Plant Phenomics | 利用彈性網正則化或卷積神經網絡構建評估扁豆絲囊菌根腐病的廣義線性模型

絲囊菌根腐病是限制扁豆和豌豆產量的主要疾病，能夠導致嚴重的經濟損失。目前商業化推廣種植的品種大都缺乏根腐病抗性，因此，研究者致力于通過遺傳育種方法開發出抗病性更好的扁豆品種。

作物表型由于與植物表達性狀（受基因和環境因素間的相互作用影響）的評估息息相關，所以成為了作物改良工作中的一個關鍵過程。傳統表型方法通量較低且易受主觀因素影響，往往費時費力，因此有必要開發新的表型組學技術，在細胞、器官、植株或群體層面輔助獲取多維表型數據。可以預見的是，與傳統方法相比，表型組學的進步將能夠實現對大規模育種試驗進行無損、自動化以及高時空分辨率的評估。

數據驅動的方法解釋特定的生物學模式（如抗病性和農藝表現等）能夠幫助植物育種專家、病理學家和生理學家等做出決策。傳感器技術的發展推動了許多性狀的大規模篩選，這種大規模篩選的方法會生成大量的數據，需要進行數據分析來提取出有意義的數據性狀，因此新的數據分析方法也亟待開發。已有研究表明，統計學方法和機器學習方法都可以從收集到的表型數據中有效地提取性狀。與統計學方法相比，機器學習方法的優點之一是其能夠評估多個性狀的組合，而不是針對某些性狀一個一個地進行評估。

近日，Plant Phenomics在線發表了華盛頓州立大學Afef Marzougui等人的題為Generalized Linear Model with Elastic Net Regularization and Convolutional Neural Network for Evaluating Aphanomyces Root Rot Severity in Lentil的研究論文。

論文作者使用可見光圖像評估了扁豆的絲囊菌根腐病抗性。為了輔助表型過程，在論文作者先前的研究工作中，已評估了從可見光或高光譜圖像中提取扁豆根芽的可能性，并結合使用了用于疾病分類預測的彈性網回歸模型。考慮到深度學習方法的潛在優點，該文章建立了一個扁豆根圖像數據集(Fig. 1 (a))，并由育種專家根據發病的嚴重程度進行了標注，之后基于數據集開發并比較了兩種深度學習方法，具有彈性網正則化或卷積神經網絡的廣義線性模型(Fig. 1)，能夠將疾病抗性分為三類：抗性、部分抗性、易感性。

Fig.1: Data analysis approaches: training and optimization. (a) Imagery datasets, (b) distribution of ARR visual disease scores and ARR disease classes within experiments, (c) distribution of ARR visual disease scores and ARR disease classes within root_1 dataset (n = 6,460 images) and root_2 dataset (n = 3,275 images), (d) CNN architecture, and (e) generalized mixed model with EN regularization optimization and feature selection.

結果表明，使用彈性網正則化的模型提取出的圖像特征能夠以較高準確度對三種疾病類別進行分類(Fig. 4)，且兩種方法均能準確地檢測出抗病等級(Fig. 5)。然而，由于部分抗性的特征和數據通常與抗性和易感性的數據有所重疊，因此很難檢測出部分抗性。總體來說，該文使用表型技術和機器學習方法為扁豆絲囊菌根腐病抗性的定量分析提供了新的見解。

Fig.4: Spearman correlation analysis of the model-selected final RGB features—selected using EN—and visual disease scores (n = 6,460 and 3,275, for root_1 and root_2, respectively).

Fig.5: nMDS ordinations of test set (random run = 7): (a) RGB features selected using EN for root_1 dataset, (b) RGB features selected using EN for root_2 dataset, (c) FC features extracted from CNN for root_1 dataset, and (d) FC features extracted from CNN for root_2 dataset. (e) Venn diagram of resistant class classification averaged across the 10 random runs.

論文鏈接
https://spj.sciencemag.org/journals/plantphenomics/2020/2393062/

——推薦閱讀——
Convolutional Neural Networks for Image-Based High-Throughput Plant Phenotyping: A Review
https://spj.sciencemag.org/journals/plantphenomics/2020/4152816/
Plant Phenomics 綜述 | 卷積神經網絡用于基于圖像的高通量植物表型綜述
How Convolutional Neural Networks Diagnose Plant Disease
https://spj.sciencemag.org/journals/plantphenomics/2019/9237136/
如何利用卷積神經網絡診斷植物病害 | RESEARCH ARTICLE

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，是Science合作出版的第二本期刊。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CABI、CNKI、DOAJ和PMC數據庫收錄。

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：王棟（實習）
編輯：周燦彧（實習）、鞠笑、孔敏
審核：尹歡