.н. Афонникову Д.А., соавторам и коллегам по работе -к.б.н. Дорошкову A.B., к.б.н. Пшеничниковой Т.А., к.б.н. Ибрагимовой С.М., Морозовой Е.В. за предоставление биологического материала, консультации, ценные советы и помощь в биологической интерпретации результатов.

Похожие диссертационные работы по специальности «Математическая биология, биоинформатика», 03.01.09 шифр ВАК

Заключение диссертации по теме «Математическая биология, биоинформатика», Генаев, Михаил Александрович

Выводы

1) Разработаны алгоритмы автоматической оценки количественных характеристик опушения листьев растения по микрофотографии сгиба листа для пшеницы и табака.

2) Создана компьютерная программа LHDetect2, реализующая эти алгоритмы; продемонстрирована высокая точность программы при определении количества трихом и их длин у пшеницы и табака.

3) На примере анализа растений 47 сортов яровой пшеницы, имеющих различную степень опушения листа, показано, что предложенный метод позволяет количественно оценивать плотность опушения и среднюю длину трихом, четко выделять классы опушенных и неопушенных сортов и выявлять статистические зависимости между плотностью опушения и средней длиной трихом.

4) На примере анализа растений пшеницы сортов Саратовская 29, Голубка, Hong-mang-mai и линии 102/00І впервые показано, что распределения расстояний по поверхности листа между ближайшими короткими и ближайшими длинными трихомами у растений значимо различаются.

5) Впервые проведено сравнение количественных характеристик опушения листа у модельных трансгенных линий табака сорта Petit Havana SR-1 (SRI), несущих антисмысловой супрессор гена пролиндегидрогеназы ара-бидопсиса, и характеризующегося повышенным содержанием уровня про-лина. Показано, что повышение содержания пролина у трансгенных линий табака сопровождается увеличением плотности опушения листа.

6) Создана интегрированная система WheatPGE для поддержки селекционно-генетических экспериментов у пшеницы, которая позволяет хранить и анализировать данные по взаимосвязи фенотипических признаков растения, генотипа и окружающей среды, осуществляет автоматический мониторинг температуры и влажности воздуха в местах произрастания растений и обеспечивает доступ к работе через мобильные устройства.

Заключение

В работе предложен новый метод определения количественных характеристик опушения листа растений по анализу микроизображения сгиба. Анализ точности метода показал, что ошибки в подсчете числа трихом составляют около 11%, что является приемлемым для решения большого класса задач. Метод является быстрым, что позволяет использовать его в задачах высокопроизводительного фенотипирования.

Метод был адаптирован для анализа опушения у пшеницы и табака.

В работе с использованием данного метода показаны и детально описаны различия в опушении сибирских и европейских сортов пшеницы. Изучены распределения расстояний между ближайшими короткими длинными трихомами для 4 генотипов пшеницы и показано, что распределения коротких и длинных трихом на поверхности листа значимо различаются.

Показано, что генно-модифицированные растения линии SRI табака, несущие генетическую конструкцию, подавляющую экспрессию пролиндегид-рогеназы (pdh) и приводящую к повышенной концентрации пролина имеют более интенсивное опушение по сравнению с растениями контрольной линии SRI.

Для поддержки экспериментов по анализу опушения у растений создана компьютерная система WheatPGE, которая интегрирует данные о фенотипе генотипе и окружающей среде. Разработанные методы позволили собрать информацию об опушении более 2000 растений и провести их массовый анализ.

Предложенный подход является перспективным для применения в задачах анализа генетических векторов, определяющих морфологию опушения у растений.

Список литературы диссертационного исследования кандидат биологических наук Генаев, Михаил Александрович, 2013 год

1. Ajjawi I., Lu Y., Savage L.J., Bell S.M., Last R.L. Large-scale reverse genetics in Arabidopsis: case studies from the Chloroplast 2010 Project. // Plant Physiol. 2010, vol. 152, no. 2, p. 529-540.

2. Bates L.R., Waldren R.P., Tiare I.D. Rpid determination of free proline for water stress studies. // Plant Soil, 1973, vol. 39, p. 205-207.

3. Benfey P.N., Mitchell-Olds T. From genotype to phenotype: systems biology meets natural variation. // Science. 2008, vol. 320, no. 5875, p. 495-497.

4. Bensch R., Ronneberger O., Greese В., Fleck C., Wester K., Huelskamp M., Burkhardt H. Image Analysis of Arabidopsis Trichome Patterning in 4D Confocal Datasets. // IEEE International Symposium on Biomedical Imaging (ISBI), 2009, p. 742-745.

5. Brachi В., Faure N., Horton M., Flahauw E., Vazquez A., Nordborg M., Bergelson J., Cuguen J., Roux F. Linkage and association mapping of Arabidopsis thaliana flowering time in nature. // PLoS Genet. 2010, vol. 6, no. 5, p. el000940.

6. Brox T., Kim Y.-J., Weickert J., Feiden W. Fully-automated Analysisof Muscle Fiber Images with Combined Region and Edge Based Active Contours. // In: Proc. Bildverarbeitung fur die Medizin, 2006, 86-90

7. Carollo V., Matthews D.E., Lazo G.R., Blake T.K., Hummel D.D., Lui N., Hane D.L., Anderson O.D. GrainGenes 2.0. An improved resource for the small-grains community. II Plant Physiol., 2005, vol. 139, no. 2, p. 643-651.

8. Cassab G.I., Varner J.E. Immunocytolocalization of extensin in developing soybean seed coats by immunogold-silver staining and by tissue printing on nitrocellulose paper. J Cell Biol, 1987, vol. 105, no. 6, p. 2581-2588

9. Cédola C.V., Sánchez N.E., Liljesthrom G.G. Effect of tomato leaf hairiness on functional and numerical response of Neoseiulus californicus, Experimental and Applied Acarology. // 2001, vol. 25, p. 819-831.

10. Cohen B.E. Biological imaging: Beyond fluorescence. // Nature, 2010, vol. 467, no. 7314, p. 407-^108.

11. Cootes T., Edwards G., Taylor C. Active appearance models. // In: Proceedings of the European Conference on Computer Vision, 1998, vol. 2, p. 484-498.

12. Cui D., Zhang Q., Li M., Hartman G.L., Zhao Y. Image processing methods for quantitatively detecting soybean rust from multispectral images. // Biosystems engineering, 2010, vol. 107, p. 186-193.

13. Darrigues A., Hall J., van der Knaap E., Francis D.M. Tomato Analyzer-color Test: A New Tool for Efficient Digital Phenotyping. // J. Amer. Soc. Hort. Sci. 2008, vol. 133, no. 4, p. 579-586.

14. Dobrovolskaya O.B., Pshenichnikova T.A., Arbuzova V.S., et al. Molecular Mapping of Genes Determining Hairy Leaf Character in Common Wheat with Respect to Other Species of the Triticeae. // Euphitica, 2007, vol. 155, no. 3,p. 285-293.

15. Eberius M., Lima-Guerra J. High-Throughput Plant Phenotyping -Data Acquisition, Transformation, and Analysis. // In: Bioinformatics: Tools and Applications, Ed.: D. Edwards et al., Springer Science+Business Media, LLC 2009, p. 259-278.

16. Exner V., Hirsch-Hoffmann M., Gruissem W., Hennig L. PlantDB a versatile database for managing plant research. // Plant Methods, 2008, vol. 4, no. 1.

17. Falzon G., Pearson S., Murison R. Analysis of collagen fibre shape changes in breast cancer. // Phys. Med. Biol., 2008, vol. 53, p. 6641-6652.

18. Furbank R.T., Tester M. Phenomics technologies to relieve the phenotyping bottleneck // Cell, 2011, vol. 16, no. 12, p. 635-644.

19. Genaev M.A., Doroshkov A.V., Pshenichnikova T.A., Kolchanov N.A., Afonnikov D.A. Extraction of quantitative characteristics describing wheat leaf pubescence with a novel image-processing technique // Planta, 2012, vol. 236, p. 1943-1954.

20. Gering E., Atkinson C., A rapid method for counting nucleated erythrocytes on stained blood smears by digital image analysis // J Parasitol, 2004, vol. 90, no. 4, p. 879-881.

21. Gill B.S., Appels R., Botha-Oberholster A.-M., et al. A Workshop Report on Wheat Genome Sequencing International Genome Research on Wheat Consortium. // Genetics, 2004, vol. 168, p. 1087-1096.

22. Goff S.A., Ricke D., Lan T.-H., et al. A Draft Sequence of the Rice Genome (Oryza sativa L. ssp. japonica). // Science, 2002, vol. 296, p. 92-100.

23. Golzarian M.R., Frick R.A., Rajendran K., Berger B., Roy S., Tester M., Lun D.S. Accurate inference of shoot biomass from high-throughput images of cereal plants. // Plant Methods, 2011, vol. 7, no. 2.

24. Grubb S.C., Maddatu T.P., Bult C.J., Bogue M.A. Mouse phenome database. // Nucleic Acids Res., 2009, vol. 37, p. D720-D730.

25. Hameed M., Mansoor U., Ashraf M., Rao A.-U.-R. Variation in leaf anatomy in wheat germplasm from varying drought-hit habitats. // Int. J. Agriculture & Biol. 2002, vol. 4, p. 12-16.

26. Hancock J.M., Adams N.C., Aidinis V., Blake A., Bogue M., Brown S.D., Chesler E.J., Davidson D., Duran C., Eppig J.T., Gailus-Durner V., Gates H., Gkoutos G.V., Greenaway S., Hrabe de Angelis M., Kollias G., Leblanc S., Lee

27. Harada E., Kim J.-A., Meyer A.J., Hell R., Clemens S., Choi Y.-E. Expression Profi ling of Tobacco Leaf Trichomes Identifi es Genes for Biotic and Abiotic Stresses. // Plant Cell Physiol., 2010, vol. 51, no. 10, p. 1627-1637.

28. Hartmann A., Czauderna T., Hoffmann R., Stein N., Schreiber F. HTPheno: an image analysis pipeline for high-throughput plant phenotyping. // BMC Bioinformatics. 2011, vol. 12, p. 148.

29. Herridge R.P., Day R.C., Baldwin S., Macknight R.C. Rapid analysis of seed size in Arabidopsis for mutant and QTL discovery. // Plant Methods, 2011, vol. 7, no. 3.

30. High-Throughput Image Reconstruction and Analysis (Bioinformatics & Biomedical Imaging). / Eds. Rao A.R., Cecchi G.A. // Norwood: Artech House, inc., 2009, 339 p.

31. Houle D., Govindaraju D.R., Omholt S. Phenomics: the next challenge. //Nat. Rev. Genet. 2010, vol. 11, no. 12, p. 855-866.

32. Kaminuma E., Heida N., Tsumoto Y., Yamamoto N., Goto N., Okamoto N., Konagaya A., Matsui M., Toyoda T. Automatic quantification of morphological traits via three-dimensional measurement of Arabidopsis. // Plant J.2004, vol. 38, p. 358-365.

33. Kaminuma E., Yoshizumi T., Wada T., Matsui M., Toyoda T. Quantitative analysis of heterogeneous spatial distribution of Arabidopsis leaf trichomes using micro X-ray computed tomography. // Plant J., 2008, vol. 56, p. 470-482.

34. Kaminuma E., Yoshizumi T., Wada T., Matsui M., Toyoda T., Quantitative analysis of heterogeneous spatial distribution of arabidopsis leaf trichomes using micro x-ray computer tomography. // Plant J., 2008, vol. 56, no. 13, p. 470-482.

35. Kearsey J.M. The principles of QTL analysis (a minimal mathematic approach). // J. Exp. Bot., 1998, vol. 49, p. 1619-1623.

36. Krupnov V.A., Tsapaikin A.P. Wheat Leaf Description: Genetic and Ecological Aspects. // Selkh. Biol., Ser. Biol. Rast. 1990, vol. 1, p. 51-57.

37. Larkin J.C., Young N., Priggel M., Marks M.D. The control of trichome spacing and number in Arabidopsis. // Development, 1996, vol. 122, p. 997-1005.

38. Leifer A.M., Fang-Yen C., Gershow M., Alkema M.J., Samuel A.D. Optogenetic manipulation of neural activity in freely moving Caenorhabditis elegans. // Nat. Methods. 2011, vol. 8, p. 147-152.

39. Levin A. Role of trichomes in plant defense. // The Quarterly Review of Biology. 1973, vol. 48, p. 3-15.

40. LHDetect2: Leaf image processing for wheat hairiness. Available at http://wheatdb.org/lhdetect2.

41. Likhenko I.E. On Relation between Leaf Pubescence of Spring Bread Wheat and Economically and Biologi cally Valuable Traits in Western Siberia. // Rastenievodstvo Sel. 2007, vol. 6, p. 25-31.

42. Lockhart D.J., Dong H., Byrne M.C., et al. Expression monitoring by hybridization to high-density oligonucleotide arrays. // Nat. Biotechnol., 1996, vol. 14, p. 1675-1680.

43. Lum C., Maze J. A multivariate analysis of the trichomes of Hedera L., // Watsonia, 1989, vol. 17, no. 4, p. 409^118.

44. Mardis E.R. The impact of next-generation sequencing technology on genetics. // Trends Genet. 2008, vol. 24, p. 133-141.

45. Mathekga, Trichome morphology and ultrastructure of Helichrysum Caespetitium, University of Pretoria, 2008, p. 74-91.

46. Mauricio R. Mapping quantitative trait loci in plants: uses and caveats for evolutionary biology. //Nat. Rev. Genet., 2001, vol. 2, p. 370-381.

47. Mile J., Sala A., Bergamaschi S., Pecchioni N. A genotypic and phe-notypic information source for marker-assisted selection of cereals: the CEREALAB database. // Database, 2012, vol. 2011, article ID baq038, doi: 10.1093/database/baq038.

48. Nagata T., Todoriki S., Hayashi T., Shibata Y., Mori M., Kanegae H., Kikuchi S. g-Radiation Induces Leaf Trichome Formation in Arabidopsis // Plant Physiology, 1999, vol. 120, p. 113-119.

49. NIG Mouse Phenotype Database. http://molossinus.lab.nig.ac.jp/phenotype/index.html

50. Ohlander R., Price K., Reddy D.R. Picture Segmentation Using a Recursive Region Splitting Method. // Computer Graphics and Image Processing, 1978, vol. 8, p. 313-333.

51. Oksanen J. Multivariate Analysis of Ecological Communities in R: vegan tutorial, 2009, 43 p. (http://cc.oulu.fi/~jarioksa/opetus/metodi/vegantutor.pdf).

52. Perazza D., Herzog M., Houlskamp M., Brown S., Dome A.-M., Bonneville J.-M. Trichome cell growth in Arabidopsis thaliana can be derepressed by mutations in at least five genes. // Genetics 1999, vol. 152, p. 461-476.

53. Pshenichnikova T.A., Lapochkina I.F., Shchukina L.V. The inheritance of morphological and biochemical traits introgressed into common wheat (Triticum aestivum L.) from Aegilops speltoides Tausch. // Genet Resour Crop Evol, 2007, vol. 54, p. 287-293.

54. R-project: R: A language and environment for statistical computing, available at http://www.R-project.org.

55. Roberts J J., Gallun R.L., Patterson F.L., et al. Effects of Wheat Leaf Pubescence on the Hessian Fly. // J. Econ. Entomol., 1979, vol. 72, no. 2, p. 211214.

56. Rueden C.T., Eliceiri K.W. Visualization approaches for multidimensional biological image data//BioTechniques, 2007, vol 43, no. 31, p. 33-36.

57. Schena M, Shalon D, Davis RW, Brown PO. Quantitative monitoring of gene expression patterns with a complementary DNA microarray. // Science, 1995, vol.270, p. 467^170.

58. Schillinger J.A., Gallun R.L. Leaf Pubescence of Wheat as a Deterrent to the Cereal Leaf Beetle, Oulema melanopus. // Ann. Entomol. Soc. Am., 1968, vol. 61, no. 4, p. 900-903.

59. Shapiro L.G., Stockman G.C. «Computer Vision», 2001, New Jersey: Prentice-Hall, p. 279-325.

60. Sol Genomic Network, http://solgenomics.net/

61. Szabados L., Savoure A. Proline: a multifunctional amino acid. // Trends in Plant Science, 2009, vol. 15, no. 2, p. 89-97.

62. Tanabata T., Shibaya T., Hori K., Ebana K., Yano M. SmartGrain: High-throughput phenotyping software for measuring seed shape through image analysis. II Plant Physiology. 2012, vol. 160, no. 4, p. 1871-1880.

63. The Visible Human Project. http://www.nlm.nih.gov/research/visible/visiblehuman.html

64. Thorisson G.A., Muilu J., Brookes A.J. Genotype-phenotype databases: challenges and solutions for the post-genomic era. // Nat Rev Genet., 2009, vol. 10, no. l,p. 9-18.

65. Tian D., Tooker J., Peiffer M., Chung S.H., Felton G.W. Role of trichomes in defense against herbivores: comparison of herbivore response to woolly and hairless trichome mutants in tomato (Solanum lycopersicum). // Planta, 2012, vol. 236, p. 1053-1066.

66. Tissier A. Glandular trichomes: what comes after expressed sequence tags? // The Plant Journal, 2012, vol. 70, p. 51-68.

67. Vankadavath R.N., Hussain A.J., Bodanapu R., Kharshiing E., Basha P.O., Gupta S., Sreelakshmi Y., Sharma R. Computer aided data acquisition tool for high-throughput phenotyping of plant populations. // Plant Methods., 2009, vol. 5, p. 18.

68. VPhenoDBS: Maize, http://vphenodbs.rnet.missouri.edu/index.php

69. Weigel D., Mott R. The 1001 Genomes Project for Arabidopsis thaliana. // Genome Biology, 2009, vol. 10, p. 107.

70. Yazdanbakhsh N., Fisahn J. High throughput phenotyping of root growth dynamics, lateral root formation, root architecture and root hair development enabled by PlaRoM. // Functional Plant Biology, 2009, vol. 36, p. 938-946.

71. Young I.T., Gerbrands J.J., van Vliet L.J. Fundamentals of Image processing. // Delft University of Technology, 1997, 113 p.

72. Дадцингтон К., Эволюционная ботаника. // М: "Мир", 1972. 308 с.

73. Дорошков А.В., Арсенина С.И., Пшеничникова Т.А., Афонников Д.А. Применение компьютерного анализа микроизображений листа для оценки характеристик опушения пшеницы Triticum aestivum L. II Информационный вестник ВОГиС, 2009, т. 13, № 1, с. 218-226.

74. Дорошков А.В., Пшеничникова Т.А., Афонников Д.А. Анализ особенностей морфологии и наследования опушения листа пшеницы Triticum aestivum L. С помощью компьютерных методов фенотипирования. // Генетика, 2011, т. 47, № 6, с. 836-841.

75. Драгавцев В.А. Библиография деятелей науки. СПб: ГНУ ГНЦ РФ ВИР, 2005, с. 6.

76. Драгавцев В.А., Цильке Р.А., Рейтер Б.Г. и др. Генетика признаков продуктивности яровых пшениц в Западной Сибири. Новосибирск: СО АН, 1984. 121с.

77. Ибрагимова С.С., Колодяжная Я.С., Герасимова С.В., Кочетов А.В. Частичная супрессия гена пролиндегидрогеназы увеличиваетустойчивость растений к различным видам абиотических стрессов. // Физиология растений, 2012, т. 59, № 1, с. 99-107.

78. Ковалев В.А. Анализ текстуры трехмерных медицинских изображений // Минск: «Белорусская наука», 2008, 263 с.

79. Козлов К.Н. Реконструкция регуляторной сети генов сегментации в эмбрионе дрозофилы по экспериментальным данным изображениям картин активности генов, 2012.

80. Колодяжная Я.С., Титов С.Е., Кочетов A.B., Комарова М.Л., Романова A.B., Коваль B.C., Шумный В.К. Оценка солеустойчивости растений табака Nicotiana tabacum, несущих антисмысловой супрессор гена пролиндегидрогеназы. // Генетика, 2006, т. 42, с. 278-281.

81. Крупнов В.А., Цапайкин А.П. Опушение листьев пшеницы: генетические и экологические аспекты // Сельскохозяйственная биология. Серия «Биология растений». 1990, № 1. с. 51-57.

82. Лотова Л.И. Ботаника: морфология и анатомия высших растений: учебник. / Изд. 3-е, испр. // М.: КомКнига, 2007, 512 с.

83. Мирославов Е.А. Структура и функция эпидермиса листа покрытосемянных растений//Ленинград: «Наука», 1974, 120 с.

84. Рогачев С. Обобщенный Model-View-Controller. URL: http://rsdn.ru/article/patterns/generic-mvc.xml.

85. Серебрякова Т.И., Воронин Н.С., Еленевский А.Г. и др. Ботаника с основами фитоценологии: анатомия и морфология растений: учебник для вузов. // М.: ИКЦ «Академкнига», 2007, 543 с.

86. Тимонин А.К. Ботаника: Высшие растения Т. 3. // М.: Издательский Центр «Академия», 2007, 352 с.

87. Шарова Е.И. Клеточная стенка растений. // С.Пб.: изд-во С.ПбГУ, 2004, 156 с.

88. Яковлев Т.П., Челомбитько В.А. Ботаника: учебник для вузов / Под ред. Р.В. Камелина// С-П.: СпецЛит, издательство СПХФА, 2003, 647 с.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.