苜蓿/紫花苜蓿（Medicago sativa L.）是得到了廣泛種植的多年生草料作物，其有十分發(fā)達(dá)的根系，能夠從深達(dá)6米的地下汲取水分和養(yǎng)料。在苜蓿的生命周期中，其根系會(huì)積極地發(fā)揮固碳作用，還能夠借助生物固氮效應(yīng)向土壤供應(yīng)大量的氮元素。然而，根系在土壤中呈現(xiàn)較高的可塑性且難以對(duì)其結(jié)構(gòu)直接進(jìn)行測(cè)量，導(dǎo)致對(duì)根系結(jié)構(gòu)（Root System Architecture，RSA）性狀的選育進(jìn)度較地上性狀落后。
 

近日，Plant Phenomics 在線發(fā)表了美國(guó)農(nóng)業(yè)部農(nóng)業(yè)研究所及其合作單位完成的題為Objective Phenotyping of Root System Architecture Using Image Augmentation and Machine Learning in Alfalfa (Medicago sativa L.) 的研究論文。
 

“根系結(jié)構(gòu)” 指在特定生長(zhǎng)環(huán)境中植物根部隨時(shí)間推移的空間分布情況，受遺傳基因以及環(huán)境因素（土壤水分含量、溫度、pH值等）共同調(diào)控。不同的根系特性能使植物適應(yīng)各種不同的環(huán)境，影響耐旱性、耐熱性、抗倒伏性、產(chǎn)量等關(guān)鍵性狀。因此，隨著全球氣候變化的不斷加劇，改良根系性狀以增強(qiáng)植物對(duì)各種脅迫的抗性顯得愈發(fā)重要。而由于根部性狀的特殊性（隱藏在地下），在根系結(jié)構(gòu)方面使用基于表型選擇的常規(guī)育種方式仍具有一定的挑戰(zhàn)性。
 

目前，專(zhuān)門(mén)針對(duì)苜蓿根系結(jié)構(gòu)（RSA）表型的育種研究仍較少，正在進(jìn)行的育種工作主要面向主根及分支類(lèi)型進(jìn)行，對(duì)根系結(jié)構(gòu)的表型分析也主要依賴人工目視評(píng)估或分類(lèi)。盡管已有部分研究開(kāi)發(fā)了基于圖像的根系表型方法，但這些方法在實(shí)際的育種工作中作用仍較為有限。因此，該文章從實(shí)際的苜蓿表型和育種工作出發(fā)，開(kāi)發(fā)和比較了基于圖像的根系結(jié)構(gòu)表型分析方法，使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法對(duì)田間采集的成熟期苜蓿圖像進(jìn)行分類(lèi)。結(jié)果表明，無(wú)監(jiān)督機(jī)器學(xué)習(xí)模型傾向于將根系圖像錯(cuò)誤地歸集為正態(tài)分布，將大部分樣本分類(lèi)為中間型；而基于隨機(jī)森林和深度學(xué)習(xí)算法開(kāi)發(fā)的模型（圖2）能夠以86%的準(zhǔn)確率將根系類(lèi)型分為分支型、主根型和中間型（圖1），且添加圖像增強(qiáng)模塊后能將準(zhǔn)確率提高至97%。此外，算法還會(huì)基于預(yù)測(cè)類(lèi)型及其概率輸出預(yù)測(cè)置信度，輔助育種家更好地做出品系篩選決策。
 

該文章所提出的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法能夠準(zhǔn)確分類(lèi)根系結(jié)構(gòu)表型，還有望用于氣候適應(yīng)性較強(qiáng)的苜蓿的分子育種工作中。
 

圖1(a)側(cè)根型;(b)直根型和(c)介于直根型和側(cè)根型中間根型代表性圖像

圖2有三個(gè)隱藏層的人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN）

論文鏈接

https://doi.org/10.34133/2022/9879610

——推薦閱讀——

Qualification of Soybean Responses to Flooding Stress Using UAV-Based Imagery and Deep Learning

https://doi.org/10.34133/2021/9892570

Plant Phenomics | SNAP：基于機(jī)器學(xué)習(xí)的全自動(dòng)大豆根瘤提取算法

Machine Learning-Based Presymptomatic Detection of Rice Sheath Blight Using Spectral Profiles (sciencemag.org)

https://doi.org/10.34133/2020/8954085

Plant Phenomics | 使用光譜特征和機(jī)器學(xué)習(xí)檢測(cè)水稻紋枯病的發(fā)病先兆

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開(kāi)展作者分享會(huì)、專(zhuān)刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開(kāi)放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)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(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄。2021年中科院期刊分區(qū)表影響因子5.706，位于農(nóng)藝學(xué)、植物科學(xué)兩個(gè)小類(lèi)一區(qū)，遙感小類(lèi)二區(qū)，生物大類(lèi)一區(qū)（Top期刊）。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說(shuō)明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。

中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。

撰稿：王棟（實(shí)習(xí)）

編輯：趙瑜涵（實(shí)習(xí)）

審核：孔敏、王平