排序方式: 共有14条查询结果,搜索用时 15 毫秒
1.
高等植物花发育的研究进展 总被引:4,自引:0,他引:4
以金鱼草和拟南芥菜为例,介绍近年高等植物花发育的研究进展,TFL和CEN基因具有维持花序生组织特性的功能,在DCLV1基因在营养型分生组织向生殖型分生组织转化中起调节作用;LEY,AP1,CAL和FLO控制花分生组织形态特征:AP1/SQUA,AP2作用于A功能区,控制萼片和花瓣的发育,AP3/DEF,PI/GLO执行B功能控制花瓣和雄蕊的发育;AG/PLE对应于C功能区控制雄蕊和心皮的发育,A, 相似文献
2.
小麦返白系在返白期间,叶片可溶性蛋白含量降低,降低幅度与叶绿素含量呈负相关。半展叶的翻译和转录活性大于卷叶,并且与叶绿素含量呈正相关。 相似文献
3.
RAD与DIV属于MYB转录因子家族成员,在金鱼草研究中发现它们对花对称性的形成起着重要作用。本研究利用全基因组信息鉴定了大豆中的GmRAD与GmDIV基因,分析了其蛋白的理化性质、二级结构,基因结构与其在染色体上的分布,并对其系统发生和表达方式进行了研究。研究表明:大豆中存在5个GmRAD基因和5个GmDIV基因,它们分别属于MYB家族的R1和R2R3类,分布在大豆的9条染色体上;进化分析显示GmRAD和GmDIV基因具有不同的进化历程,GmDIV比GmRAD基因更趋于单元发生;表达分析证明,GmDIV和GmRAD成员具有不同的表达模式,其中GmRAD3和GmRAD5以及GmDIV1、GmDIV3、GmDIV4和GmDIV5在花组织中有较高的表达。 相似文献
4.
5.
高等植物花发育的研究进展 总被引:1,自引:0,他引:1
以金鱼草和拟南芥菜为例,介绍近年高等植物花发育的研究进展。TFL和CEN基因具有维持花序分生组织特性的功能;DCLV1基因在营养型分生组织向生殖型分生组织转化中起调节作用;LEY、AP1、CAL和FLO控制花分生组织形态特征;AP1/SQUA、AP2作用于A功能区,控制萼片和花瓣的发育;AP3/DEF、PI/GLO执行B功能控制花瓣和雄蕊的发育;AG/PLE对应于C功能区控制雄蕊和心皮的发育;A、B、C三个功能区共同作用控制整个花器官的结构 相似文献
6.
大豆籽粒的表型参数获取对大豆育种具有重要的作用。现有的深度学习算法获取的大豆籽粒表型性状较少,且识别表型的神经网络模型训练成本高。该研究基于OpenCV图像处理库,提出了一种提取大豆籽粒多表型参数的算法,从大豆图像中一次性获取籽粒的多种表型性状参数,同时能识别大豆的优劣品质。将每个待测大豆单株的所有籽粒拍成一张图像,首先对大豆籽粒图像进行二值化、去噪等预处理,然后采用分水岭算法和改进的目标分割算法提取图像中的大豆籽粒轮廓。根据大豆籽粒的轮廓信息,调用OpenCV图像处理函数计算大豆籽粒的个数、长轴长度、短轴长度、面积、周长等多个表型性状参数。引入圆形度识别残缺大豆籽粒,使用RGB阈值判断识别病变大豆籽粒。测试结果表明,采用该文算法计算的颗粒总数识别率为98.4%,大豆籽粒正确识别率为95.2%,破损大豆和病变大豆的识别率分别为91.25%和88.94%,籽粒的长轴长度与短轴长度的测量精度分别为96.8%、95.8%;引入多进程并行计算,该算法处理215张图片时间为248.9 s,相对于单进程计算缩短了约2/3,实现了低成本高通量的高精度大豆籽粒多表型性状参数的自动获取,为大豆籽粒自动化考种提供有效的处理方法。 相似文献
7.
8.
以‘菏豆12'及其~(60)CO-γ射线诱导矮化突变体为材料,研究突变体的第一复叶叶柄长度、苗期株高、叶柄显微结构,利用4种外源激素处理根系,初步探查突变基因的类型。结果表明:该突变体叶柄比野生型短,株高矮,整体紧凑。叶柄横切观察发现,该突变体木质部细胞及髓细胞直径变小。根系对6-苄氨基嘌呤(6-BA)、赤霉素(GA_3)、吲哚乙酸(IAA)非常敏感,对油菜素内酯(BR)无应答,表明该突变体可能是BR信号转导出现障碍,后续目标基因发掘应围绕BR信号转导途径的相关基因展开。矮化短叶柄突变体在大豆理想株型改造与大豆分子育种中可能具有潜在利用价值。 相似文献
9.
采用改进YOLOv4算法的大豆单株豆荚数检测方法 总被引:1,自引:1,他引:0
大豆单株豆荚数检测是考种的重要环节,传统方法通过人工目测的方式获取豆荚类型和数量,该方法费时费力且误差较大。该研究利用大豆单株表型测量仪采集到的表型数据,通过融合K-means聚类算法与改进的注意力机制模块,对YOLOv4目标检测算法进行了改进,使用迁移学习预训练,获取最优模型对测试集进行预测。试验结果表明,该研究模型的平均准确率为80.55%,数据扩充后准确率达到了84.37%,比育种专家目测准确率提高了0.37个百分点,若不考虑5粒荚,该研究模型的平均准确率为95.92%,比YOLOv4模型提高了10.57个百分点,具有更强的检测性能。在简单背景的摆盘豆荚检测中,该研究模型预测的平均准确率达到了99.1%,比YOLOv4模型提高了1.81个百分点,研究结果表明该模型在不同场景下的大豆豆荚检测中具有较强的泛化能力,可为大豆人工智能育种提供参考。 相似文献
10.