基于機器學習衍生農業指數的植物內源狀態分類
Plant Phenomics | 基于機器學習衍生農業指數的植物內源狀態分類
脫落酸（ABA）通過誘導葉片的生理變化，控制植物對干旱和其他環境脅迫的適應。擬南芥ABA2基因參與催化ABA合成的最后一步�？梢姽�-紅外-短波紅外（VIS-NIR-SWIR）傳感器測量葉片色，光譜范圍廣，分辨率高。然而，光譜信息僅用于了解植物的一般狀況（如植被指數）或植物色素含量，而不是精確定位植物中特定代謝或信號通路的缺陷。本文獲取VIS-NIR-SWIR葉片反射率，利用從新的NRIs中獲得的少量光譜特征，構建高度可解釋和精確的支持向量機（SVM）分類器，精確定位與應激激素脫落酸（ABA）相關的生理變化。
2023年6月，Plant Phenomics在線發表了新加坡國立大學淡馬錫生命科學實驗室等單位題為 Classification of Plant Endogenous States Using Machine Learning-Derived Agricultural Indices 的研究論文。
本研究分別收集了野生型、ABA2過表達型和ABA2缺陷型植物在水分和干旱條件下的葉片反射光譜（圖1）。光譜比較表明，在490 ~ 680 nm處葉片反射率下降是干旱脅迫的早期指標，與葉片水分流失無關，但可能與內源ABA水平有關。
圖1水分和干旱條件下野生型（Col-0）、aba缺陷突變體（aba2）和aba2過表達系（aba2 -ox）擬南芥葉片反射光譜。
為了確定與干旱和/或內源ABA水平相關的最佳NRIs，篩選了與對照和干旱條件以及野生和突變體高度相關的歸一化反射指數（NRIs）。
（圖2A）使用公式進行NRI的計算，根據樣本的F值（樣本平均值之間的變化程度超過樣本內變化的程度）進行排序，排除ANOVA F值低（F≤20）和共線性高（|PCC|≥0.75）的NRIs，將Z-scored、log2轉換的NRIs繪制為熱圖，并繪制用RFE方法選擇的前20個NRIs的F值（圖2B）。對aba2和Col-0的前20個NRIs進行聚類分析，結果表明aba2與aba2 -ox和Col-0具有明顯的區別。在對照和干旱條件下收集的ABA2-ox數據與干旱條件下的Col-0聚類密切，表明ABA水平升高部分模擬了干旱引起的信息光譜變化。接下來，使用小的、非冗余的NRIs集，使用SVM、RF和LogReg模型構建可解釋分類器，將aba2與其他2個基因型（Col-0和aba2 -ox）區分開來（圖2C）。使用RBF的SVM分類器表現出最高的性能，平均準確率為87.3%±1.4%。排列重要性檢驗表明，隨機變換每個特征值對分類精度的影響較�。▓D2D），說明SVM分類器具有較強的穩定性。
圖2確定與干旱或內源ABA水平相關的最佳NRIs（擬南芥）。
為了檢驗所選的NRIs中拾取的光譜特征是否可能重疊，檢查了所選NRIs與常見農業指數的關系。從Col-0和aba2對比中篩選出的少數NRIs與常規農業指數顯示出高相關性（|PCC|≥0.75）（圖3A）。通過與生化結果的兩兩比較，進一步評估了所選NRIs與植物色素和水分含量之間的合理關聯。方差分析F值顯示，只有少數選定的NRI與相對葉綠素含量（綠色條，圖3B）和葉片含水量（藍色條，圖3B）相關，而大多數與這兩個生化結果以及類胡蘿卜素含量（灰色條，圖3B）無關。利用PLS回歸方法對原始光譜數據進行含水量和相對葉綠素含量的預測。通過PLS回歸選擇的波長與基于aba2與Col-0和對照與干旱的比較所選擇的NRIs不一致（圖2），進一步支持了干旱脅迫除了對水分含量的變化有充分記錄外，還涉及非特征生理變化。為了證明所選NRIs在其他物種上的表現，使用生菜再次進行了類似的試驗。
圖 3 所選NRIs（ABA相關）與生理變化之間的關系（擬南芥）。
本研究采用擬南芥突變體來鑒定與ABA生物合成途徑相關的光譜變化。通過對葉片反射率數據的研究，了解光譜變化，從而確定生物途徑中存在的遺傳缺陷。在未來，廣泛收集葉片反射率信息可能有助于設計和優化強大的NRIs和ML模型，最終可應用于大田。鑒于aba2突變體在早期表現出干旱脅迫的光譜變化（圖1至3），使用擬南芥突變體也可以減少植物脅迫實驗所需的時間，提高過程中的效率。
作者及研究團隊介紹
本文的第一作者是Sally Shuxian Koh，隸屬于新加坡國立大學淡馬錫生命科學實驗室。淡馬錫生命科學實驗室（TLL）成立于2002年，是淡馬錫信托的受益人，隸屬于新加坡國立大學和南洋理工大學。TLL主要致力于了解構成植物，真菌和動物的發育和生理的細胞機制。這些研究為生物體如何發揮功能提供了新的理解，也為生物技術創新提供了基礎。TLL擁有國際合作伙伴網絡，并希望通過與本地和國際合作伙伴的合作和聯合研究事業，對新加坡生物技術產業的發展產生積極影響。
本文研究團隊包括新加坡國立大學淡馬錫生命科學實驗室，新加坡國立大學生物科學系，新加坡科學技術研究局(A*STAR)生物工程與生物成像研究所轉化生物光子學實驗室，新加坡科學技術研究局(A*STAR)材料研究與工程研究所(IMRE)。
淡馬錫生命科學實驗室
論文鏈接：
https://spj.science.org/doi/10.34133/plantphenomics.0060
——推薦閱讀——
https://doi.org/10.34133/plantphenomics.0070
Plant Phenomics | 分布式賬本能幫助克服農業機器學習對標記數據的需求嗎?
https://spj.science.org/doi/10.34133/2022/9879610
Plant Phenomics | 基于圖像增強和機器學習的苜蓿根系表型研究
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、�？l布會等高質量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
撰稿：史奕（南京農業大學）
排版：趙倩瑩（南京農業大學）
審核：孔敏、王平
