Машинное обучение раскрывает новые данные о стрессовых реакциях для диагностики здоровья растений

Цветовые узоры листьев, зависящие от возраста и стрессовых факторов, служат индикаторами здоровья растений. Датчик VIS-NIR-SWIR эффективно измеряет эти узоры с высоким разрешением, но до сих пор позволял оценивать лишь общее состояние и содержание фитопигментов, а не конкретные метаболические или сигнальные дефекты.

Фитогормоны, особенно абсцизовая кислота (ABA), играют ключевую роль в реакции растений на стресс. Хотя спектроскопические методы позволяют неинвазивно отслеживать здоровье, интерпретация данных осложняется такими факторами, как угол листа и структура поверхности.

В июне 2023 года Plant Phenomics опубликовал статью "Классификация эндогенных состояний растений с использованием сельскохозяйственных индексов, полученных методами машинного обучения".

В исследовании использовались feature engineering и методы машинного обучения для анализа спектра отражения листьев в диапазоне VIS-NIR-SWIR с целью диагностики здоровья, уделяя особое внимание физиологическим изменениям, связанным с гормоном стресса ABA.

Результаты показали, что мутанты с гиперэкспрессией ABA2 и его дефицитом в условиях засухи демонстрируют уникальные спектры отражения. Данные, сглаженные фильтром Савицкого–Голая, выявили, что мутанты aba2 имеют особые спектральные сигнатуры, особенно при засухе, с пониженным отражением в определённых диапазонах длин волн.

Логарифмическое отношение (log₂) спектров отражения выявило ранние индикаторы засухи, не связанные с потерей воды, но потенциально связанные с уровнем ABA. Для отбора признаков и классификации был проведён de novo скрининг нормализованных разностных индексов (NRI) для выявления тех, что связаны с засухой и уровнем ABA.

Наивысшие значения F-меры наблюдались у NRI, содержащих определённые диапазоны длин волн, что указывает на существенную роль ABA в спектральных изменениях, вызванных засухой. Классификаторы, построенные на этих NRI, эффективно различали генотипы и группы обработки, причём SVM-классификатор показал высокую производительность и устойчивость.

Исследование также изучило связь отобранных NRI с содержанием воды и хлорофилла. Хотя некоторые NRI коррелировали с традиционными сельскохозяйственными индексами, большинство не было связано с этими биохимическими параметрами.

PLS-регрессия предсказывала содержание воды и хлорофилла по исходным спектральным данным, но выбранные длины волн отличались от таковых в топовых NRI, что указывает на дополнительные физиологические изменения помимо известных эффектов засухи.

Наконец, метод был применён для скрининга связанных с засухой NRI у салата-латука, подтвердив применимость подхода к другим видам.

Исследование подчёркивает потенциал мутантов Arabidopsis в выявлении спектральных вариаций, связанных с гормональными и физиологическими изменениями, предлагая более эффективный метод диагностики стресса и понимания состояния растений.