葛斯琴团队新技术助力甲虫后翅形态学研究：自动检测与智能生成双轨并进
鞘翅目昆虫（甲虫）的后翅是其主要的飞行器官。研究甲虫后翅的形态特征，对于揭示其飞行机制及后翅结构的进化规律具有重要意义。然而，传统的研究方法受限于样本采集难度大、数据标注成本高等问题，阻碍了翅膀形态学研究的进展。近期，两项研究分别从标志点检测与图像生成维度引入人工智能方法，为相关领域研究注入新动能。这两种方法和通过该方法所生成的数据集，突破了传统样本的限制，为仿生数据平台的建设提供动态数据源并为仿生结构设计建立量化模型。
近期，中国科学院动物研究所葛斯琴研究组通过将迁移学习策略与HRNet相结合，成功实现了甲虫后翅标志点的高精度自动化检测。该研究通过构建包含36个生物标志点的叶甲后翅数据集，采用HRNet多分辨率并行架构捕捉微观形态特征，并结合迁移学习有效缓解小样本训练难题。实验表明，模型可以达到较小的平均归一化平均误差。尤为重要的是，该模型在不同亚科叶甲后翅中表现出较好的泛化能力，为大规模形态计量分析提供了有效工具。该研究在《Biology》期刊发表，题目为“Detection of Hindwing Landmarks Using Transfer Learning and High-Resolution Networks”。
同时，面对甲虫后翅形态学研究中数据稀缺的挑战，葛斯琴研究员团队联合北京天文馆杨宜团队（中国科学院动物研究所博士后），中国科学院大学史祎诗教授团队通过将AIGC技术应用于昆虫图像合成，开发出首个叶甲后翅智能生成工具，并构建出首个叶甲后翅图像生成数据集。通过Canny边缘检测等算子提取后翅翅脉特征，结合薄板样条转换动态调整标志点坐标，应用Stable Diffusion与ControlNet模型进行可控生成，合成包含16亚科后翅图像库。经评价指标验证，合成图像在结构相似性与视觉保真度上接近真实样本。该数据集已开源发布于Zenodo平台，且配套代码同步共享于GitHub上，为机器学习模型训练提供高质量形态学数据支持。该研究在《Scientific Data》期刊发表，题目为“HindwingLib: a library of leaf beetle hindwings generated by Stable Diffusion and ControlNet”。
中国科学院动物研究所葛斯琴研究员为两篇文章的通讯作者，中国科学院大学史祎诗教授为第二篇文章的共同通讯作者，北京天文馆副研究员杨宜（中国科学院动物研究所博士后）为两项研究的第一作者。上述研究得到了国家自然科学基金面上项目（32270460）、国家自然科学基金青年科学基金项目（32300381）的资助。
图1 HRNet检测架构
图2 基于AIGC技术生成的叶甲后翅样例
文章链接：
大约 80% 的植物病毒依赖媒介昆虫进行传播，媒介昆虫体内的病毒稳态依赖于病毒载量与昆虫免疫系统之间的动态平衡，从而确保虫媒的生存和病毒的高效传播。
肝脏需要大量功能细胞和复杂血管网络来执行基本的生理功能，因此生物3D打印高细胞密度（约10^8细胞/mL）的肝组织在急性肝衰竭治疗中显示出巨大的应用前景。
卵母细胞-胚胎转变（oocyte-to-embryo transition，OET）是哺乳动物胚胎着床前发育的关键过程，标志着胚胎调控机制从依赖母源物质向依赖胚胎物质的转换，包括表观修饰重编程以及合子基因组激活（zygotic genome a...
