一种梨倍性育种倍体异常检测方法

摘要

本发明涉及育种倍体异常检测技术领域，具体涉及一种梨倍性育种倍体异常检测方法。方法包括：对梨树的叶片组织对应的流式散点图进行霍夫圆检测获得各霍夫圆，根据各霍夫圆的边缘线上散点的数量、霍夫圆的周长和面积，获得聚簇核心区域；基于聚簇核心区域的面密度以及待合并区域中的散点，将对应的待合并区域与聚簇核心区域进行合并处理，获得最大密度相连区域；根据各边缘散点对应的结构元中散点的数量和最大密度相连区域的边缘散点，获得目标亚群，进而判断育种倍体是否异常。本发明提高了育种倍性鉴定结果的准确性。

说明书

技术领域

本发明涉及育种倍体异常检测技术领域，具体涉及一种梨倍性育种倍体异常检测方法。

背景技术

新品种的梨具有适应消费者和生产需要的优良性状，为此，梨的育种计划以增进品质，改善外观为主要目标。倍性育种是研究植物染色体倍性变异的规律并利用倍性变异选育新品种原理及方法的科学。为了提高梨树育种效率，选育更多优良高产、优质、高抗的新品种，需要对变异后的植物组织是否已经成为同质多倍体给以一定标准的鉴定。

现有的倍性鉴定方法通过流式细胞术对细胞的光散射和不同荧光的多参数同步测定，可快速、精确的定性和定量分析测定果树细胞中的DNA含量和鉴定染色体倍性。但在倍性鉴定时需要分群，传统聚类算法进行分群时的分群结果对参数依赖性较高，而参数设置目前大多为主观设置，因此适用性和聚类结果存在不可信因素，导致育种倍性鉴定的准确性较低。

发明内容

为了解决现有方法在对育种倍性进行鉴定时存在鉴定结果准确性较低的问题，本发明的目的在于提供一种梨倍性育种倍体异常检测方法，所采用的技术方案具体如下：

本发明提供了一种梨倍性育种倍体异常检测方法，该方法包括以下步骤：

提取待检测梨树的叶片组织，对所述待检测梨树的叶片组织进行处理获得待检测叶片组织对应的流式散点图；

对所述流式散点图进行霍夫圆检测获得各霍夫圆，根据各霍夫圆的边缘线上散点的数量和各霍夫圆的周长，得到各霍夫圆的线密度；根据各霍夫圆内散点的数量和各霍夫圆的面积，得到各霍夫圆的面密度；基于各霍夫圆的线密度和面密度对各霍夫圆筛选，获得所述流式散点图中的聚簇核心区域和待合并区域；

基于所述聚簇核心区域的面密度以及待合并区域中的散点，将对应的待合并区域与聚簇核心区域进行合并处理，获得最大密度相连区域；分别以最大密度相连区域的各边缘散点为中心点，构建各边缘散点对应的结构元，根据所述结构元中散点的数量和最大密度相连区域的边缘散点，获得目标亚群；

获取目标亚群内所有散点的荧光强度，基于所述荧光强度确定目标亚群的物种倍性，基于所述物种倍性判断育种倍体是否异常。

优选的，所述基于所述聚簇核心区域的面密度以及待合并区域中的散点，将对应的待合并区域与聚簇核心区域进行合并处理，获得最大密度相连区域，包括：

选取流式散点图中与聚簇核心区域相交或外切的任一待合并区域，并记为第一待合并区域，将第一待合并区域与聚簇核心区域合并之后的区域记为第一待分析区域，根据第一待分析区域内散点的数量和第一待分析区域的面积，得到第一待分析区域的面密度；根据第一待分析区域的面密度和聚簇核心区域的面密度，确定第1次合并对应的面密度稳定程度；判断第1次合并对应的面密度稳定程度是否大于稳定程度阈值，若大于，则将第一待合并区域与聚簇核心区域进行合并处理，将合并之后获得的区域记为第一合并区域；若小于等于，则将聚簇核心区域记为第一合并区域；选取流式散点图中与第一待分析区域相交或外切的任一待合并区域记为第二待合并区域，判断第2次合并对应的面密度稳定程度是否大于稳定程度阈值，若大于，则将第二待合并区域与第一合并区域进行合并处理，将合并之后获得的区域记为第二合并区域；若小于等于，则将第一合并区域记为第二合并区域；以此类推，直到对所有与完成合并的区域相交或外切的待合并区域进行判断，将最终获得的合并区域记为最大密度相连区域。

优选的，第N次对应的面密度稳定程度的计算公式为：

其中，T

优选的，所述基于各霍夫圆的线密度和面密度对各霍夫圆筛选，获得所述流式散点图中的聚簇核心区域和待合并区域，包括：

对于任一霍夫圆：对于任一霍夫圆：计算该霍夫圆的线密度和面密度的均值，作为该霍夫圆对应的目标函数的值；

将目标函数取最大值时对应的霍夫圆作为所述流式散点图中的聚簇核心区域；

将所述流式散点图中半径小于等于聚簇核心区域的半径的霍夫圆记为待合并区域。

优选的，所述根据所述结构元中散点的数量和最大密度相连区域的边缘散点，获得目标亚群，包括：

将最大密度相连区域的边缘上的散点记为边缘散点；

对于最大密度相连区域的任一边缘散点：若该边缘散点对应的结构元内不存在其他散点，则将该边缘散点进行腐蚀处理，将该边缘散点向最大密度相连区域内收缩获得新的边缘像素点；若该边缘散点对应的结构元内存在其他散点，则将该边缘散点对应的结构元内位于最大密度相连区域内部的散点记为第一类散点，将该边缘散点对应的结构元内位于最大密度相连区域外的散点记为第二类散点；计算该边缘散点对应的结构元内所有第一类散点与该边缘散点之间的平均欧式距离，记为第一平均欧式距离；计算该边缘散点对应的结构元内所有第二类散点与该边缘散点之间的平均欧式距离，记为第二平均欧式距离；当第一平均欧式距离大于等于第二平均欧式距离时，对该边缘散点进行膨胀处理，将与其距离最近的第二类散点作为新的边缘像素点；

基于新的边缘像素点获得目标亚群。

优选的，所述对所述待检测梨树的叶片组织进行处理获得待检测叶片组织对应的流式散点图，包括：

利用蒸馏水和去离子水依次对所述待检测梨树的叶片组织的表面进行清洗，并进行解离、离心、冷藏处理，利用流式细胞仪对处理后的待检测叶片组织进行检测获取待检测叶片组织对应的流式散点图。

优选的，所述根据各霍夫圆的边缘线上散点的数量和各霍夫圆的周长，得到各霍夫圆的线密度，包括：

对于任一霍夫圆：计算该霍夫圆的边缘线上散点的数量与该霍夫圆的周长的比值，作为该霍夫圆的线密度。

优选的，所述根据各霍夫圆内散点的数量和各霍夫圆的面积，得到各霍夫圆的面密度，包括：

对于任一霍夫圆：计算该霍夫圆内散点的数量和该霍夫圆的面积的比值，作为该霍夫圆的面密度。

优选的，所述基于所述荧光强度确定目标亚群的物种倍性，基于所述物种倍性判断育种倍体是否异常，包括：

计算目标亚群内所有散点的平均荧光强度；基于所述平均荧光强度、参照物的荧光强度和参照物的倍性，得到目标亚群的物种倍性；

基于所述目标亚群的物种倍性和培育方向的物种倍性，判断育种倍体是否异常。

本发明至少具有如下有益效果：

本发明首先获取了待检测叶片组织对应的流式散点图，由于细胞亚群发达程度不同，流式散点图中散点分布最密集的区域更能表征叶片组织的特征，因此本发明将对流式散点图中散点的分布进行分析，获取流式散点图中散点分布最密集的区域，考虑到传统的DBSCAN聚类算法需要人为设置参数，主观性较强，若参数设置的不合适会导致流式散点图中散点分布最密集的区域获取的不够准确，进而影响后续育种倍体的鉴定精度，本发明结合霍夫圆检测，并根据霍夫圆的线密度和面密度，获取了流式散点图中的聚簇核心区域，然后基于聚簇核心区域的面密度以及待合并区域中的散点分布情况，将对应的待合并区域与聚簇核心区域进行合并处理，确定散点分布最密集的区域，也即最大密度相连区域，并在此基础上获得目标亚群的聚簇结果，目标亚群中的散点分布的较密集，因此目标亚群中散点的特征更能反映目标亚群的物种倍性，本发明以目标亚群内散点的荧光强度进行倍性鉴定，判断育种倍体是否异常。本发明提供的方法并不依赖参数设置，不需要提前人为设置搜索半径，也不需要考虑参数设置是否合适的问题，且霍夫圆大小、线密度、面密度等任意特征的本质均属于散点本身分布特征，不存在主观因素，消除了主观因素的影响，提高了育种倍体鉴定结果的准确性，且适用范围更广，可信度更高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的一种梨倍性育种倍体异常检测方法的流程图；

图2为待检测叶片组织对应的流式散点图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种梨倍性育种倍体异常检测方法进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种梨倍性育种倍体异常检测方法的具体方案。

一种梨倍性育种倍体异常检测方法实施例：

本实施例提出了一种梨倍性育种倍体异常检测方法，如图1所示，本实施例的一种梨倍性育种倍体异常检测方法包括以下步骤：

步骤S1，提取待检测梨树的叶片组织，对所述待检测梨树的叶片组织进行处理获得待检测叶片组织对应的流式散点图。

本实施例针对的具体场景为：为了提高梨的品质，选育更多优良高产、优质、高抗的新品种梨，需要对变异后的植物组织的倍性进行检测，因此本实施例将对变异后的叶片组织进行检测，确定其对应的倍性，进而判断倍体是否异常。

首先提取待检测梨树的叶片组织约2cm

至此，获得了待检测叶片组织对应的流式散点图，用于后续对梨倍性育种倍体的异常进行检测。

步骤S2，对所述流式散点图进行霍夫圆检测获得各霍夫圆，根据各霍夫圆的边缘线上散点的数量和各霍夫圆的周长，得到各霍夫圆的线密度；根据各霍夫圆内散点的数量和各霍夫圆的面积，得到各霍夫圆的面密度；基于各霍夫圆的线密度和面密度对各霍夫圆筛选，获得所述流式散点图中的聚簇核心区域和待合并区域。

叶片组织中含有多个不同种类的亚群细胞，如叶肉细胞、上下表皮细胞、海绵组织、栅栏组织等，需要设门将不同亚群分开后，再获取各个亚群的平均荧光强度，进而获得倍性鉴定结果。

待检测叶片组织对应的流式散点图中存在部分细胞较发达，其他类细胞较少的情况，此时门分类各个亚群，得到的平均荧光强度极易出现误差，因为分布较少的细胞分类结果难以控制，因此本实施例以核心聚簇区域出发，将获得的唯一聚类簇作为目标亚群，仅计算目标亚群的平均荧光强度来鉴定倍性，避免亚群差异过大带来的误差。本实施例之所以利用核心聚簇区域定义目标亚群，是因为只有细胞数量足够多、足够密集，倍性鉴定才越具有可信度，此时其他亚群的散点对于倍性鉴定而言可视为噪声点。

待检测叶片组织对应的流式散点图的门分类的具体过程为：

本实施例将基于DBSCAN密度聚类算法的聚类思想来获取准确的分群结果，考虑到DBSCAN聚类算法的核心参数为搜索半径，搜索半径的大小直接影响着聚类结果，但是现有DBSCAN聚类算法搜索半径大多是人为主观设置的，使其应用范围受到较大限制，参数设置不当会导致分群结果出现偏差，最终倍性鉴定结果也会存在异常。本实施例首先对待检测叶片组织对应的流式散点图进行霍夫圆检测，流式散点图是二维的，其上任意一个点均可以检测出霍夫圆，因此待检测叶片组织对应的流式散点图上能够检测到有限个霍夫圆，本实施例将构建关于霍夫圆的目标函数，进而获得待检测叶片组织对应的流式散点图中最密集的核心区域。由于DBSCAN聚类算法的搜索范围是圆形范围，因此本实施例采用霍夫圆检测算法是为了更贴合DBSCAN聚类算法搜索规则，且基于流式散点图上的散点检测出的霍夫圆可以体现散点图本身的分布特征，相比于主观设置局部范围或者窗口进行盲目遍历而言，能够更准确、更快速收敛出散点分布最密集的核心区域。

在上述步骤中对待检测叶片组织对应的流式散点图进行了霍夫圆检测，获得了待检测叶片组织对应的流式散点图中的多个霍夫圆，霍夫圆的边缘线上散点的数量占比越多且霍夫圆内散点的数量占比越多，说明对应霍夫圆越可能是流式散点图中散点分布越密集的区域，因此对应霍夫圆越适合作为流式散点图中最密集的核心区域；线密度可以一定程度上限制霍夫圆大小，当散点分布越紧凑，线密度和面密度理论上均会越大，若仅考虑面密度，可能存在不同大小的霍夫圆，面密度相同的情况。基于此，根据各霍夫圆的边缘线上散点的数量和各霍夫圆的周长，得到各霍夫圆的线密度，根据各霍夫圆内散点的数量和各霍夫圆的面积，得到各霍夫圆的面密度，进而根据各霍夫圆的线密度和面密度，构建目标函数；对于任一霍夫圆，其对应的目标函数的值为：

其中，E为该霍夫圆对应的目标函数的值，R为该霍夫圆的半径，π为圆周率，G为该霍夫圆的边缘线上散点的数量，W为该霍夫圆内散点的数量，max()为取最大值函数。

2πR代表该霍夫圆的周长，

采用上述方法，能够获得每个霍夫圆对应的目标函数的值。目标函数的值越大，说明对应的霍夫圆所在位置越可能为核心区域，因此本实施例将目标函数取最大值时对应的霍夫圆作为流式散点图中的聚簇核心区域，聚簇核心区域内的散点分布最密集。

本实施例获得了流式散点图中的聚簇核心区域，接下来将以聚簇核心区域为聚类初始中心，向聚簇核心区域的各个方向进行搜索，进而获得最大密度相连区域，本实施例设定搜索过程为霍夫圆的合并，每次合并的霍夫圆的半径小于等于聚簇核心区域的半径，将流式散点图中半径小于等于聚簇核心区域的半径的霍夫圆记为待合并区域，也即获得了多个待合并区域。

步骤S3，基于所述聚簇核心区域的面密度以及待合并区域中的散点，将对应的待合并区域与聚簇核心区域进行合并处理，获得最大密度相连区域；分别以最大密度相连区域的各边缘散点为中心点，构建各边缘散点对应的结构元，根据所述结构元中散点的数量和最大密度相连区域的边缘散点，获得目标亚群。

选取流式散点图中与聚簇核心区域相交或外切的任一待合并区域，将该待合并区域所在区域记为第一待合并区域，接下来将判断第一待合并区域是否能和聚簇核心区域进行合并，考虑到若合并后合并区域内的面密度远小于聚簇核心区域的面密度，则说明第一待合并区域不应当与聚簇核心区域进行合并；基于此，本实施例首先将第一待合并区域与聚簇核心区域合并之后的区域记为第一待分析区域，然后根据第一待分析区域内散点的数量和第一待分析区域的面积，获得第一待分析区域的面密度，再根据第一待分析区域的面密度和聚簇核心区域的面密度，确定第1次合并对应的面密度稳定程度，面密度稳定程度越大，说明第一待合并区域越适合进行合并处理，因此设置稳定程度阈值T

其中，T

由于聚簇核心区域为流式散点图中的一个霍夫圆，步骤S2中已对每个霍夫圆的面密度的获取方法进行说明，因此此处不再过多赘述。ε代表第ε次合并处理，

每进行一次合并处理，均采用上述方法计算一次面密度稳定程度，面密度稳定程度越大，说明此时合并区域的面密度差异波动越小，也即能够进行合并处理，那么继续搜索、继续判断其它相邻的待合并区域，直到对所有与完成合并的区域相交或外切的霍夫圆进行判断，将最终获得的合并区域记为最大密度相连区域。

本实施例借助霍夫圆检测算法获取了流式散点图中的最大密度相连区域，最大密度相连区域的边缘是较为平滑的弧状边缘，这可能与实际聚簇区域的形状存在差异，因此本实施例将借助形态学对最大密度相连区域进行修边，流式散点图在平面坐标系上，因此可以将其看作一个网格，选用一个大小为k*k的结构元，分别以最大密度相连区域的边缘上的各散点为中心进行遍历，获得最大密度相连区域的各边缘散点对应的结构元，其中边缘散点为边缘上的散点，本实施例中k的值为5，在具体应用中，实施者可根据具体情况进行设置。

对于最大密度相连区域的任一边缘散点：

若该边缘散点对应的结构元内不存在其他散点，即结构元内的目标点孤立，则将该边缘散点进行腐蚀，也即将结构元的中心点进行腐蚀，最大密度相连区域在该中心点处的边缘向内收缩形成新的边缘；若该边缘散点对应的结构元内存在其他散点，则该边缘散点对应的结构元内可能存在两类散点，一类散点位于最大密度相连区域内部，另一类位于最大密度相连区域外部，将位于最大密度相连区域内部的散点记为第一类散点，将位于最大密度相连区域外部的散点记为第二类散点；根据该边缘散点对应的结构元内每个第一类散点与该边缘散点之间的欧式距离，计算该边缘散点对应的结构元内所有第一类散点与该边缘散点之间的平均欧式距离，记为第一平均欧式距离；同时根据该边缘散点对应的结构元内每个第二类散点与该边缘散点之间的欧式距离，计算该边缘散点对应的结构元内所有第二类散点与该边缘散点之间的平均欧式距离，记为第二平均欧式距离；当第一平均欧式距离大于等于第二平均欧式距离时，将该边缘散点对应的结构元内的边缘进行膨胀，外扩至结构元内与其距离最近的第二类散点处，也即将与该边缘散点距离最近的第二类散点作为新的边缘像素点；当第一平均欧式距离小于第二平均欧式距离时，不对其进行任何处理。点与点之间欧式距离的计算方法为公知技术，此处不再过多赘述。

对于最大密度相连区域的其它边缘散点，均采用上述方法进行处理。至此，采用上述方法，对最大密度相连区域的边缘像素点进行校正，将校正后的最大密度相连区域记为目标亚群，用于后续对育种倍体的异常检测。

步骤S4，获取目标亚群内所有散点的荧光强度，基于所述荧光强度确定目标亚群的物种倍性，基于所述物种倍性判断育种倍体是否异常。

本实施例在步骤S3中获得了目标亚群，接下来将对目标亚群内的散点进行分析，确定目标亚群的物种倍性，进而判断育种倍体是否异常。

由于染色剂与DNA碱基结合产生的荧光，荧光强度就能够表征DNA含量，无论以哪个为单位进行对照计算均可，其中，目标物种倍性的计算公式为：目标物种倍性＝待测样本的DNA含量/参照物的DNA含量*参照物倍性；本实施例将根据散点的荧光强度确定目标亚群的物种倍性，首先获取目标亚群内每个散点的荧光强度，基于目标亚群内每个散点的荧光强度，计算目标亚群的物种倍性，即：

其中，Q为目标亚群的物种倍性，M为目标亚群内散点的数量，J

表征目标亚群内所有散点的平均荧光强度；物种倍性的计算公式为现有公式，此处不再过多赘述。采用上述方法，能够获得目标亚群的物种倍性，例如：假设目标亚群的DNA含量或者平均荧光强度的数值为100，参照物的DNA含量或者荧光强度的数值为50，参照物的倍性为2n，那么目标亚群的物种倍性为/>

在上述步骤中获得了目标亚群的物种倍性，将目标亚群的物种倍性与培育方向的物种倍性进行比对，即可判断育种倍体是否异常。至此，完成对梨倍性育种倍体异常的检测。

本实施例首先获取了待检测叶片组织对应的流式散点图，由于细胞亚群发达程度不同，流式散点图中散点分布最密集的区域更能表征叶片组织的特征，因此本实施例将对流式散点图中散点的分布进行分析，获取流式散点图中散点分布最密集的区域，考虑到传统的DBSCAN聚类算法需要人为设置参数，主观性较强，若参数设置的不合适会导致流式散点图中散点分布最密集的区域获取的不够准确，进而影响后续育种倍体的鉴定精度，本实施例结合霍夫圆检测，并根据霍夫圆的线密度和面密度，获取了流式散点图中的聚簇核心区域，然后基于聚簇核心区域的面密度以及待合并区域中的散点分布情况，将对应的待合并区域与聚簇核心区域进行合并处理，确定散点分布最密集的区域，也即最大密度相连区域，并在此基础上获得目标亚群的聚簇结果，目标亚群中的散点分布的较密集，因此目标亚群中散点的特征更能反映目标亚群的物种倍性，本实施例以目标亚群内散点的荧光强度进行倍性鉴定，判断育种倍体是否异常。本实施例提供的方法并不依赖参数设置，不需要提前人为设置搜索半径，也不需要考虑参数设置是否合适的问题，且霍夫圆大小、线密度、面密度等任意特征的本质均属于散点本身分布特征，不存在主观因素，消除了主观因素的影响，提高了育种倍体鉴定结果的准确性，且适用范围更广，可信度更高。