通过提高光合性能来提高产量已成为现代作物育种的主要目标。优良种质的选择及相关性状的基因定位工作亟需高通量的筛选工具。基于深度机器学习的叶片高光谱反射率可以快速、准确地预测与小麦叶片光合性能相关的生理性状。已发表的偏最小二乘回归(PLSR)光谱模型的应用由于输入光谱波长范围的固定性受到限制。本文比较了各种深度学习方法和集成模型对PLSR光谱模型预测的准确性，旨在训练一种可以灵活应用于不同光谱范围的模型，并且将其应用到更经济的传感器上。

　　本文使用Silva-Perez等人发表的小麦叶片反射光谱数据，比较了不同的机器深度学习算法，以提高对CO2同化率(A)、最大Rubisco羧化速度(Vcmax)、电子传导速率(J)、单位面积叶片干重(LmA)、单位面积叶片氮含量(N area)等生理性状的预测。将每个特征数据随机分成几组，其中70%用于训练，10%用于验证，20%用于测试。

　　图1. 用于构建模型的数据集的平均值、标准差、最小和最大反射率测量值

　　本文采用多层感知器(MLP)、长短记忆递归神经网络(LSTM)、一维卷积神经网络(1D-CNN)三种用于模拟输入序列的神经网络结构对小麦生理性状进行预测，结果显示多任务深度学习集成模型R2值为0.79，PLSR模型产生的R2值为0.74。单位面积叶片氮含量(N area)和单位面积叶片干重(LmA)较难预测;光合参数(Vcmax25)、电子传导速率(J)和CO2同化率(A)的模型性能有了相当大的改善。

　　图2.使用CNN集成(第1行)、多任务1-DCNN(第2行)和PLSR(第3行)模型在测试集上预测和观察到的关键性状之间的相关性

　　当Vis/NIR模型(400-1000 nm)与全光谱模型(400-2400 nm)比较时，结果显示N area对短波红外数据的缺失最不敏感，R2值约为0.836-0.931。其他4个性状(尤其是电子传导速率J)的预测精度在短波红外区域受到的光谱调整影响较大，但相关性仍在可接受的范围。表明这些模型的应用可以扩展到波长范围更有限的光谱传感器上。

　　图3.利用一维卷积神经网络(1D-CNN)模型的测试集对调整输入光谱范围的关键性状预测的相关性

　　本文提供了一个网页应用程序，可供研究人员上传光谱数据并预测小麦生理性状。该研究证明基于深度学习的集成模型可以在不过度拟合的情况下提高PLSR模型预测小麦光合作用及相关叶片性状的准确性。此外，这些模型可以灵活地应用于不同的光谱范围，而不会显著影响精度。

　　来源：Furbank, R.T., Silva-Perez, V., Evans, J.R. et al. Wheat physiology predictor: predicting physiological traits in wheat from hyperspectral reflectance measurements using deep learning. Plant Methods 17, 108 (2021). https://doi.org/10.1186/s13007-021-00806-6

　　编辑：李红叶