脱落酸（ABA）通过诱导叶片的生理变化，控制植物对干旱和其他环境胁迫的适应。拟南芥ABA2基因参与催化ABA合成的最后一步。可见光-红外-短波红外（VIS-NIR-SWIR）传感器测量叶片色，光谱范围广，分辨率高。然而，光谱信息仅用于了解植物的一般状况（如植被指数）或植物色素含量，而不是精确定位植物中特定代谢或信号通路的缺陷。本文获取VIS-NIR-SWIR叶片反射率，利用从新的NRIs中获得的少量光谱特征，构建高度可解释和精确的支持向量机（SVM）分类器，精确定位与应激激素脱落酸（ABA）相关的生理变化。

2023年6月，Plant Phenomics在线发表了新加坡国立大学淡马锡生命科学实验室等单位题为 Classification of Plant Endogenous States Using Machine Learning-Derived Agricultural Indices 的研究论文。

本研究分别收集了野生型、ABA2过表达型和ABA2缺陷型植物在水分和干旱条件下的叶片反射光谱（图1）。光谱比较表明，在490 ~ 680 nm处叶片反射率下降是干旱胁迫的早期指标，与叶片水分流失无关，但可能与内源ABA水平有关。

图1水分和干旱条件下野生型（Col-0）、aba缺陷突变体（aba2）和aba2过表达系（aba2 -ox）拟南芥叶片反射光谱。

为了确定与干旱和/或内源ABA水平相关的最佳NRIs，筛选了与对照和干旱条件以及野生和突变体高度相关的归一化反射指数（NRIs）。

（图2A）使用公式进行NRI的计算，根据样本的F值（样本平均值之间的变化程度超过样本内变化的程度）进行排序，排除ANOVA  F值低（F≤20）和共线性高（|PCC|≥0.75）的NRIs，将Z-scored、log2转换的NRIs绘制为热图，并绘制用RFE方法选择的前20个NRIs的F值（图2B）。对aba2和Col-0的前20个NRIs进行聚类分析，结果表明aba2与aba2 -ox和Col-0具有明显的区别。在对照和干旱条件下收集的ABA2-ox数据与干旱条件下的Col-0聚类密切，表明ABA水平升高部分模拟了干旱引起的信息光谱变化。接下来，使用小的、非冗余的NRIs集，使用SVM、RF和LogReg模型构建可解释分类器，将aba2与其他2个基因型（Col-0和aba2 -ox）区分开来（图2C）。使用RBF的SVM分类器表现出最高的性能，平均准确率为87.3%±1.4%。排列重要性检验表明，随机变换每个特征值对分类精度的影响较小（图2D），说明SVM分类器具有较强的稳定性。

图2确定与干旱或内源ABA水平相关的最佳NRIs（拟南芥）。

为了检验所选的NRIs中拾取的光谱特征是否可能重叠，检查了所选NRIs与常见农业指数的关系。从Col-0和aba2对比中筛选出的少数NRIs与常规农业指数显示出高相关性（|PCC|≥0.75）（图3A）。通过与生化结果的两两比较，进一步评估了所选NRIs与植物色素和水分含量之间的合理关联。方差分析F值显示，只有少数选定的NRI与相对叶绿素含量（绿色条，图3B）和叶片含水量（蓝色条，图3B）相关，而大多数与这两个生化结果以及类胡萝卜素含量（灰色条，图3B）无关。利用PLS回归方法对原始光谱数据进行含水量和相对叶绿素含量的预测。通过PLS回归选择的波长与基于aba2与Col-0和对照与干旱的比较所选择的NRIs不一致（图2），进一步支持了干旱胁迫除了对水分含量的变化有充分记录外，还涉及非特征生理变化。为了证明所选NRIs在其他物种上的表现，使用生菜再次进行了类似的试验。

图 3 所选NRIs（ABA相关）与生理变化之间的关系（拟南芥）。

本研究采用拟南芥突变体来鉴定与ABA生物合成途径相关的光谱变化。通过对叶片反射率数据的研究，了解光谱变化，从而确定生物途径中存在的遗传缺陷。在未来，广泛收集叶片反射率信息可能有助于设计和优化强大的NRIs和ML模型，最终可应用于大田。鉴于aba2突变体在早期表现出干旱胁迫的光谱变化（图1至3），使用拟南芥突变体也可以减少植物胁迫实验所需的时间，提高过程中的效率。

论文链接：

https://spj.science.org/doi/10.34133/plantphenomics.0060

——推荐阅读——

Can Distributed Ledgers Help to Overcome the Need of Labeled Data for Agricultural Machine Learning Tasks ?  

‍https://doi.org/10.34133/plantphenomics.0070

Plant Phenomics | 分布式账本能帮助克服农业机器学习对标记数据的需求吗?

Objective Phenotyping of Root System Architecture Using Image Augmentation and Machine Learning in Alfalfa (Medicago sativa L.) 

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

Plant Phenomics | 基于图像增强和机器学习的苜蓿根系表型研究

加入作者交流群