[논문]K-Means Clustering으로 분류한 닭 깃털색 표현형의 분석

박종호; 허선영; 김민준; 조은진; 차지혜; 진대혁; 고영준; 이승환; 이준헌

doi:10.5536/kjps.2022.49.3.157

K-Means Clustering으로 분류한 닭 깃털색 표현형의 분석
Analysis of Chicken Feather Color Phenotypes Classified by K-Means Clustering using Reciprocal F2 Chicken Populations 원문보기

한국가금학회지 = Korean journal of poultry science, v.49 no.3, 2022년, pp.157 - 165

박종호 (충남대학교 바이오AI융합학과) , 허선영 (충남대학교 바이오AI융합학과) , 김민준 (충남대학교 동물자원과학부) , 조은진 (충남대학교 바이오AI융합학과) , 차지혜 (국립축산과학원 동물유전체과) , 진대혁 (국립축산과학원 가축유전자원센터) , 고영준 (충남대학교 바이오AI융합학과) , 이승환 (충남대학교 바이오AI융합학과) , 이준헌 (충남대학교 바이오AI융합학과)

초록
AI-Helper

RGB 조건에서 하나의 픽셀은 255의 세제곱 개 이상의 색상을 표현할 수 있다. 현재까지의 컴퓨터 비전 연구는 조류에서 나타나는 다양한 깃털색 표현형에 대해 세밀히 분석하여 종을 구분하였지만, GWAS에 이용될 목적을 위해 다양하게 유전되는 색상을 단순화하지 못하였다고 판단된다. 본 연구는 연산오계(YO)와 백색레그혼(WL) 상호역교배 F₂ 집단을 이용하였으며 이미지 양자화를 통하여 이미지의 크기를 줄이고 저장을 용이하게 하였으며 깃털색의 원인 유전자 탐색을 위한 기초 자료를 제공하기 위하여 육안으로 결정하였던 다양한 깃털색을 단순화하였다. 특히, GWAS 연구에 필요한 수치화된 표현형을 제시하였다는 측면에서 가치가 있다고 판단된다.

Abstract ▼ AI-Helper

Chickens are a species of vertebrate with varying colors. Various colors of chickens must be classified to find color-related genes. In the past, color scoring was performed based on human visual observation. Therefore, chicken colors have not been measured with precise standards. In order to solve this problem, a computer vision approach was used in this study. Image quantization based on k-means clustering for all pixels of RGB values can objectively distinguish inherited colors that are expressed in various ways. This study was also conducted to determine whether plumage color differences exist in the reciprocal cross lines between two breeds: black Yeonsan Ogye (YO) and White Leghorn (WL). Line B is a crossbred line between YO males and WL females while Line L is a reciprocal crossbred line between WL males and YO females. One male and ten females were selected for each F1 line, and full-sib mating was conducted to generate 883 F2 birds. The results indicate that the distribution of light and dark colors of k-means clustering converged to 7:3. Additionally, the color of Line B was lighter than that of Line L (P<0.01). This study suggests that the genes underlying plumage colors can be identified using quantification values from the computer vision approach described in this study.

주제어

표/그림 (6)

그림 Fig. 1. The image quantization and pie chart using quantization image. (A) Original image, (B) quantization image, (C) pie chart using quantization image.
그림 Fig. 2. The distributions of average and standard deviation of RGB values using F2 individual in line B (A)~(F). (A)~(C) Histogram for means and their distribution of R, G and B values respectively. (D)~(F) Histogram for standard deviation and their distribution of each R, G and B values respectively. The distributions of average and standard deviation of RGB values using F2 individual in line L (G)~(L). (G)~(I) Histogram for means and their distribution of R, G and B values respectively. (J)~(L) Histogram for standard deviation and their distribution of R, G and B values respectively.
그림 Fig. 3. Image quantization results for B (A) and L (B) lines using k=2. The RGB values of the two representative colors of B Line are (143, 148, 122), (36, 37, 31), and their ratios are 71% and 29%, respectively. The RGB values of the two representative colors of L line is (132, 136, 117), (24, 25, 21), respectively, and their ratios are 70% and 30%, respectively.
표 Table 1. The t-test for mean values for R, G and B values in on B and L lines
그림 Fig. 4. The example of image quantization results using k=2 and k=3 in B line. The original picture of an F₂ bird (A), the image quantization result using k=2 (B), the image quantization result using k=3 (C).
그림 Fig. 5. Image quantization results for B (A) and L (B) lines using k=3. The RGB values of the three representative colors of Line B are (163, 168, 144), (115, 117, 93), (26, 27, 24), and their ratios are 37.5%, 38.5%, and 24%, respectively. The RGB values of the three representative colors of Line L are (155, 160, 141), (108, 111, 91), (18, 18, 17), and their ratios are 33.8%, 39.5%, and 26.7%, respectively.

AI 본문요약
AI-Helper

문제 정의

따라서 본 연구의 목적은 기존 인간에 의해 분류한 주관적 평가의 한계를 해결하기 위해 이미지양자화기술을 이용하여 색상 및 패턴을 수치화하고, 가장 일반적이고 대중적인 방법이면서 계산이 빠른 k-means clustering을 이용하여 다양한 닭 깃털색 표현형을 분류하고자하였다.

제안 방법

닭의 피모색에 해당하는 픽셀들을 모두 모아 RGB 각각에 대해서 k-means clustering을 진행하였다. 그 후 모든 라인의 픽셀 값들 중반을 무작위 선발하였다.
두 라인간에 유의한 차이를 숫자로 확인하기 위해kmeans clustering을 기반으로 이미지 양자화를 진행하였다. B와 L라인 각각 전체의 픽셀을 추출해 똑같이 k값을 2로 두고 k-means clustering을 실시하여 파이차트로 나타낸 결과는 Fig.
그 후 모든 라인의 픽셀 값들 중반을 무작위 선발하였다. 사용된 집단 내 깃털의 대표 색이 검은색, 하얀색이기 때문에, k는 2로 설정하였으며 k-means clustering은 파이썬 환경에서 scikit-learn 1.0.2에 KMeans 모듈을 사용하였다.
표현형을 분류하기 위한 RGB(Red, Green, Blue) 값을 생산하였으며 그 수집하는 과정은 다음과같다. 집단내 개체별 깃털색 표현형을 조사하기 위해서(1) 날개를 인위적으로 펴게 했을 때와 (2) 날개를 접었을 때, 총 2장의 사진을 촬영하였다. 본 분석에서는 보다 정확한 표현형을 나타내는 날개를 인위적으로 들고 찍은 사진 데이터만을 사용하였다.

데이터처리

이미지들은 RGB 색상 조건에서 PNG-24비트 형식으로 처리되었다. 개체의 색상 및 패턴을 수치화하기 위해 해당 이미지 픽셀의 R값, G값, B값의 개체별 평균 및 표준편차를 구하였다. 수치화된 값은 라인별 차이를 확인하기 위해 PCA와 k-means clustering에 사용되었다.
두 라인의 분포의 차이를 확인하기 위해 라인별로 t-test를 수행하였다. t-test를 수행한 결과, B, L 라인간의 RGB 평균값 모두에 대해서 모두 유의적인 결과를 확인하였다(p-value<0.

이론/모형

0; Python Software Foundation, 2019) 환경에서 배경을 제거하였다. 본 연구에서 필요한 깃털색에 해당하는 정보를 추출하기 위해 Adobe Photoshop CC 2021(Adobe, Mountain View, CA, USA)을 이용하여 개체의 머리와 몸통, 다리를 분리하였다. 머리와 몸통, 몸통과 다리 부분 중, 색깔이 확연히 달라지는 지점을 기준으로 이미지를 분리하였으며, 이후 수행되는 분석에서는 몸통 부분에 해당하는 이미지를 사용하였다.

성능/효과

본 연구에서 이용된 상호 교배 집단, B와L 라인이 밝은부분과 검은색 부분의 비율이 7:3인 것을 확인할 수 있었다(Fig. 3).

후속연구

이런 이유로 표준편차로는 점박이와 횡반 개체를 구분할 수 없다. 추후 연구에서는 점박이와 횡반을 육안으로 분류하고 실험을 진행할 필요가 있다.

참고문헌 (30)

Banerjee S, Zeng L, Schunkert H, Soding J 2018 Bayesian multiple logistic regression for case-control GWAS. PLoS Genetics 14(12):e1007856.

상세보기
Bouma S, Pawley MD, Hupman K, Gilman A 2018 Individual common dolphin identification via metric embedding learning. In: 2018 International Conference on Image and Vision Computing New Zealand (IVCNZ). IEEE, 1-6.
Braquelaire JP, Brun L 1997 Comparison and optimization of methods of color image quantization. IEEE Trans Image Process 6(7):1048-1052.

상세보기
Celebi ME 2011 Improving the performance of k-means for color quantization. Image and Vision Computing 29(4):260-271.

상세보기
Deng Y, Manjunath B, Kenney C, Moore MS, Shin H 2001 An efficient color representation for image retrieval. IEEE Trans Image Process 10(1):140-147.

상세보기
Dobson AE, Schmidt DJ, Hughes JM 2019 Heritability of plumage colour morph variation in a wild population of promiscuous, long-lived Australian magpies. Heredity 123(3):349-358.

상세보기
Fumihito A, Miyake T, Takada M, Shingu R, Endo T, Gojobori T, Kondo N, Ohno S 1996 Monophyletic origin and unique dispersal patterns of domestic fowls. PNAS 93(13):6792-6795.

상세보기
Hirooka H, De Koning D, Van Arendonk J, Harlizius B, De Groot P, Bovenhuis H 2002 Genome scan reveals new coat color loci in exotic pig cross. J Hered 93(1):1-8.

상세보기
Kasuga H, Yamamoto H, Okamoto M 2000 Color quantization using the fast K means algorithm. Syst Comput Jpn 31(8):33-40.

상세보기
Kerje S, Carlborg O, Jacobsson L, Schutz K, Hartmann C, Jensen P, Andersson L 2003 The twofold difference in adult size between the red junglefowl and White Leghorn chickens is largely explained by a limited number of QTLs. Anim Genet 34(4):264-274.

상세보기
Kerje S, Sharma P, Gunnarsson U, Kim H, Bagchi S, Fredriksson R, Schutz K, Jensen P, Von Heijne G, Okimoto R 2004 The Dominant white, Dun and Smoky color variants in chicken are associated with insertion/ deletion polymorphisms in the PMEL17 gene. Genetics 168(3):1507-1518.

상세보기
Korte A, Farlow A 2013 The advantages and limitations of trait analysis with GWAS: a review. Plant Methods 9(1):1-9.

상세보기
LeCun Y, Bengio Y, Hinton G 2015 Deep learning. Nature 521(7553):436-444.

상세보기
Lee JH 2019 Researches of the origin and genetic information of Yeonsan Ogye. Korean Poultry Journal 51(3):170-172.
Li Z, Guo R, Li M, Chen Y, Li G 2020 A review of computer vision technologies for plant phenotyping. Comput Electron Agr 176:105672.
Luo W, Xu J, Li Z, Xu H, Lin S, Wang J, Ouyang H, Nie Q, Zhang X 2018 Genome-wide association study and transcriptome analysis provide new insights into the white/red earlobe color formation in chicken. Cell Physiol Biochem 46(5):1768-1778.

상세보기
Mac Queen J 1967 Some methods for classification and analysis of multivariate observations. In: Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. Oakland, CA, USA. pp 281-297.
Marini A, Facon J, Koerich AL 2013 Bird species classification based on color features. In: 2013 IEEE International Conference on Systems, Man, and Cybernetics. IEEE. pp 4336-4341.
Mastrangelo S, Cendron F, Sottile G, Niero G, Portolano B, Biscarini F, Cassandro M 2020 Genome-wide analyses identifies known and new markers responsible of chicken plumage color. Animals 10(3):493.

상세보기
Moskvyak O, Maire F, Dayoub F, Armstrong AO, Baktashmotlagh M 2019 Robust re-identification of manta rays from natural markings by learning pose invariant embeddings. In: 2021 Digital Image Computing: Techniques and Applications (DICTA). IEEE, pp 1-8.
Nie C, Zhang Z, Zheng J, Sun H, Ning Z, Xu G, Yang N, Qu L 2016 Genome-wide association study revealed genomic regions related to white/red earlobe color trait in the Rhode Island Red chickens. BMC Genet 17(1):1-7.

상세보기
Oh B-G 1972 Poultry breeding-inheritance of qualitative traits. Korean Poultry Journal 4(6):29-31.
Ozdemir D, Akarun L 2002 A fuzzy algorithm for color quantization of images. Pattern Recognition 35(8):1785-1791.

상세보기
Ozturk C, Hancer E, Karaboga D 2014 Color image quantization: a short review and an application with artificial bee colony algorithm. Informatica 25(3):485-503.
Perez-Delgado ML 2015 Colour quantization with Ant-tree. Appl Soft Comput 36:656-669.

상세보기
Scheunders P 1997 A comparison of clustering algorithms applied to color image quantization. Pattern Recogn Lett 18(11-13):1379-1384.

상세보기
Sertel O, Kong J, Catalyurek UV, Lozanski G, Saltz JH, Gurcan M 2009 Histopathological image analysis using model-based intermediate representations and color texture: Follicular Lymphoma Grading. J Signal Process Syst 55(1):169-183.

상세보기
Visscher P, Haley C, Knott S 1996 Mapping QTLs for binary traits in backcross and F2 populations. Genet Res 68(1):55-63.

상세보기
Wandell BA 1993 Color appearance: The effects of illumination and spatial pattern. PNAS 90(21):9778-9784.

상세보기
Yang CK, Tsai WH 1998 Color image compression using quantization, thresholding, and edge detection techniques all based on the moment-preserving principle. Pattern Recogn Lett 19(2):205-215.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증