Анализ фенотипа декоративных растений с использованием искусственных нейронных сетей: определение таксономических и физиологических характеристик
Аннотация
Феномика – междисциплинарная научная область, объектом исследования которой являются фенотипы, их качественные и количественные показатели, а также закономерности их формирования в ходе онтогенеза и в результате взаимодействия с внешними факторами. Методология феномики – совокупность подходов фенотипирования растений, включающая в себя ряд наиболее современных технологий получения изображений, спектрального, биохимического, молекулярного и генетического анализа, а также инновационных методов информатики, таких как распознавание изображений, компьютерное зрение и машинное обучение. Целью настоящей работы была разработка феномного приложения, основанного на компьютерном зрении и методах машинного обучения, для таксономической классификации и определения физиологического состояния декоративных растений различных групп. В результате работы созданы, классифицированы и аннотированы базы данных Thuja occidentalis L., Forsythia intermedia Vahl, Heuchera micrantha Douglas ex Lindl., Syringa vulgaris L., Phalaenopsis × hybridum Blume. Разработана модель сверточной нейронной сети для таксономической классификации и определения физиологического состояния растений на основе RGB-изображений. Обучение проводилось на основе баз изображений, полученных в стандартизированных условиях при помощи высококачественных RGB-камер. Разработанная нейронная сеть продемонстрировала коэффициент детерминации (R2 ) около 0,66 при определении физиологического состояния. Также нейронная сеть показала высокую эффективность распознавания таксономической принадлежности декоративных видов растений (около 90,8 %).
Литература
- Schilling CH, Edwards JS, Palsson BO. Toward metabolic phenomics: analysis of genomic data using flux balances. Biotechnology Progress. 1999;15(3):288–295. DOI: 10.1021/bp9900357.
- Deans AR, Lewis SE, Huala E, Anzaldo SS, Ashburner M, Balhoff JP, et al. Finding our way through phenotypes. PLOS Biology. 2015;13(1):14 –29. DOI: 10.1371/journal.pbio.1002033.
- Gerlai R. Phenomics: fiction or the future? Trends in Neurosciences. 2002;25(10):506 –509. DOI: 10.1016/S0166-2236(02)02250-6.
- Houle D, Govindaraju DR, Omholt S. Phenomics: the next challenge. Nature Reviews Genetics. 2010;11:855–866. DOI: 10.1038/ nrg2897.
- Großkinsky DK, Svensgaard J, Christensen S, Roitsch T. Plant phenomics and the need for physiological phenotyping across scales to narrow the genotype-to-phenotype knowledge gap. Journal of Experimental Botany. 2015;66(18):5429–5440. DOI: 10.1093/ jxb/erv345.
- Reuzeau C. TraitMill (TM): A high throughput functional genomics platform for the phenotypic analysis of cereals. In Vitro Cellular & Developmental Biology – Animal. 2007;43(4):20 –24.
- Ubbens JR, Stavness I. Deep plant phenomics: a deep learning platform for complex plant phenotyping tasks. Frontiers in Plant Science. 2017;8:1190. DOI: 10.3389/fpls.2017.01190.
- Mirowski P, LeCun Y. Statistical machine learning and dissolved gas analysis: a review. IEEE Transactions on Power Delivery. 2012;27(4):1791–1799. DOI: 10.1109/TPWRD.2012.2197868.
- Hof RD. Deep learning. With massive amounts of computational power, machines can now recognize objects and translate speech in real time. Artificial intelligence is finally getting smart. MIT Technology Review. 2013;116(2):78–86.
- Libbrecht MW, Noble WS. Machine learning applications in genetics and genomics. Nature Reviews Genetics. 2015;16:321–332. DOI: 10.1038/nrg3920.
- Raj MP, Jatinderkumar RS, Swaminarayan P. Compartmentalization of new released and old wheat cultivars (Triticum durum & Triticum aestivum) of Gujarat region of India by employing computer. Smart Trends in Information Technology and Computer Communications. 2016;628:1–10. DOI: 10.1007/978-981-10-3433-6_1.
- Namin ST, Esmaeilzadeh M, Najafi M, Brown TB, Borevitz JO. Deep phenotyping: deep learning for temporal phenotype/ genotype classification. Plant Methods. 2008;14:1–16. DOI: 10.1186/s13007-018-0333-4.
- Arvidsson S, Pérez-Rodríguez P, Mueller-Roeber B. Growth phenotyping pipeline for Arabidopsis thaliana integrating image analysis and rosette area modeling for robust quantifi-cation of genotype effects. New Phytologist. 2011;191:895–907. DOI: 10.1111/ j.1469-8137.2011.03756.
- Rolfe A, Scholes D. Chlorophyll fluorescence imaging of plant-pathogen interactions. Protoplasma. 2010;247:163–175. DOI: 10.1007/s00709-010-0203-z.
- Sharkey D, Sarathi M, Weraduwage JC, Fransisca C, Anozie AM, Sean E. The relationship between leaf area growth and biomass accumulation in Arabidopsis thaliana. Frontiers in Plant Science. 2015;194:59 – 68. DOI: 10.3389/fpls.2015.00167.
- Clark RT, MacCurdy RB, Jung JK, Shaff JE, McCouch SR, Aneshansley DJ, et al. Three-dimensional root phenotyping with a novel imaging and software platform. Plant Physiology. 2011;156(2):455– 465. DOI: 10.1104/pp.110.169102.
- Slovak R, Göschl C, Su X, Shimotani K, Shiina T, Busch W. A scalable open-source pipeline for large-scale root phenotyping of Arabidopsis. Plant Cell. 2014;26:2390 –2403. DOI: 10.1105/tpc.114.124032.
- Vello E, Tomita A, Diallo AO, Bureau TE. A comprehensive approach to assess arabidopsis survival phenotype in water-limited condition using a non-invasive high-throughput phenomics platform. Frontiers in Plant Science. 2015;6:1101–1120. DOI: 10.3389/ fpls.2015.01101.
- DeChant C, Wiesner-Hanks T, Chen SY, Stewart EL, Yosinski J, Gore MA, et al. Automated identification of northern leaf blight-infected maize plants from field imagery using deep learning. Phytopathology. 2017;107(11):1426 –1432. DOI: 10.1094/PHYTO- 11-16-0417-R.
- Price AH, Jones HJ, Serraj R, Loveys BR, Xiong L, Wheaton A. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field. Functional Plant Biology. 2009;36:978–989. DOI: 10.1071/ FP09123.
- Grieder C, Walter A, Hund A. Image based phenotyping during winter: a powerful tool to assess wheat genetic variation in growth response to temperature. Functional Plant Biology. 2015;42:387– 402. DOI: 10.1071/FP14226.
- Walter A, Studer B, Kölliker R. Advanced phenotyping offers opportunities for improved breeding of forage and turf species. Annals of Botany. 2012;110:1271–1279. DOI: 10.1093/aob/mcs026.
- Lawrence S, Giles CL, Tsoi AC, Back AD. Face recognition: a convolutional neural-network approach. IEEE Transactions on Neural Networks. 1997;8(1):98–113. DOI: 10.1109/72.554195.
- Kuzniecky R, Madhavan D, LeCun Y, Mirowski PW. Comparing SVM and convolutional networks for epileptic seizure prediction from intracranial EEG. In: Proceedings of the 2008 IEEE Workshop on Machine Learning for Signal Processing, MLSP 2008. Cancun: [publisher unknown]; 2008. p. 244 –249. DOI: 10.1109/MLSP.2008.4685487.
- Ghosal S, Blystone D, Singh AK, Ganapathysubramanian B, Sarkar S. An explainable deep machine vision framework for plant stress phenotyping. Proceedings of the National Academy of Sciences of the United States of America. 2018;115(18):4613– 4618. DOI: 10.1073/pnas.1716999115.
- Gehan MA, Fahlgren N, Abbasi A, Berry JS, Callen ST, Chavez L, et al. PlantCV v2: Image analysis software for high-throughput plant phenotyping. PeerJ. 2017;5:54 –79. DOI: 10.7717/peerj.4088.
- Kraus OZ, Grys BT, Ba J, Chong Y, Frey BJ, Boone C, et al. Automated analysis of high-content microscopy data with deep learning. Molecular Systems Biology. 2017;13(4):924 – 937. DOI: 10.15252/msb.20177551.
- Uzal LC, Grinblat GL, Namias R, Larese MG, Bianchi JS, Morandi EN, et al. Seed-per-pod estimation for plant breeding using deep learning. Computers and Electronics in Agriculture. 2018;150:196 –204. DOI: 10.1016/j.compag.2018.04.024.
- Xu R, Li CY, Paterson AH, Jiang Y, Sun SP, Robertson JS. Aerial images and convolutional neural network for cotton bloom detection. Frontiers in Plant Science. 2018;8:2235. DOI: 10.3389/fpls.2017.02235.
- Khan Z, Rahimi-Eichi V, Haefele S, Garnett T, Miklavcic SJ. Estimation of vegetation indices for high-throughput phenotyping of wheat using aerial imaging. Plant Methods. 2018;14(1):20–34. DOI: 10.1186/s13007-018-0287-6.
- König IR, Auerbach J, Gola D, Held E, Holzinger ER, Legault MA, et al. Machine learning and data mining in complex genomic data – a review on the lessons learned in Genetic Analysis Workshop. BMC Genetics. 2016;17:49–56. DOI: 10.1186/s12863015-0315-8.
- Gutierrez S, Novales JF, Diago MP, Tardaguila J. On-the-go hyperspectral imaging under field conditions and machine learning for the classification of grapevine varieties. Frontiers in Plant Science. 2018;9:1102–1113. DOI: 10.3389/fpls.2018.01102.
- Xiong X, Duan LF, Liu LB, Tu HF, Yang P, Wu D, et al. Panicle-SEG: a robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization. Plant Methods. 2017;104(13):1–15. DOI: 10.1186/s13007-017-0254-7.
- Jin S, Su Y, Gao S, Wu F, Hu T, Liu J, et al. Deep learning: individual maize segmentation from terrestrial lidar data using faster RCNN and regional growth algorithms. Frontiers in Plant Science. 2018;9:866 – 879. DOI: 10.3389/fpls.2018.00866.
- Bai G, Jenkins S, Graef GL, Ge Y. Field-based scoring of Soybean iron deficiency chlorosis using RGB Imaging and Statistical Learning. Frontiers in Plant Science. 2018;9:1002–1014. DOI: 10.3389/fpls.2018.01002.
- Komyshev E, Genaev M, Afonnikov D. Evaluation of the SeedCounter, a mobile application for grain phenotyping. Frontiers in Plant Science. 2017;7:1– 9. DOI: 10.3389/fpls.2016.01990.
- Mellit A, Pavan AM. A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy. Solar Energy. 2010;84(5):807– 821. DOI: 10.1016/j.solener.2010.02.006.
- Navaratnarajah S, Saeed A, Dianati M, Imran M. Energy efficiency in heterogeneous wireless access networks. IEEE Wireless Communications. 2013;20(5):37– 43. DOI: 10.1109/MWC.2013.6664472.
- Rampasek L, Goldenberg A. TensorFlow: Biology’s Gateway to Deep Learning? Cell Systems. 2016;2(1):12–14. DOI: 10.1016/ j.cels.2016.01.009.
- Suykens JAK, Vandewalle J. Least squares support vector machine classifiers. Neural Processing Letters. 1999;9(3):293–300. DOI: 10.1023/A:1018628609742.
- Ghosh-Dastidar S, Adeli H, Dadmehr N. Principal component analysis-enhanced cosine radial basis function neural network for robust epilepsy and seizure detection. IEEE Transactions on Biomedical Engineering. 2008;55(2):512–518. DOI: 10.1109/ TBME.2007.905490.
- Henaff M, Bruna J, LeCun Y. Deep convolutional networks on graph-structured data. 2015. arXiv:1506.05163 [cs.LG].
- Gang SW, Sheng FB, You EX, Wang Y, Chang Y, Xiang O. A leaf recognition algorithm for plant classification using probabilistic neural network. In: IEEE International Symposium on Signal Processing and Information Technology. Proceedings of the conference; 2007 December 15–18; Giza, Egypt. Giza: IEEE; 2007. p. 11–16. DOI: 10.1109/ISSPIT.2007.4458016.
- Camargo A, Smith JS. Image pattern classification for the identification of disease causing agents in plants. Computers and Electronics in Agriculture. 2009;66(2):121–125. DOI: 10.1016/j.compag.2009.01.003.
- Sankaran S, Mishra A, Ehsani R, Davis C. A review of advanced techniques for detecting plant diseases. Computers and Electronics in Agriculture. 2010;72(1):1–13. DOI: 10.1016/j.compag.2010.02.007.
Copyright (c) 2019 Журнал Белорусского государственного университета. Биология
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Авторы, публикующиеся в данном журнале, соглашаются со следующим:
- Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
- Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).