苜蓿/紫花苜蓿（Medicago sativa L.）是得到了广泛种植的多年生草料作物，其有十分发达的根系，能够从深达6米的地下汲取水分和养料。在苜蓿的生命周期中，其根系会积极地发挥固碳作用，还能够借助生物固氮效应向土壤供应大量的氮元素。然而，根系在土壤中呈现较高的可塑性且难以对其结构直接进行测量，导致对根系结构（Root System Architecture，RSA）性状的选育进度较地上性状落后。

近日，Plant Phenomics 在线发表了美国农业部农业研究所及其合作单位完成的题为Objective Phenotyping of Root System Architecture Using Image Augmentation and Machine Learning in Alfalfa (Medicago sativa L.) 的研究论文。

“根系结构” 指在特定生长环境中植物根部随时间推移的空间分布情况，受遗传基因以及环境因素（土壤水分含量、温度、pH值等）共同调控。不同的根系特性能使植物适应各种不同的环境，影响耐旱性、耐热性、抗倒伏性、产量等关键性状。因此，随着全球气候变化的不断加剧，改良根系性状以增强植物对各种胁迫的抗性显得愈发重要。而由于根部性状的特殊性（隐藏在地下），在根系结构方面使用基于表型选择的常规育种方式仍具有一定的挑战性。

目前，专门针对苜蓿根系结构（RSA）表型的育种研究仍较少，正在进行的育种工作主要面向主根及分支类型进行，对根系结构的表型分析也主要依赖人工目视评估或分类。尽管已有部分研究开发了基于图像的根系表型方法，但这些方法在实际的育种工作中作用仍较为有限。因此，该文章从实际的苜蓿表型和育种工作出发，开发和比较了基于图像的根系结构表型分析方法，使用机器学习和深度学习算法对田间采集的成熟期苜蓿图像进行分类。结果表明，无监督机器学习模型倾向于将根系图像错误地归集为正态分布，将大部分样本分类为中间型；而基于随机森林和深度学习算法开发的模型（图2）能够以86%的准确率将根系类型分为分支型、主根型和中间型（图1），且添加图像增强模块后能将准确率提高至97%。此外，算法还会基于预测类型及其概率输出预测置信度，辅助育种家更好地做出品系筛选决策。

该文章所提出的机器学习和深度学习方法能够准确分类根系结构表型，还有望用于气候适应性较强的苜蓿的分子育种工作中。

图1(a)侧根型;(b)直根型和(c)介于直根型和侧根型中间根型代表性图像

图2有三个隐藏层的人工神经网络（Artificial neural network，ANN）

论文链接

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

——推荐阅读——

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

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

Plant Phenomics | SNAP：基于机器学习的全自动大豆根瘤提取算法

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

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

Plant Phenomics | 使用光谱特征和机器学习检测水稻纹枯病的发病先兆