机器学习算法:在植物组学和农艺性状改良中的应用


发布时间:

2022-12-07

来源:

植物表型资讯

作者:

PhenoTrait

植物的农艺特性,特别是那些具有经济或美学重要性的农艺性状,容易受到气候变化、生物和非生物胁迫等因素的影响。通过对基因组学、转录组学、蛋白质组学、代谢组学和表型组学等组学数据的分析,这些不利因素正在得到缓解。高通量组学技术的出现带来了大量的植物组学数据。植物研究需要新的分析模式来提取和利用大型植物组学数据,从而高效地进行植物改良。机器学习算法是非常适合对大型非结构化、异构数据集进行综合分析的分析和计算方法。本研究概述了组学方法在改善植物农艺性状和重要的策划植物基因组数据源方面的应用。此外,总结了用于植物组学研究的机器学习算法和软件工具/编程包。最后讨论了机器学习算法在改善重要经济作物农艺性状方面的应用进展。机器学习的广泛应用将促进植物  组学研究。因此,这些进展将帮助农业科学家提高具有经济价值的植物的质量、产量,以及对非生物和生物胁迫以及其他威胁植物健康问题的耐受性。

 

图1 从2000年至今已发表的植物基因组序列。

 

图2已测序植物的百分比。94%的测序植物是被子植物,测序的植物94%是被子植物,包括单子叶和双子叶。蕨类植物、苔藓植物和裸子植物的比例分别为1%、2%、3%。

 

图3 植物组学的重要分支及其主要技术。介绍了植物分子研究中的主要组学方法和植物组学数据集的常规分析方法。

 

来 源

Isewon, I., Apata, O., Oluwamuyiwa, F., et al. Machine learning algorithms: their applications in plant omics and agronomic traits’ improvement. F1000Research, 2022, 11(1256), 1256.

 

编 辑

张玉

 

扩展阅读

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。