葛斯琴團隊新技術助力甲蟲後翅形態學研究：自動檢測與智能生成雙軌並進
鞘翅目昆蟲（甲蟲）的後翅是其主要的飛行器官。研究甲蟲後翅的形態特征，對於揭示其飛行機製及後翅結構的進化規律具有重要意義。然而，傳統的研究方法受限於樣本采集難度大、數據標注成本高等問題，阻礙了翅膀形態學研究的進展。近期，兩項研究分別從標誌點檢測與圖像生成維度引入人工智能方法，為相關領域研究注入新動能。這兩種方法和通過該方法所生成的數據集，突破了傳統樣本的限製，為仿生數據平台的建設提供動態數據源並為仿生結構設計建立量化模型。
近期，必威精装版app西汉姆联 葛斯琴研究組通過將遷移學習策略與HRNet相結合，成功實現了甲蟲後翅標誌點的高精度自動化檢測。該研究通過構建包含36個生物標誌點的葉甲後翅數據集，采用HRNet多分辨率並行架構捕捉微觀形態特征，並結合遷移學習有效緩解小樣本訓練難題。實驗表明，模型可以達到較小的平均歸一化平均誤差。尤為重要的是，該模型在不同亞科葉甲後翅中表現出較好的泛化能力，為大規模形態計量分析提供了有效工具。該研究在《Biology》期刊發表，題目為“Detection of Hindwing Landmarks Using Transfer Learning and High-Resolution Networks”。
同時，麵對甲蟲後翅形態學研究中數據稀缺的挑戰，葛斯琴研究員團隊聯合北京天文館楊宜團隊（必威精装版app西汉姆联 博士後），中國科學院大學史禕詩教授團隊通過將AIGC技術應用於昆蟲圖像合成，開發出首個葉甲後翅智能生成工具，並構建出首個葉甲後翅圖像生成數據集。通過Canny邊緣檢測等算子提取後翅翅脈特征，結合薄板樣條轉換動態調整標誌點坐標，應用Stable Diffusion與ControlNet模型進行可控生成，合成包含16亞科後翅圖像庫。經評價指標驗證，合成圖像在結構相似性與視覺保真度上接近真實樣本。該數據集已開源發布於Zenodo平台，且配套代碼同步共享於GitHub上，為機器學習模型訓練提供高質量形態學數據支持。該研究在《Scientific Data》期刊發表，題目為“HindwingLib: a library of leaf beetle hindwings generated by Stable Diffusion and ControlNet”。
必威精装版app西汉姆联 葛斯琴研究員為兩篇文章的通訊作者，中國科學院大學史禕詩教授為第二篇文章的共同通訊作者，北京天文館副研究員楊宜（必威精装版app西汉姆联 博士後）為兩項研究的第一作者。上述研究得到了國家自然科學基金麵上項目（32270460）、國家自然科學基金青年科學基金項目（32300381）的資助。
圖1 HRNet檢測架構
圖2 基於AIGC技術生成的葉甲後翅樣例
文章鏈接：
大約 80% 的植物病毒依賴媒介昆蟲進行傳播，媒介昆蟲體內的病毒穩態依賴於病毒載量與昆蟲免疫係統之間的動態平衡，從而確保蟲媒的生存和病毒的高效傳播。
肝髒需要大量功能細胞和複雜血管網絡來執行基本的生理功能，因此生物3D打印高細胞密度（約10^8細胞/mL）的肝組織在急性肝衰竭治療中顯示出巨大的應用前景。
卵母細胞-胚胎轉變（oocyte-to-embryo transition，OET）是哺乳動物胚胎著床前發育的關鍵過程，標誌著胚胎調控機製從依賴母源物質向依賴胚胎物質的轉換，包括表觀修飾重編程以及合子基因組激活（zygotic genome a...
