基于機(jī)器學(xué)習(xí)衍生農(nóng)業(yè)指數(shù)的植物內(nèi)源狀態(tài)分類

Plant Phenomics | 基于機(jī)器學(xué)習(xí)衍生農(nóng)業(yè)指數(shù)的植物內(nèi)源狀態(tài)分類

脫落酸（ABA）通過誘導(dǎo)葉片的生理變化，控制植物對干旱和其他環(huán)境脅迫的適應(yīng)。擬南芥ABA2基因參與催化ABA合成的最后一步�？梢姽�-紅外-短波紅外（VIS-NIR-SWIR）傳感器測量葉片色，光譜范圍廣，分辨率高。然而，光譜信息僅用于了解植物的一般狀況（如植被指數(shù)）或植物色素含量，而不是精確定位植物中特定代謝或信號通路的缺陷。本文獲取VIS-NIR-SWIR葉片反射率，利用從新的NRIs中獲得的少量光譜特征，構(gòu)建高度可解釋和精確的支持向量機(jī)（SVM）分類器，精確定位與應(yīng)激激素脫落酸（ABA）相關(guān)的生理變化。

2023年6月，Plant Phenomics在線發(fā)表了新加坡國立大學(xué)淡馬錫生命科學(xué)實(shí)驗(yàn)室等單位題為 Classification of Plant Endogenous States Using Machine Learning-Derived Agricultural Indices 的研究論文。

本研究分別收集了野生型、ABA2過表達(dá)型和ABA2缺陷型植物在水分和干旱條件下的葉片反射光譜（圖1）。光譜比較表明，在490 ~ 680 nm處葉片反射率下降是干旱脅迫的早期指標(biāo)，與葉片水分流失無關(guān)，但可能與內(nèi)源ABA水平有關(guān)。
 

圖1水分和干旱條件下野生型（Col-0）、aba缺陷突變體（aba2）和aba2過表達(dá)系（aba2 -ox）擬南芥葉片反射光譜。

為了確定與干旱和/或內(nèi)源ABA水平相關(guān)的最佳NRIs，篩選了與對照和干旱條件以及野生和突變體高度相關(guān)的歸一化反射指數(shù)（NRIs）。

（圖2A）使用公式進(jìn)行NRI的計算，根據(jù)樣本的F值（樣本平均值之間的變化程度超過樣本內(nèi)變化的程度）進(jìn)行排序，排除ANOVA  F值低（F≤20）和共線性高（|PCC|≥0.75）的NRIs，將Z-scored、log2轉(zhuǎn)換的NRIs繪制為熱圖，并繪制用RFE方法選擇的前20個NRIs的F值（圖2B）。對aba2和Col-0的前20個NRIs進(jìn)行聚類分析，結(jié)果表明aba2與aba2 -ox和Col-0具有明顯的區(qū)別。在對照和干旱條件下收集的ABA2-ox數(shù)據(jù)與干旱條件下的Col-0聚類密切，表明ABA水平升高部分模擬了干旱引起的信息光譜變化。接下來，使用小的、非冗余的NRIs集，使用SVM、RF和LogReg模型構(gòu)建可解釋分類器，將aba2與其他2個基因型（Col-0和aba2 -ox）區(qū)分開來（圖2C）。使用RBF的SVM分類器表現(xiàn)出最高的性能，平均準(zhǔn)確率為87.3%±1.4%。排列重要性檢驗(yàn)表明，隨機(jī)變換每個特征值對分類精度的影響較�。▓D2D），說明SVM分類器具有較強(qiáng)的穩(wěn)定性。
 

圖2確定與干旱或內(nèi)源ABA水平相關(guān)的最佳NRIs（擬南芥）。

為了檢驗(yàn)所選的NRIs中拾取的光譜特征是否可能重疊，檢查了所選NRIs與常見農(nóng)業(yè)指數(shù)的關(guān)系。從Col-0和aba2對比中篩選出的少數(shù)NRIs與常規(guī)農(nóng)業(yè)指數(shù)顯示出高相關(guān)性（|PCC|≥0.75）（圖3A）。通過與生化結(jié)果的兩兩比較，進(jìn)一步評估了所選NRIs與植物色素和水分含量之間的合理關(guān)聯(lián)。方差分析F值顯示，只有少數(shù)選定的NRI與相對葉綠素含量（綠色條，圖3B）和葉片含水量（藍(lán)色條，圖3B）相關(guān)，而大多數(shù)與這兩個生化結(jié)果以及類胡蘿卜素含量（灰色條，圖3B）無關(guān)。利用PLS回歸方法對原始光譜數(shù)據(jù)進(jìn)行含水量和相對葉綠素含量的預(yù)測。通過PLS回歸選擇的波長與基于aba2與Col-0和對照與干旱的比較所選擇的NRIs不一致（圖2），進(jìn)一步支持了干旱脅迫除了對水分含量的變化有充分記錄外，還涉及非特征生理變化。為了證明所選NRIs在其他物種上的表現(xiàn)，使用生菜再次進(jìn)行了類似的試驗(yàn)。
 

圖 3 所選NRIs（ABA相關(guān)）與生理變化之間的關(guān)系（擬南芥）。

本研究采用擬南芥突變體來鑒定與ABA生物合成途徑相關(guān)的光譜變化。通過對葉片反射率數(shù)據(jù)的研究，了解光譜變化，從而確定生物途徑中存在的遺傳缺陷。在未來，廣泛收集葉片反射率信息可能有助于設(shè)計和優(yōu)化強(qiáng)大的NRIs和ML模型，最終可應(yīng)用于大田。鑒于aba2突變體在早期表現(xiàn)出干旱脅迫的光譜變化（圖1至3），使用擬南芥突變體也可以減少植物脅迫實(shí)驗(yàn)所需的時間，提高過程中的效率。
 

作者及研究團(tuán)隊介紹

本文的第一作者是Sally Shuxian Koh，隸屬于新加坡國立大學(xué)淡馬錫生命科學(xué)實(shí)驗(yàn)室。淡馬錫生命科學(xué)實(shí)驗(yàn)室（TLL）成立于2002年，是淡馬錫信托的受益人，隸屬于新加坡國立大學(xué)和南洋理工大學(xué)。TLL主要致力于了解構(gòu)成植物，真菌和動物的發(fā)育和生理的細(xì)胞機(jī)制。這些研究為生物體如何發(fā)揮功能提供了新的理解，也為生物技術(shù)創(chuàng)新提供了基礎(chǔ)。TLL擁有國際合作伙伴網(wǎng)絡(luò)，并希望通過與本地和國際合作伙伴的合作和聯(lián)合研究事業(yè)，對新加坡生物技術(shù)產(chǎn)業(yè)的發(fā)展產(chǎn)生積極影響。
 

本文研究團(tuán)隊包括新加坡國立大學(xué)淡馬錫生命科學(xué)實(shí)驗(yàn)室，新加坡國立大學(xué)生物科學(xué)系，新加坡科學(xué)技術(shù)研究局(A*STAR)生物工程與生物成像研究所轉(zhuǎn)化生物光子學(xué)實(shí)驗(yàn)室，新加坡科學(xué)技術(shù)研究局(A*STAR)材料研究與工程研究所(IMRE)。
 

淡馬錫生命科學(xué)實(shí)驗(yàn)室

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0060

——推薦閱讀——

Can Distributed Ledgers Help to Overcome the Need of Labeled Data for Agricultural Machine Learning Tasks ?  

‍https://doi.org/10.34133/plantphenomics.0070

Plant Phenomics | 分布式賬本能幫助克服農(nóng)業(yè)機(jī)器學(xué)習(xí)對標(biāo)記數(shù)據(jù)的需求嗎?

Objective Phenotyping of Root System Architecture Using Image Augmentation and Machine Learning in Alfalfa (Medicago sativa L.) 

https://spj.science.org/doi/10.34133/2022/9879610

Plant Phenomics | 基于圖像增強(qiáng)和機(jī)器學(xué)習(xí)的苜蓿根系表型研究

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點(diǎn)新刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：史奕（南京農(nóng)業(yè)大學(xué)）
排版：趙倩瑩（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平