Piattaforma di analisi fenotipica di piante ad alta portata PlantScreen (versione a nastro trasportatore) (II)

10.Analisi di imaging del sistema radicale

·Tecnologia della finestra radice RhizoTron, analisi dell'immagine completamente automatica, con finestra radice 44x29.5x5.8cm (altezza x larghezza x spessore)

·Può essere effettuata l'analisi dell'immagine non solo del sistema radicolare, ma anche delle piantine a terra (shoot) con un'altezza massima di 50 cm

·Sensore CMOS di nuova generazione, risoluzione 12.3MP

·Fonte di luce LED uniforme

·Sistema di irrigazione a 3 strati (superiore, centrale e inferiore) con sistema di irrigazione radicale (opzionale), 3 serbatoi di acqua in funzione indipendentemente

·I parametri di misura includono: profondità (o altezza) della radice, larghezza della corona, rapporto altezza-larghezza, area della corona, rigidità della corona, lunghezza totale del sistema radicolare, simmetria assiale, numero di punte radicolari, numero di nodi radicolari, ecc.

11.Unità di irrigazione e pesatura automatica

·Parametri di misura: peso effettivo, volume di irrigazione, peso finale, peso relativo di ogni vaso

·Istruzioni di funzionamento: versare la stessa quantità di acqua (grammi assoluti o percentuale del peso effettivo) in ogni vaso; mantenere il peso relativo; Personalizzare la quantità di irrigazione per ogni vaso per simulare le diverse forze di siccità o inondazioni; Zero calibrazione automatica prima della pesatura e ricalibrazione automatica con oggetti di peso noto, ad esempio pesi

·L'irrigazione, la data e l'ora di ciascun vaso possono essere registrati separatamente per creare diversi gradienti di forza della siccità, e l'analisi può essere integrata senza problemi con i big data fenotipici dell'intero sistema

·Precisione del peso: piante di grandi dimensioni ± 2 g, piante di piccole dimensioni ± 0,2 g

·Unità di irrigazione: velocità di flusso 3L / min, l'altezza della porta di irrigazione può essere regolata automaticamente avanti e indietro per garantire la posizione di irrigazione migliore

12.Sistema di trasporto automatico delle piante

·Dimensioni della pianta di trasporto: fino a 200 cm secondo le esigenze del cliente

·Capacità della cintura trasportatrice: 50 vasi di piante (1000 piante di piccole dimensioni), può espandere la capacità di 100 vasi, 200 vasi, 400 vasi, ecc. Il flusso di analisi fenotipica dipende da un protocollo diverso. L'analisi fenotipica del campione di pianta caricato in tutto il sistema può essere completata in 100 minuti e trasmessa casualmente alla camera per l'analisi dell'immagine e l'irrigazione casuale

·Vaso: materiale polipropilene anti-UV, vaso standard 5L (calibro 24 cm), applicabile tramite adattatore vaso 3L, ruotabile a 360 gradi

·Disponibilità di un anello di carico manuale per l'analisi manuale del campione in modalità standby del sistema, l'analisi di esperimenti di gruppo, ecc.

·Dotato di sistema di misurazione e monitoraggio dell'altezza dell'impianto laser e sistema di posizionamento laser

·Canale trasportatore circolare: Motore asincrono trifase con cambio, potenza di 200-1000W, carico massimo di 500kg, velocità di 150mm/s, materiale del nastro trasportatore realizzato in PVC resistente ai raggi UV e altamente durevole

·Sistema di controllo mobile: unità di elaborazione centrale CJ2M-CPU33; Ingresso/uscita digitale massimo di 2560 punti; l'unità di ingresso/uscita massima è 40; Sensore di temperatura Pt1000, Pt100，PTC； Comunicazione PLC 100Mbps Ethernet; OMRON MECHATROLINK-II posizionamento preciso massimo a 16 assi

·I tag RFID e il sistema di identificazione dell'impianto QR leggono automaticamente il codice bidimensionale su ogni vassoio del campione; distanza di identificazione 2-20cm; Comunicazione RS485; Può leggere codici 1D, 2D e QR; Dotato di sorgente luminosa LED per una facile identificazione in condizioni di scarsa illuminazione

·Sensori di monitoraggio ambientale: sensori di temperatura e umidità, sensori di radiazione fotosinteticamente attivi PAR

·Il sistema di controllo principale regola automaticamente il tempo di misura, la sequenza di misura, i parametri di misura, il tempo di irrigazione e la quantità di irrigazione di ogni vassoio del campione. L'intero processo di operazione del campione dall'unità di misura alla stanza di coltura può essere completamente controllato automaticamente e tutto il lavoro di misura sperimentale può essere completato secondo il programma preimpostato senza supervisione umana.

13.Piattaforma big data per fenotipo principale di controllo

·Composizione: Server di controllo e pianificazione, server di applicazione client, server dati, controller logico programmabile e software di analisi professionale, con una capacità dati di 12TB

·Funzione automatica di controllo e analisi: Ha programmi di misura automatici definiti dall'utente e modificabili (protocolli), che completano automaticamente tutti gli esperimenti secondo il programma impostato dall'utente. I risultati dei dati vengono memorizzati e analizzati automaticamente e i risultati dei dati analizzati possono essere visualizzati automaticamente sotto forma di curve dinamiche.

·Sistema di gestione database MySQL, in grado di gestire database di grandi dimensioni con milioni di record, supporta più motori di archiviazione e memorizza automaticamente i dati rilevanti in diverse tabelle del database

·Funzione di registrazione del codice dell'impianto: compresa la memorizzazione dei codici identificativi dell'impianto, dei codici identificativi del vassoio, ecc. nel database, estrazione e lettura automatica dei codici a barre o dei tag RFID durante la misurazione

·Interfaccia di funzionamento touch screen, visualizzazione online della quantità del vassoio dell'impianto, dell'intensità della luce, dello stato e dei risultati di analisi e misurazione, ecc., controlla facilmente e completamente tutti i componenti meccanici e le stazioni di lavoro di imaging attraverso il software

·Possibilità di eseguire tutte le misurazioni con il programma predefinito o di creare processi di lavoro personalizzati tramite gli strumenti di sviluppo, oppure di attivare o spegnere manualmente la sorgente LED, l'imaging RGB, l'imaging fluorescente a clorofilo, l'imaging ad alto spettro, l'imaging termica a infrarossi, la scansione laser 3D, la pesatura e l'irrigazione, ecc.

·Modulo di monitoraggio delle foglie per monitorare continuamente la crescita, il cambiamento e altro ancora

·Tecnologia di proiezione 3D, che può costruire un modello 3D attraverso obiettivi RGB ad alta risoluzione o scansione laser, attraverso la tecnologia di proiezione, i dati ottenuti da altri sensori come fluorescenza clorofilica, dati di temperatura di imaging termica a infrarossi, dati a infrarossi vicini, dati ad alto spettro, ecc. vengono proiettati sul modello 3D per l'analisi comparativa, ecc.

·Consente agli utenti di accedere in remoto tramite Internet per elaborare i dati, scaricare e modificare la progettazione degli esperimenti

·Tutti i dati misurati sono trasparenti e rintracciabili

·Classificazione degli autorizzazioni utente per evitare che gli esperimenti siano influenzati da errori da altri

·Troubleshooting remoto del produttore, aggiornamento gratuito del software per tutta la vita

Standard di esecuzione:

·Certificazione CE

·CSN EN 60529 Classe di protezione

·CSN 33 01 65 Norme di riconoscimento del lato del conduttore

·CSN 33 2000-3 Caratteristiche di base

·CSN 33 2000-4-41ed.2 Norme di protezione dagli urti elettrici

·CSN 33 2000-4-43 Norme di protezione contro il sovraccarico di alimentazione

·CSN 33 2000-5-51ed.2 Norme generali

·CSN 33 2000-5-523 Norme correnti ammesse

·CSN 33 2000-5-54ed.2 Norme per la messa a terra e la protezione dei conduttori

·CSN EN 55011 Ambito e metodi di misura delle interferenze elettromagnetiche per apparecchiature industriali, scientifiche e mediche

·Direttiva 2006/42/CE sulle macchine

·73/23/EEG sulla bassa tensione

·Direttiva 2004/108/CE sulla compatibilità elettromagnetica

Attenzione: alcuni riferimenti

1.M. Sorrentino, G. Colla, Y. Rouphaelouphael, K. Panzarová, M. Trtílek. 2020. Lettuce reaction reaction to drought stress: automated high-throughput phenotyping of plant growth and photosynthetic performance. ISHS Acta Horticulturae 1268.

2.Adhikari, P., Adhikari, T. B., Louws, F.F. J., & Panthee, D. R. 2020. Advances and Challenges in Bacterial Spot Resistance Breeding in Tomato (Solanum lycopersicum L.). International Journal of Molecular Sciences, 21(5), 1734.

3.Yang, W., Feng, H., Zhang, X., Zhang, J., Doonan, J. H., Et Al. 2020. Crop Phenomics and High-throughput Phenotyping: Past Decades, Current rent Challenges and Future Perspectives. Molecular Plant, 13(2), 187-214

4.Husičková, A., Humplík, J. F., Hýbl, M.,M., Spíchal, L., & Lazár, D. 2019. Analysis of Cold-Developed vs. Cold-Acclimated Leaves Reveals Various Strategies of Cold Acclimation of Field Pea Cultivars. Remote Sensing, 11(24), 2964

5.Singh, A.K., Yadav, B.S., Dhanapal, S., Berliner, M., Finkelshtein, A., Chamovitz, D.A. 2019. CSN5A Subunit of COP9 Signalosome Temporally Buffers Response to Heat inArabidopsisBiomolecules 2019, 9, ottocentacinque

6.Janečková, H., Husičková, A., Lazár, D., Ferretti, U., Pospíšil, P., &Špundová, M. 2019. Exogenous application of cytokinin during dark senescence eliminates the acceleration of photosystem II impairment caused by chlorophyll b deficiency in barley. Plant Physiology and Biochemistry, 136, 43–51

7.Marchetti, C. F., Ugena, L., Humplík, J. F., Polák, M., et al. 2019. A Novel Image-Based Screening Method to Study Water-Deficit Response and Recovery of Barley Populations Using Canopy Dynamics Phenotyping and Simple Metabolite Profiling. Frontiers in Plant Science, 10, 1252.

8.Rungrat T., Almonte A. A., Cheng R.,R., et al. 2019. A Genome-Wide Association Study of Non-Photochemical Quenching in response to local seasonal climates inArabidopsis thaliana, Plant Direct, 3(5), e00138

9.Pavicic M,et al.2019. Lo schermo di germinazione invitro ad alto rendimento ha identificato il nuovo RING reattivo ABA‑type ubiquitin E3 ligases inArabidopsis thalianaCellule vegetali, Tissue and Organ Culture 139: 563-575

10.Wen Z., et al. 2019. Chlorophyll fluorescence imaging for monitoring effects ofHeterobasidion parviporumsmall secreted protein induced cell death andin plantadefense gene expression. Fungal Genetics and Biology 126: 37-49

11.Gao G., Tester M. A., Julkowska M. 2019. The use of high throughput phenotyping for assessment of heat stress-induced changes inArabidopsis. Biorvix, 838102.

12.Paul K., Sorrentino M., Lucini L., Rouphaelouphael Y. F., Cardarelli M., Bonini P., Begona M., Reyeynaud H.E., Canaguier R., Trtílek M., PanzarováK., Colla G. 2019. A Combined Phenotypic and Metabolomic Approach for Elucidating the Biostimulant Action of a Plant-derived Protein Hydrolysate on Tomato Grown un under Limited Water Availability. Frontiers in Plant Science, 10:493

13.Wang L., Poque S., Valkonen J. P. T. 2019. Phenotyping viral infection in sweetpotato using a high-throughput chlorophyll fluorescence and thermal imaging platform. Plant Methods, 15, 116

14.Paul K, Sorrentino M, Lucini L, Rouphaelouphael Y, Cardarelli M, Bonini P, Reynaud H,H, Canaguier R, Trtílek M, PanzarováK, Colla G. 2019. Understanding the Biostimulant Action of Vegetal-Derived Protein Hydrolysates by High-Throughput Plant Phenotyping and Metabolomics: A Case Study on Tomato. Frontiers in Plant Science, 10:47.

15.Gonzalez-Bayon, R., Shen, Y., Groszman, M., Zhu, A., Wang, A., et al. 2019. Senescence and defense pathways contribute to heterosis. Plant Physiology, 180, 240–252.

16.Julkowska, M. M., Saade, S., Agarwal Al, G., Gao, G., Pailles, Y., et al. 2019. MVApp–Multivaria analysis application for streamlined data analysis and curation. Plant Physiology, 180, 1261–1276.

17.Ganguly D. R., Stone B. A B., Eichten S. E., Pogson B. J. 2019. Excess light priming inArabidopsis thalianagenotypes with altered DNA methylomes, G3: Genes, Genomes, Genetics, 9(11), 3611-3621

18.Ameztoy, K., Baslam, M., Sánchez-Lópeópez,Á. M., Muñoz, F. J., et al. 2019. Plant responses to fungal volatiles involve global post-translational thiol redox proteome changes that affect photosynthesis. Plant, Cell & Environment, 42(9), 2627-2644.

19.Adhikari N. D., Simko I., Mou B. 2019. Phenomic and Physiological Analysis of Salinity Effects on Lettuce. Sensors 19, 4814.

20.Ugena L, HýlováA, PodlešákováK,K, Humplík J.F., Doležal K, Diego N, Spíchal L. 2018. Characterization of Biostimulant Mode of Action Using Novel Multi-Trait High-Throughput Screening of ofArabidopsisGermination and Rosette Growth. Frontiers in Plant Science, 9:1327.

21.Lyu, J. I., Kim, J. H., Chu, H., Taylor, M.M. A., Jung, S., et al. 2018. Natural allelic variation of GVS1 confers diversity in the regulation of leaf senescence inArabidopsisNuovo fitologo, 221(4), 2320-2334

22.Ganguly D. R., Crisp P. A., Eichten S. R., et al. 2018. Maintenance of pre-existing DNA methylation states through recurring excess-light stress. Plant Cell and Environment. 41(7), 1657-1672.

23.Rouphael Y., Spíchal L., PanzarováK.,K., et al. 2018. High-throughput Plant Phenotypin ping for Developing Novel Biostimulants: From Lab to Field or FroFrom Field to Lab? Front. Plant Sci., 9:1197.

24.Coe R. A., Chatterjee J., Acebron K., et al. 2018. High-throughput chlorophyll fluorescence screening ofSetaria viridisfor mutants with altered CO₂compensation points. Functional Plant Biology. 45(10), 1017-1025

25.Fichman Y., Koncz Z., Reznik N., et al. 2018. SELENOPROTEIN O is a chloroplast protein involved in ROS scavenging and its absence increases dehydration tolerance in Arabidopsis thaliana. Plant Science. 41(7), 1657-1672

26.Sytar O., Zivcak M., Olsovska K., Brestic M. 2018. Perspectives in High-Throughput Phenotyping of Qualitative Traits at the Whole-Plant Level. In: Sengar R., Singh A. eds Eco-friendly Agro-biological Techniques for Enhancing Crop Productivity. Springer, Singapore, 213-243.

27.De Diego N., Fürst T., Humplík J. F., et al. 2017. An Automated Method for High-Throughput Screening of Arabidopsis Rosette Growth in Multi-Well Plates and Its Validation in Stress Conditions. Frontiers in Plant Science. 8.

28.Lobos G. A., Camargo A. V., del Pozo A., et al. 2017. Editorial: Plant Phenotyping and Phenomics for Plant Breeding. Front. Plant Sci. 8.

29.Pavicic M., Mouhu K., Wang F., et al. 2017. Genomic and Phenomic Screens for Flower Related RING Type Ubiquitin E3 Ligases in Arabidopsis. Frontiers in Plant Scienc. Volume 8.

30.Rungrat T., Awlia M., Brown M. et al. 2017. Monitoring Photosynthesis by In Vivo Chlorophyll Fluorescence: Application to High-Throughput Plant Phenotyping. The Arabidopsis Book 14: e0185. 2016

31.Simko I., Hayes R. J. and Furbank R. T. 2017. Non-destructive Phenotyping of Lettuce Plants in Early Stages of Development with Optical Sensors. Frontiers in Plant Science. 2016; 7:1985.

32.Sytar O., Brestic M., Zivcak M., et al. 2017. Applying hyperspectral imaging to explore natural plant diversity towards improving salt stress tolerance. In Science of The Total Environment, 578, 90-99.

33.Sytar O., BrückováK., Kovár M., et al. 2017. Nondestructive detection and biochemical quantification of buckwheat leaves using visible VIS and near-infrared NIR hyperspectral reflectanceimaging. Journal of Central European Agriculture. 184, 864-878

34.Tschiersch H., Junker A., Meyer R. C., & Altmann, T. 2017. Establishment of integrated protocols for automated high throughput kinetic chlorophyll fluorescence analyses. Plant Methods, 13, 54.

35.Weber J., Kunz, C., Peteinatos, G., et al. 2017. Utilization of Chlorophyll Fluorescence Imaging Technology to Detect Plant Injury by Herbicides in Sugar Beet and Soybean. Weed Technology, 1-13.

36.Awlia M., Nigro A., Fajkus J., Schmöckel S.M., Negrão S., Santelia D., Trtílek M., Tester M., Julkowska M.M. and PanzarováK. 2016: High-throughput non-destructive phenotyping of traits contributing to salinity tolerance in Arabidopsis thaliana. Submitted Frontiers in Plant Sciences.

37.Bell J. and Dee M. H. 2016. The subset-matched Jaccard index for evaluation of Segmentation for Plant Images. Front Plant Sci. 2016; 7: millenovecentottantacinque

38.Bell J. and Dee M. H. 2016. Watching plants grow–a position paper on computer vision and Arabidopsis thaliana. IET Computer Vision. Volume 11, Issue 2, March 2017, p. 113– 121.

39.Bush M.S., Pierrat O, Nibau C, et al.2016. eIF4A RNA Helicase Associates with Cyclin-Dependent Protein Kinase A in Proliferating Cells and is Modulated by Phosphorylation. Plant Physiol. 2016 Jul 7,

40.Cruz J. A., Savage L. J., Zegarac R., et al. 2016. Dynamic Environmental Photosynthetic Imaging Reveals Emergent Phenotypes. Cell Systems, Volume 2, Issue 6, 2016, Pages 365-377.

41.Sytar O., Brestic M., Zivcak M . 2016. Noninvasive Methods to Support Metabolomic Studies Targeted at Plant Phenolics for Food and Medicinal Use. Plant Omics: Trends and Applications.

42.Humplik J.F., Lazar D., Husickova A. and Spichal L. 2015: Automated phenotyping of plant shoots using imaging methods for analysis of plant stress responses–a review. Plant Methods 11:29.

43.Humplik J.F., Lazar D., Fürst, T., Husickova A., Hybl, M. and Spichal L. 2015: Automated integrative high-throughput phenotyping of plant shoots: a case study of the cold-tolerance of pea Pisum sativum L.. Plant Methods 19; 11:20.

44.Brown T.B., Cheng R., Sirault R.R., Rungrat T., Murray K.D., Trtilek M., Furbank R.T., Badger M., Pogson B.J., and Borevitz J.O. 2014: TraitCapture: genomic and environment modelling of plant phenomic data. Current Opinion in Plant Biology 18: pp. 73-79.

45.Mariam Awlia, et.al, 2016, High-Throughput Non-destructive Phenotyping of Traits that Contribute to Salinity Tolerance inArabidopsis thaliana, Frontiers in Plant Science, DOI: 10.3389/fpls.2016.01414

46.Ivan Simko, et.al, 2016, Phenomic approaches and tools for phytopathologists, Phytopathology, DOI: 10.1094/PHYTO-02-16-0082-RVW

47.Tepsuda Rungrat, et.al, 2016, Using Phenomic Analysis of Photosynthetic Function for Abiotic Stress Response Gene Discovery, The Arabidopsis Book 14: e0185, The American Society of Plant Biologists, DOI:http://dx.doi.org/10.1199/tab.0185

48.Jorge Marques da Silva, 2016, Monitoring Photosynthesis by In Vivo Chlorophyll Fluorescence: Application to High-Throughput Plant Phenotyping, Applied Photosynthesis - New Progress, Edition 1, Chapter 1, pp:3-22, DOI:http://dx.doi.org/10.5772/62391

49.Maxwell S. Bush, et.al, 2016, eIF4A RNA Helicase Associates with Cyclin-Dependent Protein Kinase A in Proliferating Cells and is Modulated by Phosphorylation. Plant Physiol., DOI: 10.1104/pp.16.00435

50.Ángela María Sánchez-López, et.al, 2016, Volatile compounds emitted by diverse phytopathogenic microorganisms promote plant growth and flowering through cytokinin action, Plant, Cell and Environment, DOI: 10.1111/pce.12759

51.Jan Humplík, et.al, 2015, Automated phenotyping of plant shoots using imaging methods for analysis of plant stress responses–a review, Plant Methods, 11: 29

52.Jan Humplík, et.al, 2015, Automated integrative high-throughput phenotyping of plant shoots: a case study of the cold-tolerance of peaPisum sativumL., Plant Methods, 11: 20

53.Pip Wilson, et.al, 2015, Genomic Diversity and Climate Adaptation inBrachypodium, Chapter Genetics and Genomics ofBrachypodium, Volume 18 of the series Plant Genetics and Genomics: Crops and Models, pp:107-127

54. Tim Brown, et.al, 2014, TraitCapture: genomic and environment modelling of plant phenomic data, Current Opinion in Plant Biology, 18: 73-79

55. Jan Humplík, et.al, 2014, High-throughput plant phenntyping facility in Palacky University in Olomouc, International Symposium on Auxins and Cytokinins in Plant Development

Allegato: Altre piattaforme di analisi fenotipica:

1. sistema di imaging dinamico di microscopia multispettrale di fluorescenza di FKM

L'immagine a destra è citata da《Nature Plants》2016, Photonic multilayer structure of Begonia chloroplasts enhances photosynthetic efficiency by Heather M. Whitneyetc.

2. piattaforma mobile di analisi del fenotipo PlantScreen-R (immagine in basso a sinistra): utilizzata per l'analisi di imaging della fluorescenza della clorofilla delle piante da campo, l'analisi di imaging RGB, l'analisi di imaging termico infrarosso, l'analisi di misurazione della scansione laser 3D, ecc

Piattaforma di analisi fenotipica di piante desktop e mobile PlantScreen (vedi immagine in alto a destra)

Analisi di immagini a colori 3D RGB

2) FluorCam analisi di fluorescenza

3) FluorCam analisi di imaging fluorescente multispettrale

4) Analisi di imaging ad alto spettro

5) Analisi di imaging termica a infrarossi

Analisi di assorbimento PAR / NDVI

7) Analisi di immagini 3D a infrarossi vicini

Piattaforma di analisi fenotipica PlantScreen

Piattaforma di analisi 3D automatica di imaging di fenotipi vegetali PlantScreen