May 07, 2023
高い
Edizione di biologia della comunicazione
Communications Biology volume 5、記事番号: 1318 (2022) この記事を引用
3014 アクセス
1 引用
71 オルトメトリック
メトリクスの詳細
鱗翅目のマルチスペクトル画像を高効率でキャプチャするための、統合されたハードウェアとソフトウェアを備えた経済的なイメージング システムを紹介します。 この方法は、細かく広い分類スケールでの種間の色と形状の比較を容易にし、より三次元性の高い他の昆虫目にも適用できる可能性があります。 私たちのシステムは、ピンで固定された標本の背側と腹側の両方を画像化できます。 当社の処理パイプラインと併せて、記述データを使用して、翼全体の再構築と、異なる翼形状 (尾を含む) や静脈系を持つ種の翼パターンを客観的に定量化する普遍的に適用可能な平面図に基づいて、マルチスペクトルの色と形状を系統的に調査することができます。 体長、胸部の幅、触角のサイズなどの基本的な形態学的測定値が自動的に生成されます。 このシステムにより、博物館の標本から抽出される形質データの量と質が飛躍的に向上します。
昆虫のクチクラのナノ構造は、多くの新しい工学設計に影響を与えてきました 1、2、3、4、5。 昆虫は可視スペクトルを超えた波長を知覚できることが知られているため、昆虫のクチクラの調査に使用される画像システムが、潜在的に関連する可能性のある電磁波長の全範囲を検出できなければ、重要なデータが見逃される可能性があります。 鱗翅目(蝶と蛾)の羽の色(この論文では、あらゆる視覚システムに依存せず、反射率の略称として使用します)と形状に関する現在の研究は、単一の標本に時間がかかるため、標本数が 100 未満に限定されることがよくあります 3,6。標本から羽を切り離す必要性2、4、10や、ラベルを付けて個々の標本を配置して画像化する必要性など、ベースの手順7、8、9。 翼形状の多様性に対応するシステムの設計 9,11 も、深刻な課題となっています。
鱗翅目は、ほとんどの蝶と多くの蛾の固定標本の二次元的性質により分析が容易になるため、理想的な画像化ターゲットとなります。 鱗翅目のマルチスペクトル画像を客観的、体系的、効率的に処理できる適切な方法が必要です。 主な課題は 2 つあります。(1) 高スループットのイメージング システムの開発、および (2) ファミリー全体の翼の特徴を捉えるために一般化できる、普遍的に適用可能な平面図または原型の特定です。
従来、物体の表面のマルチスペクトル特性は 2 つの方法で測定できました 12、13、14、15。 ハイパースペクトル分光光度計は単一点に対して高いスペクトル分解能 (約 0.1 nm) を提供しますが、マルチスペクトル イメージングでは、スペクトルを約 100 ~ 200 の複数の波長帯域に分割することで、スペクトル分解能をある程度犠牲にして、高い空間分解能を備えた 2 次元画像を迅速に作成できます。 nm ずつ(以下「バンド」と呼びます)、カメラを使用して広い領域にわたって写真のような測定を行います。 一部の最先端のイメージング システムは、10 ~ 20 倍細かいスペクトル分解能 (約 5 ~ 10 nm) を備えていますが、コストは当社の装置 (約 35 万ドル) の 70 倍です。 リモートセンシングでは、衛星はマルチスペクトルイメージングを使用して、世界中の広範囲にわたるデータを効率的に収集します(高度な超高解像度放射計 [AVHRR] や中解像度イメージング分光放射計 [MODIS] など)。 同様に、市販のマルチスペクトル カメラは、二次元表面上で客観的なマルチスペクトル測定を提供できますが、高い空間分解能を備えたカメラは、ほとんどの個々の研究室や博物館のコレクションにとって法外に高価であり、イメージング効率が比較的遅いため、高スループットの標本イメージングでの使用が複雑になります。 そこで私たちは、コーネル式博物館標本引き出し (450 × 390 × 67 mm) に対応でき、一度に多数の生物標本からマルチスペクトル データを収集できる、改良型民生用 DSLR カメラをベースにした、スケーラブルで高スループットのイメージング システムを開発しました。 。
分類学的に多様な昆虫のセットを比較するためのもう 1 つの重要な要素は、さまざまな形態に対して堅牢な適切な分析フレームワークを使用することです。 これまで、鱗翅目の翼の形状と色のパターンを比較するための最も一般的なアプローチは、主に翼脈に基づいており、これは研究対象の種の進化の歴史と生理学的発達の両方と高度に相関しています。 Frederick Nijhout は、その画期的な研究の中で、比較的小規模な発生規則セットに基づいて、静脈パターンやその他の形態学的特徴の変化に基づいてタテハチョウ科や他の蝶のパターン発生を分析するための「一般的な基本計画」を説明しました。 より最近の進化発生アプローチは、形状や形態そのものの分析から離れ、代わりに、羽の色のパターン形成に関連するマスター調節遺伝子(例、optix、皮質Wnt A)や、羽の色パターンを強化する複数のシス調節要素の同定に焦点を当てている。効果4、10、19、20、21。
これらの進歩により、羽の色のパターンの発生の基礎についての理解は深まりましたが、広範囲に変化する羽の形態を確実に比較する方法という実際的な問題には取り組んでいませんでした。 たとえば、羽の静脈の数は蝶の科ごとに異なるため 16,22、すべての蝶に単一の静脈システムを適用することはできません。 翼の形状も種によって異なり、シジミ亜科の多くは近縁種には見られない後翅の尾によって区別されます23,24。 その結果、科を超えた翼の形態に関するほとんどの研究は、アスペクト比や面積モーメントなどの飛行に影響を与える翼の指標を使用して、前翼のみについて行われてきました 25,26。 マルチスペクトルの色とパターンについては、多くのツールが利用可能です 27,28,29 が、その応用は主に、類似の翼脈 2,9,28 または形状 7,28 を共有する単一クレードに限定されています。
生物学博物館は世界の豊富な生物標本を保存していますが、これまでの羽の色パターンの研究は一般に博物館以外の標本に焦点を当ててきました。そのような研究には無傷の前翅と後翅が必要だからです2,4,10。 さらに、これらの研究のイメージング方法では、多くの場合、関節を切断した標本が必要となるため、将来の研究での有用性が制限されます。 当社のイメージング システムは、カスタマイズ可能な波長帯域の範囲にわたって固定された標本全体を非破壊的にイメージングし、可変の尾や翼の形状を含む鱗翅目全体の多様な形態に堅牢な分析フレームワークで自動的に処理することで、これらの困難の一部を克服します。
多くの固定された鱗翅目標本の 2 次元の性質により、3D オブジェクトをイメージングする際に慎重に考慮する必要がある可変入射角など、いくつかの技術的考慮事項を省略できます。また、カスタム設計のプラットフォームを備えた当社のマルチスペクトル イメージング リグは、両方のイメージを作成できます。標本の背側と腹側(図1a、2、3)。 初期の記述データは、一般的なマルチスペクトル特性の調査や博物館標本のデジタル化に使用できます (図 1b)。 初期の記述データに基づいて構築された処理済みデータは、マルチスペクトル色の調査に使用できます。 前翅と後翅の再構成(図1c)後、普遍的に適用可能な分析フレームワーク(図1dおよび4a)の設計により、翼尾を客観的に定量化し、さまざまな翼の形状と葉脈システムに対応できます(図1eおよび4b)。 このフレームワークは、基本的な形態学的測定 (図 1f) を提供しながら、マルチスペクトルの色パターン (図 1g、h、および 5) を体系的に調査するために適用することもできます。
ワークフローは上から下に実行され、主な機能が強調表示されます。 a 当社のイメージング システムの高スループット能力を示す画像例。 b マルチスペクトル画像 (上の 2 行) は、主成分分析によって偽カラー画像 (下の行) として要約できます。ここで、赤は PC1、緑は PC2、青は PC3 に対応します。 c 背側と腹側のセグメンテーションからの情報を使用して、完全な翼の形状を仮想的に再構築できます。 d 各翼の汎用座標系は、4 つのランドマーク (赤い点でラベル付けされている) に基づいて自動的に生成できます。 e 蝶の 2 つのグループの羽の形状をまとめました。左側がシジミチョウ科、右側がアゲハチョウ科とタテハチョウ科です。 尾部の確率 (Tail Prob.)、曲率 (Curv.)、および尾部の曲率の標準誤差 (Tail Curv.の SE) は、それに応じて色分けされます。 ■f 画像処理中に体や触角の形態を自動的に計測できます。 g 3 つの試験片からの 4 つの例示的なスペクトル バンド (RGB および UV) の反射率の概要が表示されます。 h 蝶のグループの UV 反射率の変化は、UV 反射率の平均コントラストを表す「UV シグナル」として要約されます。 青は信号が低いことを示し、赤は信号が高いことを示します。
a 非表示のプレカット スロットは青色で示されています。 画像に表示される領域を示す白い破線は、ユーザー ガイダンスのためにイメージング プラットフォーム上に黒い縫い線でラベル付けされています。 スケール バーと白黒の標準参照は左下隅にあります。 多層フォームバッキングの詳細を図 6 に示します。 b 標本の背側と腹側がどのようにイメージングプラットフォームに配置されるかを示す例。
a NEF 形式の 7 つの生画像のセット。 b スケールバーと標準の白基準と黒基準の自動認識。 c 標準の白基準と黒基準に従った反射率の校正。 d 個々の標本画像は赤い境界ボックスで抽出されます。
a 背側と腹側のセグメンテーションに従って、完全な翼の形状を仮想的に再構築できます。 a、b 翼グリッドは、c 尾部領域を定義した後に生成できます。 左側のパネルでは、赤い境界線は、楕円フーリエ解析によって周波数領域に投影された後、上位 5 つの高調波に基づいて再構成された後翅の大まかな形状を表しています。 b ユニバーサルウィンググリッドは、歪んだり破損したウィングに対応できます (IV および VIII など)。 I. Smerinthus cerisyi (スフィンギ科); II. Catocala connubialis (エレビ科)。 Ⅲ. Evenus コロナータ (シジミ科)。 IV. Heliconius melpomene (タテハチョウ科)。 V. Allancastria cerisyi (アゲハ科); VI. アトロファネウラ・ヘクター(アゲハ科)。 VII. Kallima inachus (タテハチョウ科)。 Ⅷ. コラデス・メデバ(タテハチョウ科)。
a 青、緑、赤のバンドのグリッド反射率を要約することができます。 b 選択した標本のグループの平均的な翼の形状に投影します。 c、d UV シグナル (種間の平均 UV コントラスト) は、翼上の最も一般的である可能性が高い UV 可変領域を示しています。 e、f 種間の UV 可変領域の変動。高度に保存されている UV パターンの領域 (青) と、より活発に変化している領域 (赤) を示します。
当社の高スループット マルチスペクトル イメージング システムは、従来のイメージングの速度と客観的なスペクトル データの必要性との間の妥協点を表します。 このシステムは、UV-可視-IR イメージングを可能にするために内部 UV-IR フィルターが取り外された高解像度一眼レフ カメラ (Nikon D800) で構成され、28 ~ 80 mm f/3.3 ~ 5.6 G オートフォーカス ニッコール ズーム レンズ (方法)。 カスタマイズされたイメージングプラットフォームはピンの両端に対応するように設計されているため、マウントされた標本は背側または腹側のいずれかにプラットフォーム上に配置できます(方法、図2)。 黒と白の標準参照とスケールバーを含む参照バーは、イメージングの各ラウンドで面ファスナーによってイメージングプラットフォームに取り付けられます(方法、図6a)。 計算コストを除いたおおよそのコストは ~4500 ドルです (補足情報)。
a 基準バーと b 対応するマテリアル。 c 隠れたプレカット スロットを備えたイメージング プラットフォームを青色で示し、d 対応するマテリアルを示します。 (1) 黒 (スペクトラロン黒標準 AS-001160-960、Labsphere) および白 (スペクトラロン白標準 AS-001160-060、Labsphere) 標準参照。 (2) 接着剤付きフックループストリップ (2.4 インチ × 2.4 インチ)。 (3) 粘着性法医学証拠ラベル (寸法 2 cm、A-6243)。 (4) 粘着力があり破れにくい防水写真クラフト紙。 (5) 接着剤付きネオプレン スポンジ黒色フォーム パッド (12 インチ × 8 インチ × 1/4 インチ)。 (6) 黒い綿糸。 (7) キャンバスストレッチャーバーキット (16 インチ × 20 インチ)。 (8) 接着剤付きネオプレンスポンジ黒色ラバーフォーム (12 インチ × 8 インチ × 1/8 インチ); (9) 接着剤付きネオプレンフォーム防振パッド (6 インチ × 6 インチ × 1/4 インチ)。 (10) ポリエチレンフォーム (18 インチ × 16 インチ × 1.5 インチ)。 詳細情報は補足情報に記載されています。
標本セットごとに、一連の 7 つの画像 (以下、「引き出し画像」と呼びます。図 3a) が 2 分間にわたって生フォーマット (*NEF) で撮影されます。 これら 7 つの引き出し画像は、次のスペクトル イメージング範囲に対応します (光の設定に関する詳細は「方法」に含まれています): UV のみ (λ = 360 nm、カメラの Hoya U-340 UV パス フィルターでフィルター処理された反射光、複合 UV)反射率と、反射された UV とすべての UV 誘起可視蛍光の両方で構成されるフィルタされていない可視蛍光 (以下、UVF と呼ばれます)、2 つの近赤外バンド (λ = 740 nm [NIR] および 940 nm [fNIR] LED からのフィルタされていない反射光)、および可視領域の 3 つ(反射された広帯域白色 LED 光、λ = 400 ~ 700 nm、フィルタリングされていない RGB 画像 1 つと、その軸に沿った偏光を検出するために直交角度の直線偏光子でフィルタリングされた 2 つの RGB 画像)。これらは後で赤、緑、青に分解されます。サイズに応じて、羽の側面を背側または腹側に向けて、最大 35 個のピン留めされた標本を同時に画像化できます。
すべての未加工 (マルチスペクトル) ドロワー画像は、画像を自動的に処理するパイプラインを開発した高性能コンピューティング環境にアップロードされます。 ただし、少数の画像 (<5) であれば、デスクトップ上で適切なリソースとより長い実行時間を使用して処理できます (メソッド)。 標本の色の勾配を維持するために、画像はまず dcraw31 (生の画像形式を処理するためのオープンソース プログラム) によって線形化された 16 ビット TIFF 形式 30 に変換されます。 これらの 16 ビット TIFF イメージは、MATLAB スクリプトを使用して分析されます。 7 つの引き出し画像のセットは 1 つのコンピューティング ユニットとみなされ、背側ユニットの同じグループの標本には対応する腹側ユニットがあります (方法)。
各コンピューティング ユニット (図 3a) がメモリに読み込まれ、標準の黒と白の基準が円形 (図 3b) によって白 (通常の RGB) 画像上で認識されます。 各センサーで吸収する光子の正確な数を計算するのではなく 13,27、リモート センシング技術 32 を使用して、すべてのピクセル値を白黒参照標準に従って反射率 (アルベド) 単位 (0 と 1 の間) に変換します (方法; 図.3c)。 引き出し画像上のスケールは、同じスケールの参照画像との局所特徴マッチングによって自動的に認識され、1センチメートルあたりのピクセル数が導出されます(方法、図3b)。
試料の固定のばらつきやカメラのレンズシステムの光学収差により、画像処理中に測定誤差が生じる可能性があります。 長さ測定におけるこの誤差範囲は 0.4% (または 4 cm の蝶の 0.16 mm (方法、図 7) 未満) 未満であると推定されます。誤差はわずかですが、長さの端の周囲に 5 cm の明確なマージンを残します。画像境界付近での比較的大きな収差を避けるために標本を画像化する段階(図7d)。
a ピン上のさまざまな高さに配置されたスケール標準の図。 b イメージング システムによって撮影された画像のビュー。 c、d 4 cmの蝶と比較した絶対パーセンテージでのサイズ異常の頻度分布cと空間分布d。 e、f d および e の生の値が提供されます。 c と e の破線は、それぞれ中央値とゼロを示します。 d、fの赤い破線で囲まれた領域は、イメージングのために標本を配置する場所です。
後処理は、赤、緑、青チャネルにおけるこれらの波長に対するセンサー感度の差を考慮して、UV、NIR (740 nm)、fNIR (940 nm)、および UVF バンドに適用されます (方法;図 3c)。ただし、後処理を必要としない RGB ホワイト バンドを除きます。 偏光指数は、2 つの直交偏光 RGB ホワイト画像間の絶対差として計算されます。 この偏光の単一の測定値は、構造に起因する着色の発生を示すこともでき、他の視角または入射光の角度での偏光を調査するために追加の研究を実施する必要があるかどうかを示唆します。
私たちの予備的な観察では、鱗翅目は fNIR (940 nm) 帯域で背景とのコントラストが最も高いことが示されたため、この特性を利用して、引き出し画像から個々の標本画像を認識して抽出するのに役立ちました。 (方法;図3d)。 各標本のマルチバンド画像は、平行移動、回転、スケール、せん断などのアフィン幾何学的変換に基づいて、階層化された画像スタック(図8a、b)に位置合わせされました。 このステップは比較的時間がかかり、処理時間は試料サイズにほぼ比例します。 この段階では、登録されたマルチバンド標本の画像スタック、つまり初期の記述データは、標本の拡張データの一部としてアーカイブすることも、パイプラインによって形状、色、パターンの特徴データを生成する高レベルの処理データにさらに変換することもできます。 。 便宜上、背景の除去に必要な情報を含む追加のバイナリ マスク レイヤーを含めました (メソッド)。
a マルチレイヤーフォーマット (「セルフォーマット」、MATLAB で使用される専門用語) は、試験片の片面の記述データを含めるために適用されます。 b 南アフリカのシジミ目、Chrysoritis pyramus のいくつかの模範的な層の出現。 実際の出力層の順序は補足情報に記載されています。 c UV反射率に影響を与える鱗片特性の変化は、Hebomoia glaucippeの単一標本内で見つけることができます。ここで、左側のC. pyramusと右側のA. wildeiと比較します。
完成した初期記述データには、登録されたマルチバンド画像 (UV、青、緑、赤、NIR、fNIR、蛍光 [RGB]、偏光 [RGB] を含む)、背景除去マスク、およびスケール バーが含まれています (図3aおよび8a、b)。 これらのデータセットから特定の形質データを抽出するにはさらなる分析が必要ですが、これらは新しい翼鱗のタイプと構造を発見する際の強力な視覚的補助となり得ます。 たとえば、Hebomoia glaucippe (L.) の前翅端のオレンジ色の斑点は強い UV 反射率を示します 14,15 (図 3c および 8c) が、Chrysoritis pyramus (Pennington) のオレンジ色の斑点はそうではなく、その根底にある紫外線反射率の違いを示唆しています。これらの色を生み出す物理的なメカニズム。 同様に、Hebomoia glaucippe の白い背景はほとんど UV 反射率を示しません 14 が、Arhopala wildei Miskin (および白い斑点を持つ他の多くの種) の白い斑点は顕著な UV 反射率を示します。 (図8c)。 適切なコンバーターを使用すると、これらの初期記述データをソフトウェア パッケージ 27,29 で使用して、さまざまな動物の視覚システムを考慮した分析を行うことができます。 これらの初期の記述データのみを使用することで、現在世界中の博物館のコレクション内に何世紀にもわたって隠されているマルチスペクトル現象を発見できる計り知れない可能性があります。
マルチスペクトル反射率と形状特性をさらに定量化するために、一連のより複雑な分析パイプラインが設計されました。 体のさまざまな部分を詳細にセグメンテーションした後、カスタムの「尾の定量化」および「翼グリッド座標」パイプラインを適用して、尾、翼の形状、およびマルチバンド反射特性に関する情報を記録します。
私たちの最初の記述データには標本全体の輪郭が含まれていますが、この輪郭をさまざまな体の部分にセグメント化するために、標本輪郭のトポロジー (十字と円のラベルが付けられている) を数学的に検索することを含むがこれに限定されない、従来の幾何学に基づいて重要なランドマークが特定されます。図9b)。 2 つのセグメンテーション方法が含まれています。 基本的なセグメンテーション (直線によるランドマークに従った標本形状の完全に自動化されたセグメンテーション) は、より時間のかかる手動の前翅と後翅のセグメンテーションからのデータがない場合に使用できます。 手動で定義された前翅と後翅のセグメンテーション パイプラインは半自動化されており、「moth-graphcut」という GitHub リポジトリから適応されたスタンドアロン ソフトウェア パッケージを介して人間が入力します 32。そこから派生したセグメンテーションはより自然に見えます (図.9c)。 基本的なセグメンテーションは効率が高く、人間による入力は必要ありませんが、精度は低くなります (検査と修正については後で説明します)。 対照的に、手動による前翅と後翅のセグメンテーションでは、1 時間あたり約 100 枚の標本画像を処理するスループットで、自然な翅の形状と翅全体の再構築を高精度で行うことができます。 どちらの方法でも、体のサイズ、体長、胸部の幅、触角の長さ、触角の幅、触角の曲がりなどのさらなる形態学的情報も、身体部分のセグメンテーションとともに自動的に測定および収集されます(方法;図1f)。
a fNIR 画像に基づく背景の除去。 b 主要なランドマーク (十字と円で表されます) と対称軸を識別するベクトル (赤の実線と青の点線のセグメントで表されます) を使用して、標本マスクを自動的にセグメント化できます。 c 手動で定義された前後翅分割の有無にかかわらずオーバーラップ領域の。 (a–c) に示されている種は Oxylides faunus です。 d すべての身体部分 (4 つの翼と胴体) の両側 (背側と腹側) のすべてのバンドの統計的概要 (平均、変動、およびパッチ サイズ) を計算できます。 e 7 つの異なる家族からの 17 個の標本に基づくサンプルバンドの統計結果。 中心線は中央値を表します。 ボックス制限、上限および下位四分位数。 ひげ、四分位間範囲が 1.5 倍。 ポイント、外れ値。 背側と腹側の間の差の統計的に有意なレベル (両側 t 検定の下) はアスタリスクでラベル付けされます: *、0.05; **。 0.01。
標本が身体部分に分割されると、各身体部分の多重スペクトル反射率を要約することができます (図 9d)。 初期の記述データを使用して個人レベルで実行できる分析に加えて、さまざまな体の部分の背側と腹側の間でより詳細な比較を行うことができます。 たとえば、7つの異なる家族からの17の標本の反射率を分析することにより、後翅の背側がその腹側よりも大幅に高いUV反射率を示し(図9e)、おそらく信号伝達を助けることが観察できますが、体の腹側はそして前翅は背側よりも高いfNIR反射率を示し(図9e)、おそらく体温調節を助けています。 ただし、より遠くに関連した分類群間で比較できる、個々の身体部分内の一貫した形質データを生成するには、追加の処理が必要です。
さまざまな羽の形状にわたるマルチスペクトルの羽の特性を比較するために、4 つの主要コンポーネントで構成される一般化可能なパイプラインを開発しました (図 4): (1) 完全な羽の形状の再構成、(2) 二次ランドマークの識別、(3) 羽のグリッドの生成、( 4) 後翅尾の概要。 このシステムは、多様な後翅尾を考慮して定量化するという特有の困難を克服し、このパイプラインから生成された処理済みデータは、形状解析にも直接適用できます。
鱗翅目や他の多くの羽のある昆虫では、後翅の領域が前翅の一部と重なることが多く、自動形状再構成が複雑になります。 私たちのイメージングパラダイムでは、背側画像では標本の後翅が前翅と重なり、腹側画像では前翅が後翅と重なっています(図4a)。 私たちのアルゴリズムでは、手動で定義された前翅と後翅の境界を使用して、標本の背側の欠落した後翅端と腹側の不完全な前翅端を再構築します。 完全な翼を再構築した後、二次ランドマークが自動的に識別されます (図 1d および 4a)。 後翼の尾は、さらなる処理の前に翼本体から計算によって分離されます (尾の分析の詳細については、「方法」を参照してください)。 次に、各翼の二次ランドマークに従って翼グリッドのセットが作成されます (図 1d および 4a)。 四隅のセットの重心に従って標本のシルエットを分割するこのグリッドシステムは、遠縁の鱗翅目(例:スズメ目とシジミ目;図4b)であっても、異なる種間の形状の違いに対してロバストです。 さらに、これらのグリッドの大部分は、中程度の翼損傷が存在する場合でも安定したままです(図 4b の IV および VIII)。 これらのマトリックスのデフォルトの解像度は 32 × 32 ですが、より大きな翼面積を持つ標本に対応するように調整することもできます。
後翅の尾と翼の形状の定量化もこのグリッドシステムに依存しており(方法;図1eおよび4c)、尾の有無を事前に識別する必要なく、鱗翅目全体に適用できます(図1e)。 。 他のパッケージ 28 とは対照的に、私たちの翼グリッド パイプラインでは、さまざまな翼の形状、特に後翼を異なる静脈系と尾で比較できます (図 4b)。 翼のシルエット上の偶数のグリッドアンカー(たとえば、32×32グリッドシステムの128点)は、他のアプリケーションで形状を比較するための「ランドマーク」として使用できます9、11、34(図4b)。 マルチスペクトルの翼パターンを要約するために使用することもできます。
この翼グリッド システムに基づいて、各グリッドの平均反射率と変動を計算でき (図 1g および 5a)、翼解析の結果を 32 × 32 × N の行列に保存できます (N は数字です)。波長帯域の)。 32 × 32 の解像度は、扱う小さな標本のサイズによって決まりました。 たとえば、より細かい解像度 (64 × 64 など) を使用して 50 × 50 ピクセルの翼のデータを要約することは無意味になります。 この標準形式により、翼の形状が異なる多種多様な鱗翅目グループ間でのさらなる統計分析が容易になります。
羽のパターン分析の結果は、より直観的な解釈のために、グループの平均的な羽の形状にさらに投影できます(図1hおよび5b)。 たとえば、平均反射率は、RGB バンドの一般に明るい翼領域を特定します (図 5b)。 高 UV コントラスト領域は UV 種内シグナル伝達において重要であるようであり 35、そのような領域はシジミチョウの背側で見られる可能性が高いが、アゲハチョウの腹側で見られる可能性が高いことがわかりました(図 5c、d)。 また、特定の分類群のこれらの高 UV 可変領域の位置の変動を比較して、それらが高度に保存されている場所 (低い値) とより不安定な場所 (高い値) を示すこともできます。図 5e、f)。 このような保存された領域は、その翅領域(存在するかどうかにかかわらず)の UV 変動(シグナル伝達に関与している可能性がある)が高度に抑制されており、したがって異なる種間で安定していることを示しています。 これらは、特定の科学的問題を対象とするのではなく、さまざまな翼の形状を説明するために選ばれた例ですが、すでにさらなる研究のための生物学的洞察を提供し始めており、このアプローチを使用して鱗翅目形質の体系的な研究を実行することの有用性を示しています。
比較的大きなファイル サイズ (画像あたり約 240 MB) と時間のかかる後処理パイプラインを考慮すると、当社のプロトコルのほとんどは、高性能コンピューティング環境 (つまり、クラスター) で実行されるように設計されています。 ただし、このような環境では画像を検査して手動で修正するのは不便です。 したがって、データセットのごく一部をローカル マシンにダウンロードして検査や手動修正できるようにパイプラインを設計しました。 私たちのパイプラインには、検査と手動修正が可能な潜在的なポイントが合計 5 つあります (メソッド)。 各検査ポイントでは、最小限のリソース要件 (低ストレージ、メモリ、CPU 要件) でローカル マシン上のデータセットを手動で修正するための、対応するスクリプトとユーザー インターフェイスも開発しました。 カスタマイズされた視覚化設定のスクリプトも、翼の形状 (尾を含む) と翼のパターン (方法、補足情報、およびデータの利用可能性) 用に開発されました。
このシステムにより、研究者は博物館標本の高品質で有益なマルチスペクトル画像を効率的に作成し、アーカイブすることができます。 これまでに 10,000 個を超える標本に適用した結果、現在のワークフローを考慮すると、コーネル大学の引き出しにある標本 (約 60 ~ 80 個体) を 2 時間で画像化できることがわかりました。 この推定には、標本の取り扱い、取得、およびコレクションへの再統合が含まれますが、イメージング時間は通常、標本のサイズに反比例します。 博物館コレクションのデジタル化は世界中の機関の使命となっており、過去数十年間で膨大な数の標本が処理されてきました36,37。 これらのデジタル化された記録は、GBIF (http://www.gbif.org)、iDigBio (http://www.idigbio.org) などのさまざまなキュレーション システムやプラットフォームを通じて、政府や国民の支援を受けて科学的および社会的目的に適用されました。 、MCZBase (https://mcz.harvard.edu/database)、Atlas of Living Australia (http://www.ala.org.au/)、Map of life (https://mol.org/)、およびバタフライネット (http://www.butterflynet.org/)。 便利なユーザー インターフェイスの有無にかかわらず、2D 従来の写真37 から 3D CT スキャン 38,39 および 3D 写真測量 39,40 に至るまでのイメージング システムとパイプラインも大幅な改善が見られ、多くの場合、それに応じて莫大な価格がかかります。 当社のマルチスペクトル イメージング システムは、ハイスループットのスペクトル表現型解析や、費用対効果の高い方法での標本のデジタル化に興味がある人々にとって重要な前進を提供します。当社は、アーカイブ デジタル化の分野が成熟するにつれて、このシステムを引き続き採用していきたいと考えています。
現在のシステムには多くの改善の可能性があると予想されます。 ハードウェア側では、現在のイメージング プラットフォームに回転面を組み込むことで、研究者はさまざまな入射角での反射率を研究できるようになります 33。これは、ほとんどの鱗翅目標本が 2 次元であるため、当初は含めていませんでした。 昆虫の体から切り離された羽は、現在のパイプラインでは収容できないため、個々の羽を取り付けるためのイメージングプラットフォームの開発も、このシステムの潜在的な有用性を拡大します。
ソフトウェア側では、手動入力の必要性が減ることで効率が大幅に向上します41。 たとえば、十分な数の以前に処理された画像をトレーニング セットとして使用すると、機械学習に基づいて自動的に検査および自己修正するシステムを開発できます。 同様のアプローチは、前後翅のセグメンテーションの場合にも適用できます。 鱗翅目の大規模な形態学的研究におけるこのイメージングプロトコルの有用性は、より詳細な身体部分のセグメンテーション(目、脚、吻など)も開発できればさらに進歩するでしょう。
現在のバージョンでは、画像の上部に頭が位置する標本のみがサポートされています。 自動回転補正は、最適な下流処理のために試料の向きを調整するのに役立ちます。 現在の設計ではコンピューティング クラスターとユーザーのローカル マシン間の往復通信が必要なため、ユーザー インターフェイスも改善される可能性があります。 統一されたユーザー インターフェイスは、複雑なプロトコルの操作を簡素化するのに役立ちます。
ここで説明した画像解析の結果を進化生物学および発生生物学の分野の既存の知識と結び付けるには、データと翼脈系からの進化的洞察を統合することが不可欠であると思われます。 翼グリッド システムは、多様な鱗翅目の分類群にわたる形状と反射率の比較に普遍的に適用できる座標を提供します。 これらの翼グリッドに翼脈系を登録することにより、翼脈、多重スペクトル反射率、および形状の間の関係をさらに調査できます。
博物館のコレクションは、基本的価値と応用的価値の両方の生物学的情報の膨大な宝庫であり、採掘されるのを待っています。 ここで紹介する比較的安価でユーザーフレンドリーなイメージングハードウェアと翅グリッド処理ソフトウェアにより、博物館の研究者は鱗翅目だけでなく他の多くの昆虫グループのマルチスペクトル特性を高効率で調査できるようになります。 また、色やパターンの研究に利用できる他のパッケージとは対照的に、非常に多様な翼の形状を持つ種間での色や形状の比較も容易になります。 これらの方法は、植物の葉や培養微生物など、他の同様の 2 次元の対象の研究にも簡単に適用できます。 私たちの手法は、生物標本の反射率と形状データを収集する効率とアクセスしやすさに革命を起こす可能性を秘めており、世界中のコレクションからバイオイノベーションのための豊富な情報源を提供します。
このシステムは、28 ~ 80 mm f/3.3 ~ 5.6 G オートフォーカス ニッコール ズーム レンズを装備した高解像度一眼レフ カメラ (Nikon D800) で構成されています。 カメラは、厚さ 0.125 インチの 6061 アルミニウム シート (McMaster-Carr: 89015K18) で構成された長方形のライト ボックス内に取り付けられ、高さ 36 インチ、高さ 24 インチの T スロット付きアルミニウム フレーム押出材 (McMaster-Carr: 47065T101) に取り付けられています。広くて深くて、底が開いています。 ライトボックスの内部では、4 バンクの LED エミッターが高さ 18 インチの側面に取り付けられ、上下に回転して直接または間接照明を提供できる厚いアルミニウム ヒートシンクに取り付けられています。 LED の各バンクは 4 つのスター メタル コア プリント基板 (MCPCB、OSRAM Opto Semiconductors Inc.) で構成されており、各波長帯域に 1 つずつあり、それぞれに 6 つの個別の LED が付いています。 4つの波長帯域は、紫外(UV 365 nm:LZ1-30UV00-0000)、白色(クールホワイト:LZ1-10CW02-0065)、740 nm IR(740 nm 赤:LZ4-40R308-0000)、および940 nm IR( 940 nm レッド: LZ1-10R702-0000)。 カメラは、ライトボックスの中央を通って延びるフレーム押出部分に取り付けられた一脚 (Sinvitron Q-555) にネジで取り付けられ、レンズは底部から 28.25 インチの位置に保持されます。 4 つのスロットを備えた電動フィルター ホイールがレンズの直下に取り付けられており、フィルターされていない RGB ホワイト、UVF、NIR、および fNIR イメージング用の空のスロット、UV のみのイメージ用の Hoya U-340 UV パス フィルター、および 2 つの B + W差動白色偏光イメージング用に直交角度で取り付けられた KSM 円偏光子。
マイクロコントローラー (PJRC、Teensy ++ 2.0) とステッパー ドライバー (Sparkfun、ROB-12779) は、原点ホーム スイッチを基準にして特注のフィルター ホイールを回転させるモーター (マーキュリー モーター、SM-42BYG011-25) を制御します。 LED は、照明タイミングを調整するマイクロコントローラー (PJRC、Teensy 3.2) を備えた電流コントローラーのバンク (LEDdynamics、3021-DI-100) によって駆動されます。 カメラはオープンソースの DigiCamControl ソフトウェア (DigiCamControl V2.0.0) によって制御されます。 カメラの操作、LED 照明、フィルター ホイールの位置決め、画像転送の調整は、カスタム LabView プログラム 42 を実行するデスクトップ コンピューターによって行われます。 すべてのソフトウェアおよびハードウェアの設計は、ご要望に応じてご利用いただけます。
背景の反射率を最小限に抑えるために、プラットフォームの構築に使用される材料は慎重に選択され、紫外線から近赤外線帯域までのスペクトルの中立性がテストされました (図 1a および 6)。 ピンで固定された標本を簡単に押し込んでピンの上部または先端で保持できるように、下にある多層フォームの裏地に一連のプレカットスロットを組み込み、効率的な背側および腹側イメージングを可能にしました(図2b)。 )。 対照的な背景色で黒 (spectralon 反射率 2% AS-001160-960、Labsphere) と白 (spectralon 反射率 99% AS-001160-060、Labsphere) の標準基準とスケールを含む基準バーが添付されています (図 6)。 私たちは比較動物博物館昆虫コレクションの鱗翅目標本を使用してシステムをテストしました。 各試料の撮像面は標準基準棒とほぼ同じ高さに調整した。
7 つの引き出し画像のセットは 1 つのコンピューティング ユニットとみなされ、背側ユニットの同じグループの標本には対応する腹側ユニットがあります。 各ユニットは独立して処理されるため、すべてのユニットがクラスター上で並行して処理されます。 各ジョブ/ユニットに割り当てられるリソースは、24 ギガバイトのメモリを備えた 2 つのコアに 12 時間設定されます。 ほとんどの画像は 6 時間以内に完全に処理できますが、大きな標本 (アゲハチョウ科、タテハチョウ科、サトゥルニ科など) の場合はさらに時間がかかります。 ここでは、非常に多様な試料条件の自動化の程度を最大化するために複数のアプローチが選択され、画像処理時間が数分から数時間に増加しました。 単純なアルゴリズムは効率的かもしれませんが、一般化することはできません。 より高速だがより単純な条件では、手動で処理する必要がある外れ値の数が増加し、最終的には高スループット状況での計算に費やす時間と人的労力よりも多くの時間と人的労力を消費することになります。
各ユニットについて、標準の白黒基準が認識された後 (図 3b)、7 つの引き出し画像のセット (図 3a) が処理されます。 各標準の中心にある円形パッチの反射率は、すべての帯域について抽出できます(頻繁なイメージングの副産物として、より簡単に歪んだり、誤って汚染されたりする可能性があるマージンを回避します)(図 3b)。 画像化されたピクセル強度を校正用標準の既知の反射率値と比較することで、画像内のすべてのピクセル13、30(図3c)を、ベンダーが提供する標準参照の反射率を使用して再スケーリングおよび校正できます(補足情報)。 値は標準ごとにわずかに異なる場合があるため、最初のベースラインを提供するには、それぞれを個別に測定する必要があります。 引き出し画像上のスケールは、与えられた同じスケールの参照画像との局所特徴マッチングにより自動的に認識されます。 2 つの画像 (参照画像と描画画像) から特徴点を抽出でき、一致する点は、スケール不変特徴変換 (SIFT) の高度なバージョンである高速ロバスト特徴量 (SURF) 記述子 43 によって特定されます。 。 さらに従来の画像処理手順(浸食、膨張、オブジェクト フィルタリングなど)を検出したスケールに適用して、1 センチメートルで表されるピクセル数を導き出します(図 3b)。
残りの各バンドの後処理は次のとおりです。RGB ベイヤー フィルターの重複しないモザイク設計により、民生用一眼レフ カメラには赤および青の光受容体よりも緑の受容体の方が多くなります 13、30、45。 したがって、RGB 光が低い環境下では、緑のセンサーで受信した信号が欠落している色の値を推定するために使用される可能性が高く、これにより赤と青のセンサーで検出された不十分な信号が補われます。 この現象は UV 画像に現れたため、UV 画像がキャリブレーションされるたびに緑のチャネルが除外されました。 カメラの青色センサーの検出スペクトル範囲からそれほど遠くない NIR (740 nm) の場合、カメラの青色センサーは依然として微小なスペクトルを検出できる可能性があるため、青色チャネルは NIR (740 nm) の製品の導出に含まれていませんでした。 NIR 信号が発生するため、ノイズが発生します。 対照的に、fNIR (940 nm) は青色センサーの検出からより遠いため、通常の RGB キャリブレーションが適用されました。 すべての RGB チャネルの蛍光について、UVF 画像と UV 画像の間の反射率の差を計算しました (UVF から UV が差し引かれます)。 この場合、UV 画像の緑色チャネルを回避しませんでした。そうでないと、緑色蛍光の適切な強度値が得られなかったでしょう。 私たちのアプローチによって定量化された蛍光は、同様のアプローチを使用して測定された物体とのみ比較されるべきです。 蛍光および一部の波長帯域 (UV や偏光など) は通常、他の波長に比べて暗いため、この文書に示されている画像は人間の視認性を高めるために調整されています。
当社では、コスト効率と使いやすさを考慮してイメージング システムに従来のレンズを使用していますが、このようなレンズは、通常は画像の境界に向かって空間的および光学的に歪みが発生する傾向があります。 私たちのイメージングシステムによって取得された測定値のこれらの歪みの大きさを定量化するために、30のスケールバーが異なる高さで固定され(固定高さの極端な変動をシミュレートするため)、イメージングプラットフォーム上に広げられました(図7a、b)。 列と行ごとに異なるピン留めの高さが含まれていますが、その結果、四隅のスケール バーはすべてピンの上部近くにありました。 次に、RGB 画像 (図 7b) が画像処理パイプラインで分析されました。 各スケール バーについて、イメージング プラットフォーム上の位置と 1 センチメートルを示す平均ピクセル数が記録されました。
私たちのアプローチは鱗翅目の高い多様性に対応するように設計されているため、多様な羽の形状を持つ標本を一緒に画像化することができます(図3)。 各標本の大まかな位置は fNIR 画像に従って決定され、4 つのエッジすべてに緩衝ゾーンを含めた長方形の境界ボックスが生成されます (標本の上端までの高さ 1/5、下端までの高さ 1/15、1/1)。左右の境界までの幅 /20)。 標本は対応する境界ボックスに従って切り取られ(図3d)、イメージングプラットフォーム上の困難なターゲット(足や触角、落ちた鱗によって形成された汚れなど)は、切り抜きアルゴリズムによって自動的に除外されます。 この機能は小さな標本を誤って取り除いてしまう可能性があるため、しきい値は撮像プラットフォーム上で撮像する最小標本サイズに応じて手動で指定されるように設計されています。 このステップを自動化する努力は実現できませんでした。 フィルタリング手順が自動化されている場合、大きな標本と小さな標本が一緒に撮影されるときに、小さな標本は非標本オブジェクトとして自動的にフィルタリングされます。 たとえば、落ちたアゲハ科の体の一部のサイズは、1 つの羽が欠けた小さなシジミ科のサイズと同じくらい大きくなる可能性があり、前者をフィルターで除外し、後者を保持したいと考えるでしょう。
画像の背景から標本を選択的に切り取る背景の除去はセグメンテーション プロセスの一部であり、多くの手順が必要となるため、ここでは手順の大まかな概要のみを説明します。 反射率の強度は種ごとに異なるため、多様な鱗翅目を扱うために、k 平均法クラスタリング 28,46、ガウス フィルタリング 29,47、およびアクティブ コンタリング 48,49 の 3 つのセグメンテーション技術に基づくコンセンサス アプローチが使用されました。 K 平均法クラスタリング手法は、1 つの NIR バンドと 2 つの fNIR バンドで構成される擬似カラー RGB イメージを 5 つのクラスター (k = 5) に分割します。 次に、背景の色と位置が特定され、残りの領域が標本としてラベル付けされます。 ガウス フィルター技術は、画像全体にガウス フィルターを使用して、標本の境界と背景の間の高いコントラストを維持しながら標本内の比較的小さな変化を滑らかにし、従来のセグメンテーション技術を容易にします。 アクティブ輪郭技術 (別名スネーク) も、最初に指定した領域からオブジェクトの境界に向かって反復的に成長させることで、標本の客観的な輪郭を見つけるために適用されました (図 9a)。
触角と腹部は、セグメンテーションの段階で、特にセグメント化される他の身体部分と重なったり接触したりする場合に、追加の注意が必要になる場合があります。 腹部の下から脚が伸びていると、後翅の正確なトリミングが妨げられる可能性があります。 単純な画像浸食 (いくつかの基本的なロジックによる演繹) を使用して、前翅の前縁に接触する触角は、前翅の形状を損なうことなく可能な限り保存されます。 ただし、他の体の部分と交差する脚は、後翅の形状を維持するために自動的に削除されます。 まれに、標本を背景から一括して切り出すことができなかった場合、または標本マスクの作成プロセスで重大なエラーが発生した場合に、長方形の境界マスクがプレースホルダ マスクとして生成されることがありました。 詳細な例と説明は補足情報にあります。
標本バーコードは、標本画像セット(背側と腹側)のファイル名として使用されました。 すべての画像名と画像化された標本の情報を含むデータセット(CSV 形式)は、手動で生成できますが、画像処理段階で必要でした(補足情報でプロトコルを見つけてください)。 それ以外の場合は、標本画像のセットに名前を付けるために一時的なバーコード (「Tmp-1」や「Tmp-2」など) が自動的に割り当てられました。
体の大きさ、体長、胸部の幅に関する情報は、4つの翼を仮想的に除去した後に測定されます(図1f)。 アンテナについては、一連の測定値が開発されました(図1f)。湾曲したアンテナマスクに沿って追跡された経路の長さはアンテナの長さに対応します。 アンテナの平均幅は、アンテナのマスク領域をその長さで割った値から求めることができます。 触角の湾曲は、触角の長さを先端と基部の間の直線距離で割ったものとして計算されます。 アンテナバルブのサイズは、アンテナの先端の幅から求めることもできます。 これらの形態は壊れたアンテナについても定量化されたため、触角の特性を適用する際には、壊れたアンテナのデータを手動または体系的に慎重にフィルタリングする必要があります。 異なる個体間でこの特性を合理的に比較するには、触角球のサイズと触角全体の幅の比率を意味のある比較可能な定量化として使用することをお勧めします。
N ピクセルの一般的な浸食 (アルゴリズム的に標本のサイズによってスケーリングされます。画像化された標本では高周波値は 5 です) が最初に適用され、髪の毛や付着物 (結晶化した化学薬品や大きなものなど) によって作成された小さなシルエットの特徴が除去されました。粉塵)。 次に、標本マスクの輪郭が楕円フーリエ解析 50 によって周波数領域に投影され、上位 5 つの高調波を使用して後翅の大まかな形状が再構築されます。 これらの再構成された翼領域から拡張された領域は尾として定義されます(図4c)。 これらの独立した領域の形態(長さと曲率)は、翼グリッドシステムに従ってさらに定量化および記録できます(図4c)。
パイプラインには、検査と手動修正が可能な場合に、合計 5 つの潜在的なポイントがあります。(1) 境界ボックス。 (2) 検体マスク。 (3) 前翅と後翅の分割。 (4) 主要なランドマークの特定。 (5) 翼グリッドの適用。 検査用の画像を生成するモジュールは画像処理パイプラインに組み込まれているため、これらの画像は指定された結果ディレクトリで簡単に見つけることができます。 ローカル コンピューター用の手動補正ツールのほとんどは、市販のペイント ソフトウェア (Adobe Photoshop など) を必要とする標本のマスク補正と、前翅と後翅のセグメンテーション タスク (Python で書かれた) を除いて、MATLAB で作成されています。 手動で修正された情報でクラスター上のデータセットを更新するための、対応するスクリプトも準備されています。
多くのビジュアライゼーションは、画像処理パイプライン内で自動的に生成されます。 ただし、一部の種は特殊な翼のサイズと形状を持っているため、より適切に視覚化するには、さらにカスタマイズされた設定が必要になる場合があります。 カスタマイズされた翼の形状と尾翼の視覚化のために開発されたスクリプトも提供されます (補足情報)。
初期記述データのデータ構造、処理済みデータおよびグループ概要マトリックスは、補足情報に記載されています。
補足情報で提供される生データを使用してパイプラインに従うことにより、すべての中間製品と最終製品を容易に再現できます。 図と図の凡例には、サンプルサイズ、標本と種の数、および適用された統計的アプローチが示されています。
研究デザインの詳細については、この記事にリンクされている Nature Portfolio Reporting Summary を参照してください。
現在の研究中に生成および/または分析されたデータセットは、DryAd (https://doi.org/10.5061/dryad.37pvmcvp5) で入手できます51。
詳細なステップバイステップの手順は、いくつかの重要な手順のチュートリアルビデオとともに Protocols.io に文書化されています。 すべてのソース コードは GitHub で提供されます。 詳細については、補足情報を参照してください。
マンダル、J.ら。 階層的多孔質ポリマーコーティングにより、高効率の受動的日中放射冷却を実現します。 サイエンス 362、315–319 (2018)。
論文 CAS PubMed Google Scholar
Mazo-Vargas, A. et al. WntA 機能のマクロ進化による変化は、蝶の翅のパターンの多様性を強化します。 手順国立アカデミー。 科学。 USA 114、10701–10706 (2017)。
論文 CAS PubMed PubMed Central Google Scholar
ミシガン州オソツィら。 蝶の羽のアーキテクチャは、センサーとエネルギーのアプリケーションにインスピレーションを与えます。 国立科学。 改訂 8、nwaa107 (2021)。
論文 CAS PubMed Google Scholar
リード、RD et al. optix は、蝶の羽のパターン模倣の反復的な収束進化を推進します。 サイエンス 333、1137–1141 (2011)。
論文 CAS PubMed Google Scholar
Shi、NNら。 涼しさを保つ:サハラギンアリの光反射と放射熱放散が強化されます。 サイエンス 349、298–301 (2015)。
論文 CAS PubMed Google Scholar
ポメランツ、AF et al. ハヤカゲ蝶の透明性の発生、細胞、生化学的基礎。 J.Exp. バイオル。 224、https://doi.org/10.1242/jeb.237917 (2021)。
Hegedus , M. 、DeVries , P. & Penz , CM 蝶アゲハ (鱗翅目: アゲハチョウ科) の羽の形状の進化に対する擬態の影響。 アン。 昆虫学会午前。 112、33–43 (2019)。
記事 Google Scholar
Le Roy、C. et al. モルフォ蝶の飛行の適応進化。 サイエンス 374、1158–1162 (2021)。
論文 PubMed Google Scholar
Owens, HL、Lewis, DS、Condmine, FL、kawahara, AY & Guralnick, RP アゲハチョウの翅の形状と大きさの比較系統学は、後翅と前翅が独立して進化したことを示しています。 システム。 バイオル。 69、813–819 (2020)。
論文 CAS PubMed Google Scholar
Zhang, L.、Mazo-Vargas, A. & Reed, RD 単一のマスター調節遺伝子が蝶の色と虹色の進化と発達を調整します。 手順国立アカデミー。 科学。 USA 114、10707–10712 (2017)。
論文 CAS PubMed PubMed Central Google Scholar
Cespedes, A.、Penz、CM & DeVries、PJ 熱帯雨林の床を巡航: 蝶の羽の形状の進化と地面効果での滑空。 J.アニム. エコル。 84、808–816 (2015)。
論文 PubMed Google Scholar
今福正史、廣瀬裕子、竹内拓也 クリソゼフィルス蝶(鱗翅目、シジミチョウ科)の翅の色:雄による紫外線反射。 ズール。 科学。 19、175–183 (2002)。
記事 Google Scholar
Stevens, M.、カリフォルニア州パラガ、IC カットヒル、JC パートリッジ & TS トロシアンコ デジタル写真を使用して動物の色彩を研究します。 バイオル。 J.リン。 社会 90、211–237 (2007)。
記事 Google Scholar
Wijnen、B.、Leertouwer、HL、Stavenga、DG ピリドチョウの羽の色とプテリン色素沈着。 J.昆虫生理学。 53、1206–1217 (2007)。
論文 CAS PubMed Google Scholar
Wilts、BD、Pirih、P.、Stavenga、DG 虹色のピリドチョウの羽のスペクトル反射率特性。 J.コンプ。 生理。 ニューロエソール。 感覚神経行動。 生理。 197、693–702 (2011)。
記事 PubMed PubMed Central Google Scholar
ボラー、DJ、トリプルホーン、カリフォルニア州 & ジョンソン、ノースカロライナ州 昆虫の研究への入門書。 (サンダース大学出版、1989)。
McKenna、KZ、Kudla、AM、Nijhout、HF 鱗翅目翼の前後パターン。 フロント。 エコル。 エボリューション 8、146 (2020)。
記事 Google Scholar
マクミラン、WO、モンテイロ、A. & カパン、DD ウイングの開発と進化。 トレンドエコル。 『Evolution』17、125–133 (2002)。
記事 Google Scholar
ルイス、JJ 他古代の多面発現エンハンサーの並行進化が、蝶の羽のパターン模倣の根底にあります。 手順国立アカデミー。 科学。 USA 116、24174–24183 (2019)。
論文 CAS PubMed PubMed Central Google Scholar
マーティン、A.ら。 Wntリガンドの制御進化の繰り返しによる複雑な蝶の羽パターンの多様化。 手順国立アカデミー。 科学。 USA 109、12632–12637 (2012)。
論文 CAS PubMed PubMed Central Google Scholar
ニュージャージー州ナドー他遺伝子皮質は、蝶や蛾の擬態と暗号を制御します。 ネイチャー 534、106–110 (2016)。
論文 CAS PubMed PubMed Central Google Scholar
Patil, S. & Magdum, S. インド、グジャラート州ダンディスト産のアゲハチョウ科、タテハチョウ科、チョウ科に属する蝶の翅脈に関する洞察。 J.Entomol. ズール。 スタッド。 5、1596–1607 (2017)。
Google スカラー
Novelo, EG、Luis, MM & Cordero, C. メキシコ産のヘアストリーク蝶 (鱗翅目: Theclinae: Eumaeini) の雄と雌における偽の頭部の複雑さと捕食者の攻撃の証拠。 PeerJ 7、e7143–e7143 (2019)。
記事 Google Scholar
Robbins, RK 「偽の頭」仮説: シジミチョウの捕食と羽のパターンの変化。 午前。 ナチュラリスト 118、770–775 (1981)。
記事 Google Scholar
Betts, C. & Wootton, R. 蝶 (鱗翅目: アゲハ上科とヘスペリオ上科) の羽の形状と飛行行動: 予備分析。 J.Exp. バイオル。 138、271–288 (1988)。
記事 Google Scholar
Le Roy, C.、Debat, V. & Llaurens, V. 蝶の羽の形状の適応進化: 形態から行動まで。 バイオル。 改訂 94、1261–1281 (2019)。
PubMed Google Scholar
Maia, R.、Gruson, H.、Endler, JA & White, TE pavo 2: R. Methods Ecol. の色のスペクトルおよび空間分析のための新しいツール。 進化。 10、1097–1107 (2019)。
記事 Google Scholar
ヴァン・ベレゲム、SM 他 patternize: カラーパターンのバリエーションを定量化するための R パッケージ。 方法 Ecol. 進化。 9、390–398 (2018)。
論文 PubMed Google Scholar
van den Berg, CP、Troscianko, J.、Endler, JA、Marshall, NJ、Cheney, KL 定量的カラーパターン分析 (QCPA): 自然界のカラーパターンを分析するための包括的なフレームワーク。 方法 Ecol. エボリューション 11、316–332 (2020)。
記事 Google Scholar
Troscianko, J. & Stevens, M. 画像キャリブレーションおよび分析ツールボックス - 反射率、色、パターンを客観的に測定するための無料ソフトウェア スイート。 方法 Ecol. 進化。 6、1320–1331 (2015)。
記事 PubMed PubMed Central Google Scholar
Coffin、D. dcraw v9.28、https://www.dechifro.org/dcraw/ (2018)。
ウー、S.ら。 人工知能は昆虫の色の多様性に対する環境の制約を明らかにします。 ナット。 共通。 10、4554 (2019)。
記事 PubMed PubMed Central Google Scholar
Pirih, P.、Wilts, BD & Stavenga, DG オスのピリドチョウの虹色の羽の空間反射パターン: 湾曲した鱗は平らな鱗よりも広い角度で反射します。 J.コンプ。 生理。 ニューロエソール。 感覚神経行動。 生理。 197、987–997 (2011)。
記事 PubMed PubMed Central Google Scholar
Breuker, CJ、Gibbs, M.、Van Dongen, S.、Mercx, T. & Van Dyck, H.、非形態計測家のための形態計測学 271–287 (Springer、2010)。
バイビー、SM 他ヘリコニアス蝶の UV 光受容体と UV 黄色の翅色素により、色信号は擬態と種内コミュニケーションの両方に役立ちます。 午前。 ナチュラリスト 179、38–51 (2012)。
記事 Google Scholar
Blagoderov, V.、Kitching, IJ、Livermore, L.、Simonsen, TJ & Smith, VS 標本を残さない: 自然史コレクションの産業規模のデジタル化。 ZooKeys、133 (2012)。
Flemons, P. & Berents, P. 昆虫学コレクションの画像ベースのデジタル化: ボランティアを活用してデジタル化能力を向上させます。 ズーキーズ、203–217、(2012)。
Faulwetter, S.、Vasileiadou, A.、Kouratoras, M.、Dailianis, T. & Arvanitidis, C. マイクロコンピュータ断層撮影法: 分類学に新しい次元を導入します。 ZooKeys、1 (2013)。
Metallo, A. & Rossi, V. 3 次元イメージングと博物館アプリケーションの未来。 キュレーター: Mus. J. 54, 63–69 (2011)。
記事 Google Scholar
メディナ、JJ 他 3D 写真測量を使用して博物館標本をデジタル化するための、迅速かつコスト効率の高いパイプライン。 PLoS ONE 15、e0236417 (2020)。
論文 CAS PubMed PubMed Central Google Scholar
Lürig, MD、Donoughe, S.、Svensson, EI、Porto, A. & Tsuboi, M. コンピューター ビジョン、機械学習、生態学と進化生物学におけるフェノミクスの可能性。 フロント。 エコル。 エボリューション 9、148 (2021)。
記事 Google Scholar
Bitter, R.、Mohiuddin, T.、Nawrocki, M. LabVIEW™ 高度なプログラミング技術。 (CRCプレス、2017年)。
Bay, H.、Ess, A.、Tuytelaars, T.、Van Gool, L. SURF の高速化された堅牢な機能 Computer Vision and Image Understanding (CVIU)。 (2008年)。
Lowe、DG、コンピュータ ビジョンに関する第 7 回 IEEE 国際会議の議事録。 1150 – 1157 (いいえ)。
Gunturk, BK、Altunbasak, Y. & Mersereau, RM 交互投影を使用したカラー プレーン補間。 IEEEトランス。 画像処理。 11、997–1013 (2002)。
論文 PubMed Google Scholar
Arthur, D. & Vassilvitskii, S. k-means++: The Advantages of Careful Seeding、SODA'07 離散アルゴリズムに関する第 18 回年次 ACM-SIAM シンポジウムの議事録、ルイジアナ州ニューオーリンズ、2007 年。 edu/~sergei/papers/kMeansPP-soda.pdf、1027–1035。
1993 年の IEEE 会議での Deng, G. & Cahill, L. の核科学シンポジウムと医用画像会議の記録。 1615 ~ 1619 年 (IEEE)。
Caselles, V.、Kimmel, R. & Sapiro, G. 測地線アクティブ コンター。 内部。 J. コンピュータ視覚。 22、61–79 (1997)。
記事 Google Scholar
Chan、TF & Vese、LA エッジのないアクティブな輪郭。 IEEEトランス。 画像処理。 10、266–277 (2001)。
論文 CAS PubMed Google Scholar
Crampton, JS 二枚貝化石の楕円フーリエ形状解析: いくつかの実践的な考慮事項。 Lethaia 28、179–186 (1995)。
記事 Google Scholar
チャン、W.-P. et al.、博物館標本用の高スループットマルチスペクトルイメージングシステム、Dryad、Dataset。 https://doi.org/10.5061/dryad.37pvmcvp5 (2022)。
リファレンスをダウンロードする
前羽と後羽の手動セグメンテーションのためのツールを開発した際に、ソース コードを共有し、アドバイスをくれた Chen-Ming Yang に感謝します。 すべてのパイプラインとスクリプトをテストしてくれた Zoe Flores。 Josh Sanes 氏、ハーバード大学脳科学センターを通じてアドバイスと励ましをいただきました。 データ入力に適した人材を特定し、適切な命名法を決定する際のアドバイスと支援を求めた David Lohman 氏。 イメージング システムの初期開発に協力してくれた Joel Greenwood に感謝します。 Sarah Maunsell、Jalen Winstanley、Amy Wu、Even Dankowicz、Clayton Ziemke、Christian Alessandro Perez、Ling Fang、Avalon Owens、Zhengyang Wang、Cong Liu、Katherine Angier、Evan Hoki、Francisco Matos、Beaziel Ombajen、Zoe Flores、Jocelyn Wang に感謝します。 、Han-Ting Yang、Jingqian Wang、Jiale Chen、Annina Kennedy-Yoon、Atreyi Mukherji が、検査と手動修正のためのさまざまなプロトコルとツールのテストと最適化を支援してくれました。 W-PC は、ハーバード大学有機進化生物学部の大学院生フェローシップによって支援されました。 SA はハーバード大学からの Herchel-Smith 助成金によって支援されました。 RARC は米国科学財団 (NSF) の大学院研究フェローシップ (GRFP) によって支援され、C-CT はコロンビア大学応用物理数学学部の大学院フェローシップによって支援されました。 この研究は、ニューヨーク州の空軍科学研究局 FA9550-14-1-0389 (学際的大学研究イニシアチブ) および FA9550-16-1-0322 (国防大学研究機器プログラム)、および NSF PHY-1411445 によって支援されました。 NY と NSF PHY-1411123 から NEP へ、NSF DEB-0447242 から NEP へ。 比較動物博物館のウェットモア コーズ基金からのオープンアクセスの助成金を受けて出版されました。
これらの著者は同様に貢献しました: Wei-Ping Chan、Richard Rabideau Childers、Sorcha Ashe。
ハーバード大学有機進化生物学部、ケンブリッジ、マサチューセッツ州、米国
ウェイピン・チャン、リチャード・ラビドー・チルダース、ソーチャ・アッシュ、キャロライン・エルソン、ナオミ・E・ピアース
比較動物学博物館、ハーバード大学、ケンブリッジ、マサチューセッツ州、米国
ウェイピン・チャン、リチャード・ラビドー・チルダース、レイチェル・L・ホーキンス・サイプ、クリスタル・A・マイヤー、ナオミ・E・ピアース
コロンビア大学応用物理学および応用数学学部、ニューヨーク州ニューヨーク州、米国
ツァイ・チェンチア&ユー・ナンファン
ノースカロライナ州立大学森林環境資源学部、ローリー、ノースカロライナ州、米国
キルスティン・J・ケレハー
米国ニューヨーク州イサカのコーネル大学神経生物学および行動学部
キルスティン・J・ケレハー
マクガイア鱗翅目生物多様性センター、フロリダ自然史博物館、フロリダ大学、ゲインズビル、フロリダ州、米国
アンドレイ・ソウラコフ
米国コネチカット州ニューヘイブン、イェール大学ピーボディ自然史博物館コンピュータ システム オフィスおよび昆虫学部門
ローレンス・F・ガル
米国ワシントン州シアトルのワシントン大学電気コンピュータ工学科
ゲイリー・D・バーナード
ハーバード大学脳科学センター、ケンブリッジ、マサチューセッツ州、米国
エドワード・R・スーシー
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
PubMed Google Scholar でこの著者を検索することもできます
概念化: RRC、C.-CT、GDB、ERS、NY、NEP、データ収集: W.-PC、SA、CE、KJK、RRC、ERS、データキュレーション: RLHS、CAM、AS、LFG、ハードウェア開発: RRC 、ERS、ソフトウェア開発: W.-PC、形式分析: W.-PC、視覚化: W.-PC、検証: W.-PC、SA、執筆 - 原案: W.-PC、RRC、SA、NEP 、執筆—レビューと編集: すべての著者
ウェイピン・チャンまたはナオミ・E・ピアースとの通信。
著者らは競合する利害関係を宣言していません。
Communications Biology は、この研究の査読に貢献してくれた Bodo Wilts と他の匿名の査読者に感謝します。 主な編集者: Veronique van den Berghe と Luke R. Grinham。 査読者レポートが利用可能です。
発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。
オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。
転載と許可
Chan, WP.、Rabideau Childers, R.、Ashe, S. 他博物館標本用の高スループット マルチスペクトル イメージング システム。 Commun Biol 5、1318 (2022)。 https://doi.org/10.1038/s42003-022-04282-z
引用をダウンロード
受信日: 2022 年 8 月 4 日
受理日: 2022 年 11 月 18 日
公開日: 2022 年 12 月 1 日
DOI: https://doi.org/10.1038/s42003-022-04282-z
次のリンクを共有すると、誰でもこのコンテンツを読むことができます。
申し訳ございませんが、現在この記事の共有リンクは利用できません。
Springer Nature SharedIt コンテンツ共有イニシアチブによって提供
コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。