高通量表型和机器学习用于植物胁迫表型分析的全面综述


发布时间:

2022-04-30

来源:

本站

作者:

PhenoTrait

  在过去的十几年中,人们已经广泛应用带有多个传感器的地面和空中平台,对作物整个发育阶段的生物和非生物胁迫进行表征。高通量表型(HTP)涉及应用这些工具对植物进行分析,并且可以实现从地面成像到空中表型再到遥感。采用这些HTP工具能够减少育种计划中的表型瓶颈,并有助于加快遗传增益的速度。然而,这些HTP技术的使用产生了大数据集,阻碍了从这些数据集中进行推理。机器学习和深度学习为提取有用的信息以做出结论提供了另一种机会。这些是跨学科的数据分析方法,使用概率、统计、分类、回归、决策理论、数据可视化和神经网络,将提取的信息与获得的表型联系起来,采用特征提取、识别、分类和预测标准来确定用于植物育种和病理学活动的相关数据。本综述着重于最近的研究结果,其中机器学习和深度学习方法已被用于植物胁迫表型,并使用各种HTP平台收集数据。我们对现有的各种机器学习和深度学习工具以及它们的潜在优势和缺陷进行了全面的概述。总的来说,这篇综述为研究各种HTP平台提供了一个途径,特别强调使用机器学习和深度学习工具来得出合理的结论。最后,我们提出了所面临的概念性挑战,并对管理这些问题的未来前景提出了见解。

 

  图1 提供了机器和深度学习模型的分类,这些模型大多用于高通量表型(a, b)。

 

  图2 多层感知器使用输入层、隐藏层和输出层显示神经网络的工作情况。 图的下半部分显示了与每个神经元相关的权重和使用激活函数的转换。 Y 代表模型的最终输出,通过优化其他超参数来实现的。

 

 

  图3 卷积神经网络最直接的设计有卷积层、最大池化层、扁平层、稠密层和输出层。每个感兴趣的区域在CNN中被单独处理,以预测输出的情况。

 

  图4 用于田间植物胁迫检测的不同表型工具和平台的概述

 

  植物胁迫表型是预测各种生物和非生物胁迫引起的作物损失的重要参数。它可用于鉴定优越的抗病和抗逆基因型,以及评估疾病管理决策(图4)。表型参数不仅包括形态学数据,还包括大量的生理和生化数据,以及更深层次的机制数据,使科学家能够通过受控的表型和基因型研究来识别和预测可遗传性状。目前用于胁迫严重程度表型的方法用于各种尺度,例如受影响的植物数量或病变数量的确切计数,或在单个植物和田间水平的树冠上估计受特定生物/非生物胁迫影响的严重程度或表面积。固定式HTP平台可以携带各种传感器,以同时监测盆栽作物和特定田间作物。然而,它们的操作仅限于一个小区域,并且它们的建造成本很高。未来需要更多的研究来改善基于无人机的植物表型传感,高性能和低成本无人机应在未来的研究中引入。

  

  来源:Gill, Taqdeer, et al. "A Comprehensive Review of High Throughput Phenotyping and Machine Learning for Plant Stress Phenotyping." Phenomics (2022): 1-28.

  https://www.researchgate.net/publication/359719034

 

  编辑:小王博士在努力

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。