人工智能改善作物和植物健康吗?


发布时间:

2022-02-05

来源:

本站

作者:

PhenoTrait

  在不断变化的气候中,未来的粮食安全日益受到关注,研究人员正在探索新的方法和技术,努力实现雄心勃勃的作物产量目标。人工智能(Artificial Intelligence,AI)包括机器学习(Machine Learning,ML)方法在这一领域的应用已经被提出作为一个潜在的机制来支持这一观点。本综述探讨了该领域目前的研究,以传达AI/ML如何被用于推进研究,获得见解,并普遍推动该领域的进展的最先进的技术。总结不同类型的机器学习(ML)分析如图1。并探讨了人工智能在农业和植物科学相关的各种应用中的用途和潜在优势。

 

  首先,研究了人工智能克服表型瓶颈的潜在优势,方法是自动处理和提取表型分析中的特征,例如通过图像或视频。其次,回顾了目前在基因组预测方面的工作,没有一种算法在所有情况下都表现最好,但那些基于多个算法结果组合的预测通常表现最好。注意到在人工智能方法和现有经典统计方法之间进行详细比较的重要性,以证明人工智能可以获得优势。进一步强调了组学数据集所面临的挑战,例如高维,然后讨论了基于图的数据集成和可解释预测的好处,都在人工智能领域得到解决如图2,以基因组数据为例,总结了组学数据(omic data)的处理、特征以及在ML分析之前降低这些特征集的维数和复杂性的潜在解决方案。

 

  人工智能在改善作物和植物健康方面具有巨大潜力,这取决于所提出的问题和适当数据的可用性。随着继续开发基于人工智能的方法,更充分地捕捉所分析系统的生物复杂性,例如通过基于图形的方法,并为下一个水平的研究进展打开大门,人工智能的最大优势可能尚未到来。必须利用洞察力和进步来开发下一代作物。

 

  图1 总结不同类型的机器学习(ML)分析。示例性分析分为有监督的和无监督的学习示例,以及选择这些方法所涉及的决策。

 

  图2 从原始组学测序数据到 ML 分析的处理流程图。以基因组DNA测序数据为例,展示典型的生物信息处理管道组件,质量控制(Quality Control,QC)步骤,以确保生成高质量的特征,选择潜在的输出特征(取决于分析目标),减少特征集的维数的特征选择技术,以及一系列可能的AI/ML方法

 

  来源:Gardiner, L.-J.; Krishna, R. Bluster or Lustre: Can AI Improve Crops and Plant Health? Plants2021,10, 2707.https://doi.org/10.3390/plants10122707

  

  编辑:王春颖

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。