全网络基因的集成深度学习和统计框架--环境与叶维管结构的关联

arXiv:2607.22763v1 公告类型：新 摘要：叶脉在结构和图案方面表现出显着的多样性，但现有的基因-环境关联研究主要使用一小部分低维汇总性状来量化叶脉，从而丢弃了原始图像中包含的大部分结构信息。我们提出了一个集成的深度学习和统计框架。所提出的框架实现了四项方法上的进步。首先，它将完整的叶血管结构表示为全网络图像表型。其次，它对基于深度学习的 Transformers 边缘检测 (EDTER) 模型进行微调，通过联合学习局部和全局上下文特征，从 RGB 图像中准确提取全网络叶子血管结构。第三，它通过将 DiffusionEdge 生成的边缘图与 Berkeley Segmentation Database (BSDS500) 集成，构建了一个新的带注释的叶子图像数据库。第四，它应用半参数稀疏典型相关分析（SSCCA）来执行重复测量的高维双变量图像响应和高维预测变量之间的变量选择和模型关联，同时通过截断的潜在高斯联结模型容纳由边缘图表示的稀疏、零膨胀数据。两项模拟研究证明了所提出的框架在复杂性不断增加的情况下的性能。应用到真实的 \emph{Populus} 数据集，确定了与叶维管结构相关的三个重要的基因-地理相互作用，提供了新的生物学见解，并为高维复杂图像表型建立了广泛适用的方法框架。