Trends in Plant “表型组时代”为植物胁迫研究带来新的机遇和挑战

来源：植物科学最前沿

植物胁迫是植物在非理想环境条件下生长的一种状态，是由各种生物(病原体、昆虫、害虫和杂草)和非生物(温度胁迫、营养缺乏、毒性、除草剂)因素引起的。由于各种植物胁迫造成的重大作物产量损失有可能威胁到全球粮食安全。植物病害流行是一个持续的威胁，并由于复杂的宿主病原环境动态变化而不断发生。全球气候变化可能加剧危害情况，昆虫和病原体胁迫压力将增加。此外，干旱、洪水、冰雹和风暴等与天气有关的挑战对作物生产产生不利影响。对全球的病理学家、昆虫学家、植物育种家和作物生产者来说，产量保证是一个动态的挑战。为了满足粮食生产不断增长的需求，了解植物胁迫对保证产量至关重要。在过去的十年中，图像处理和机器学习(ML)算法取得了重大进展，处理基于图像的应力数据集，用于自动数据分析和训练模型的应用。
近日，Trends in Plant Science在线发表了美国爱荷华州立大学农学系题为“Challenges and Opportunities in Machine-Augmented Plant Stress Phenotyping“的综述性文章，提出了一个利用ML技术的总体策略，该策略系统地使植物胁迫表型在不同类型的胁迫、项目目标和环境的多个尺度上得到应用。

植物的胁迫表型对选择抗胁迫品种和制定更好的胁迫管理策略至关重要。与独立的视觉测量相比，视觉评估的标准化和成像技术的部署提高了对压力评估的准确性和可靠性。ML与基于图像的表型分析相结合的能力不断增强，可以从各种作物和胁迫下经过整理、注释和高维数据集中提取新的见解。作者对测量植物应力的基础，植物胁迫高通量表型(HTP)，ML植物胁迫自动表型研究，DL自动植物胁迫表型研究及基于机器自动化的多尺度应力表现型等多方面进行了系统讲解，对未来的研究提出了一系列建议：

(i)ML模型所需的数据量取决于问题的复杂性和学习算法的复杂性;因此，为了更广泛的适用性，数据应不断更新，使用诸如AL之类的技术来反映有关作物的应激症状的复杂性。

(ii)为了巩固ML模型用于决策支持的实际应用，植物群落需要针对不同应力的通用数据集。数据集应该包括现实的和潜在的退化的感知环境(例如，多云，低光，雾，饱和照明)，以确保ML的强大的现场性能。需要不同学科之间的协作，以帮助ML的开发者，同时扩大训练数据集，以提高算法的能力和多功能性。这种方法将使开发管道能够处理不同的目标。

(iii)高分辨率传感器，如高光谱快照相机和热敏相机，将在田间表型的速率和规模上促进叶级质量表型。

(iv)更高质量的DL模型将受益于扩展的训练数据集。传感器、数据质量、图像捕捉和HTP效率的改进将增加数据量和DL模型的改进速度，以及分析，这些都是重要组成部分。

(v) 快速发展的策略，如(跨)领域适应和自我监督和半监督学习，翻译到植物科学界可以帮助创建可推广的表型工作流程，这将帮助多个研究项目和生产者与有用的评估工具的发展。

(vi) 目前基于mlb的策略侧重于位于叶片或冠层上的单一疾病或胁迫，但在现实情况中，多种疾病和胁迫可能出现在单个叶片或单个植物冠层上。ML平台必须健壮和灵活，并能够区分单个叶片或同一植物冠层上的多种疾病症状。数据集应该包含多年，多地点，和不同的症状图像的植物胁迫。

(vii)在育种和研究项目中，需要进行更大规模的试验，以评估新的作物品种、除草剂的功效和虫害管理策略。能够在整个植株、地块或田间水平评估作物的系统将使HTP和先进传感器的优势得到充分利用。

(viii)应组织一个开放源码的在线存储库，其中包括每种作物的植物胁迫数据集，以及在不同表型尺度(单个叶片、冠层和田间尺度)收集数据的详细最佳实践指南。如果压力在全国范围内具有重要意义，那么就有必要收集全国范围内的数据。对于具有国际重要性的强调，例如小麦等主要粮食作物的锈病流行，那么全国范围的数据收集将有助于捕获有关疾病或压力表达的整个谱。

(ix)收集的基于图像的应力数据集应满足公平的数据原则(可查找性、可访问性、互操作性和可重用性)。

(x)有必要为数据收集、数据管理、数据存储和数据分析创建可伸缩的网络基础设施。

植物胁迫严重程度表型是评估作物因各种生物和非生物胁迫造成的潜在损失的一个重要参数。它可以用来鉴定优良的抗病和耐压基因型，并评价疾病管理决策。目前用于胁迫严重程度表型分析的方法在不同的尺度上都有应用，比如对损伤数量或受影响的植物数量的精确计数，或者对某一特定胁迫在冠层和田间水平上影响的严重程度或表面积的估计。ML是一种很有前途的解决方案，它可以提高基于图像的疾病表型的速度、准确性、可靠性和可扩展性，同时允许在实验地块和农民的田地中灵活地实现可变的项目目标，这些包括通过减少人为错误改善疾病评级数据质量，以及在某种程度上评估者之间和内部的差异，以及其他问题。ML和DL都可以无缝集成到数据采集、数据预处理和数据分析中，用于植物性状的实时HTP。在疾病严重程度的量化和预测方面，ML方法的发展和应用需要不断提高，以补充传感器和表型平台的进展。这些将补充高分辨率和高维数据收集成像技术的进展。机器增强植物胁迫表型将为农民、植物育种家、病理学家和植物科学家提供最先进的解决方案