给花粉分类太费劲，用引导式深度学习和成像流式细胞术进行自动花粉分类

niwanmao

花粉和维管植物在环境中无处不在，存在于空气、土壤和沉积物中。准确分类和定量花粉颗粒对于一系列花粉学应用至关重要，包括空气过敏原的预测、蜂蜜花粉学和法医学，尤其是检测保存在沉积记录中的化石花粉，可用于古环境重建、了解生态演替和对气候变化的响应、理解人类活动的影响和监测生物多样性。

孢粉学（palynology）依赖于经验丰富的分析员使用光学显微镜手动分类、识别和定量背景碎片内完整和部分花粉粒。单个花粉粒的分析包括花粉大小、形状、孔径数量和类型以及表面纹理的表征。大体形态变异用于区分花粉类型（家族水平）；然而，物种水平差异明显，使精确的分类学解析能力变得复杂。手动分类仅限于属，有时限于科水平，且受到主观的影响，又需耗费大量时间。在古环境研究中，每个显微镜载玻片通常在 2-10 h 内只能分析150-500个花粉粒 。因此，孢粉学研究本质上受到样本量和比例以及分类精度的限制，限制了气候变化重建和花粉预测中使用的时空数据的质量。

现有的替代方法有，但都存在各自的问题。环境DNA代谢条码技术，可以进行高分辨率的物种级别鉴定，但无法可靠地量化花粉丰度。传统的流式细胞术和库仑计数器可以快速分析大量花粉颗粒，但缺乏花粉的详细形态数据。

Barnes CM等人介绍了一种基于引导式深度学习和成像流式细胞术的自动花粉分类方法，旨在解决传统手动显微镜分析花粉的时间和精度问题。研究人员设计了一个灵活的网络，不仅可以将训练库中的花粉分类到物种级别，而且可以根据样品分类未曾见过的花粉到可能的系统发育序、科甚至属，还可以处理广泛的环境应用中的不确定性。该方法为花粉分类提供了一种快速准确的探索性工具，可以在“真实世界”环境样品中提高准确性。

下图是用于训练网络的53种植物的花粉粒示例，显示了自发荧光 (Ch02：533/55 nm)、明场 (BF：610/30 nm) 和侧向散射 (SSC：762/35 nm) 图像。为了测试网络识别一系列花粉类型的能力，该库包括来自18个目和26个科的物种，包括广泛的分类学范围和不同的形态特征，包括形状（球状、椭圆形和双囊状）、孔径数 (0-> 6) 和孔径类型。为了在高和低分类学分辨率下测试花粉的预测，还包括了同一属内的多个物种。  图中的短横条代表20 μm。



参考文献：Barnes CM, Power AL, Barber DG, et al. Deductive automated pollen classification in environmental samples via exploratory deep learning and imaging flow cytometry [published online ahead of print, 2023 Sep 7]. New Phytol. 2023;10.1111/nph.19186.