植物ストレス表現型のための高スループットの表現型と機械学習の包括的なレビュー

過去10年間、作物植物の発達段階全体でさまざまな生物型および非生物的ストレスを表現するための複数のセンサーを備えた地上および空中プラットフォームの迅速な採用がありました。高スループットの表現型（HTP）には、これらのツールの適用が植物を表現し、地上ベースのイメージングから空中表現型、リモートセンシングまで変化する可能性があります。これらのHTPツールの採用は、繁殖プログラムの表現型ボトルネックを減らし、遺伝的利益のペースを増やすのに役立ちました。より具体的には、植物の隠れた半分と長い間無視されていた領域を研究するために、いくつかの根の表現タイプ化ツールについて説明します。ただし、これらのHTPテクノロジーを使用すると、これらのデータセットからの推論を妨げるビッグデータセットが生成されます。機械学習と深い学習は、結論を出すために有用な情報を抽出するための代替機会を提供します。これらは、確率、統計、分類、回帰、決定理論、データの視覚化、およびニューラルネットワークを使用したデータ分析の学際的なアプローチであり、得られた表現型と抽出された情報を関連付けます。これらの手法は、特徴の抽出、識別、分類、予測基準を使用して、植物育種および病理活動で使用するための適切なデータを特定します。このレビューでは、さまざまなHTPプラットフォームを使用してデータが収集され、機械学習と深い学習アプローチが植物ストレスの表現タイプ化に使用されている最近の調査結果に焦点を当てています。潜在的な利点と落とし穴を備えたさまざまな機械学習と深い学習ツールの包括的な概要を提供しました。全体として、このレビューは、合法的な結論を描くための機械学習と深い学習ツールを使用することに特に重点を置いて、さまざまなHTPプラットフォームを研究するための道を提供します。最後に、概念的な課題が直面していることを提案し、それらの問題を管理するための将来の視点に関する洞察を提供します。

During the last decade, there has been rapid adoption of ground and aerial platforms with multiple sensors for phenotyping various biotic and abiotic stresses throughout the developmental stages of the crop plant. High throughput phenotyping (HTP) involves the application of these tools to phenotype the plants and can vary from ground-based imaging to aerial phenotyping to remote sensing. Adoption of these HTP tools has tried to reduce the phenotyping bottleneck in breeding programs and help to increase the pace of genetic gain. More specifically, several root phenotyping tools are discussed to study the plant's hidden half and an area long neglected. However, the use of these HTP technologies produces big data sets that impede the inference from those datasets. Machine learning and deep learning provide an alternative opportunity for the extraction of useful information for making conclusions. These are interdisciplinary approaches for data analysis using probability, statistics, classification, regression, decision theory, data visualization, and neural networks to relate information extracted with the phenotypes obtained. These techniques use feature extraction, identification, classification, and prediction criteria to identify pertinent data for use in plant breeding and pathology activities. This review focuses on the recent findings where machine learning and deep learning approaches have been used for plant stress phenotyping with data being collected using various HTP platforms. We have provided a comprehensive overview of different machine learning and deep learning tools available with their potential advantages and pitfalls. Overall, this review provides an avenue for studying various HTP platforms with particular emphasis on using the machine learning and deep learning tools for drawing legitimate conclusions. Finally, we propose the conceptual challenges being faced and provide insights on future perspectives for managing those issues.