在农业生产中，逆境是影响作物适应性和粮食产量的重要因素，一定的逆境胁迫能刺激作物合成特殊代谢物从而获得额外抗逆性。因此可控的逆境胁迫可以作为提高作物产量和品质的途径之一。机器学习(ML)和深度学习(DL)已成为准确模拟植物胁迫反应过程中处理和解释数据的关键。

　　图1. Hormesis双相剂量反应关系。在低剂量时，植物对应激源造成损害的过度补偿会增加其适应性;在高剂量时，应激源会破坏植物体动态平衡，表现为抑制效应。

　　机器学习及深度学习已经应用于植物胁迫研究领域：识别、分类、量化和预测(ICQP)。在分析基因组和转录组数据集时，在表型特征表达之前预测表型特征是最常见的应用。大多数已报道的有关表型图像处理的研究使用ML和DL工具对胁迫程度进行识别和分类。

　　图2. ML和DL在植物胁迫研究中ICQP的应用。

　　植物科学利用高度敏感技术检测由环境-植物相互作用引起的基因表达、表型和新陈代谢的变化。深度学习算法，特别是通过卷积神经网络(CNN)、决策树和支持向量机(SVM)算法，能够对海量数据进行处理和解释，以用于非线性关系的建模。机器学习将数据集成到复杂系统的模型中，用来模拟剂量-表型之间的关系并预测正向应激剂量，从而模拟植物对受控条件下定量胁迫的节律反应。

　　图3. 基于DL的Hormesis特性预测流程。

　　图4. 改进的基于ML的Hormesis管理工作流程。

　　面对目前采集与植物胁迫反应相关变量的技术方法的多样性，本文认为实际试验条件的标准化和不同数据集的整合是一个巨大的挑战。此外，目前大多数围绕逆境的研究主要集中在对植物系统造成的不利影响上，而完全忽视了逆境的正向作用和植物防御的节律行为。

　　Hormesis效应研究旨在利用ML和DL的优势开发能够利用实验数据指导生产措施、改善作物性状的模型。本文认为胁迫反应不仅仅依赖于个体系统的遗传特性或发育阶段，而是在生物可塑性的范围内变化，基于此理论就有可能开发出稳健的植物-胁迫响应模型。

　　来源：：Rico-Chávez, Amanda Kim, Jesus Alejandro Franco, Arturo Alfonso Fernandez-Jaramillo, Luis Miguel Contreras-Medina, Ramón Gerardo Guevara-González, and Quetzalcoatl Hernandez-Escobedo. "Machine Learning for Plant Stress Modeling: A Perspective towards Hormesis Management." Plants (Basel) 11.7 (2022): 970. Web.

　　编辑：小迟