Plant Phenomics | SNAP基于機器學習的全自動大豆根瘤提取算法

大豆植株和根瘤菌存在著互惠互利的動態(tài)共生關系：在根瘤中，根瘤菌將大氣中的氮(N2)固定為植株可利用的氨(NH3)，滿足了植株對氮元素的需求；作為宿主的大豆植株則會向根瘤菌提供碳元素。氮元素(N)對植株的氨基酸構建、營養(yǎng)生長以及種子內(nèi)的蛋白質(zhì)積累至關重要。

近日，Plant Phenomics 在線發(fā)表了題為Using Machine Learning to Develop a Fully Automated Soybean Nodule Acquisition Pipeline (SNAP)的研究論文。

大豆根部的根瘤數(shù)量從每株幾個到幾百個不等，在不同基因型的植株之間，根瘤的數(shù)量可能有所不同，并沿植株的主根和次生根波動(Figure 1)。在結瘤和未結瘤親本的比較試驗中，生長階段后期時，結瘤植株中的氮含量能夠增加高達6倍，證明了結瘤能夠給植株帶來積極影響；然而，植株上的根瘤也并非越多越好，目前已有研究證明了高結瘤突變體的效率很低，會導致生物量和產(chǎn)量減少。

Figure 1: Various genotypes grown in the same field environment with (a) low, (b) moderate, and (c) high nodulation.

對大豆根瘤的定量分析是一項乏味且枯燥的工作。因此，對根瘤的評估通常會在能夠進行快速表型分析的尺度上進行，使得信息量較少且具有一定的主觀性。

在該文中，作者結合RetinaNet和UNet深度學習架構，提出了用于采集并量化分析大豆根瘤的算法(SNAP，F(xiàn)igure 2)，用于對根瘤的檢測和分割。該算法使用了來自不同基因型、生長期和田間位置的691個大豆根部數(shù)據(jù)進行開發(fā)，具有良好的模型擬合度(R2=0.99)。該算法降低了人工勞動的強度及其帶來的數(shù)據(jù)偏差，并同時獲得與根瘤生長、位置和根分布相關的可量化性狀(Figure 3)。由于該算法能夠以更高的通量對大豆根部的根瘤進行表型分析，使得研究者能夠在生育期早期就對基因和環(huán)境因素以及二者的互作對根瘤形成的影響進行評估，從而有望增進研究者對植株與根瘤菌關系的了解。

Figure 2:Overview of the workflow of Soybean Nodulation Acquisition Pipeline (SNAP).

Figure 3:(a) Sample input image. (b) SNAP output image with bounding boxes around predicted nodules. (c) SNAP output image with detected taproot (white) and locations of the center of the bounding boxes (red points).

論文鏈接

https://spj.sciencemag.org/journals/plantphenomics/2021/9834746/

——推薦閱讀——

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

https://spj.sciencemag.org/journals/plantphenomics/2021/9892570/

Plant Phenomics | 基于無人機圖像和深度學習鑒定大豆對水澇脅迫的響應

Soybean Root System Architecture Trait Study through Genotypic, Phenotypic, and Shape-Based Clusters

https://spj.sciencemag.org/journals/plantphenomics/2020/1925495/

Plant Phenomics | 通過對大豆根系的基因、表型及根形進行聚類分析來研究根系構型特征

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)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(chuàng)性研究論文、綜述、數(shù)據(jù)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(nóng)業(yè)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(tǒng)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、PMC、SCIE和Scopus數(shù)據(jù)庫收錄。

說明：本文由《植物表型組學》編輯部負責組稿。

中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。

撰稿：王棟（實習）

編輯：張威（實習）、鞠笑、孔敏

審核：尹歡