[論文レビュー] DeepG2P: Fusing Multi-Modal Data to Improve Crop Production

Swati Sharma, Aditi Partap+3 more|arXiv (Cornell University)|Nov 11, 2022

Smart Agriculture and AI被引用数 10

ひとこと要約

DeepG2P は、遺伝子（SNP）、天候、土壌、および畑管理データを統合するマルチモーダルなディープラーニングフレームワークを提案する。LightGBM を用いた特徴量の重要度分析と、モダリティ間のアテンション機構を活用することで、重要なSNPと環境要因を同定し、複数のデータソースを統合的にモデリングすることで、作物の収量予測を向上させる。

ABSTRACT

Agriculture is at the heart of the solution to achieve sustainability in feeding the world population, but advancing our understanding on how agricultural output responds to climatic variability is still needed. Precision Agriculture (PA), which is a management strategy that uses technology such as remote sensing, Geographical Information System (GIS), and machine learning for decision making in the field, has emerged as a promising approach to enhance crop production, increase yield, and reduce water and nutrient losses and environmental impacts. In this context, multiple models to predict agricultural phenotypes, such as crop yield, from genomics (G), environment (E), weather and soil, and field management practices (M) have been developed. These models have traditionally been based on mechanistic or statistical approaches. However, AI approaches are intrinsically well-suited to model complex interactions and have more recently been developed, outperforming classical methods. Here, we present a Natural Language Processing (NLP)-based neural network architecture to process the G, E and M inputs and their interactions. We show that by modeling DNA as natural language, our approach performs better than previous approaches when tested for new environments and similarly to other approaches for unseen seed varieties.

研究の動機と目的

• 遺伝子、天候、土壌、畑管理データなどの多様なデータソースを統合することで、作物生産の予測を向上させること。
• 機械学習の解釈可能性手法を用いて、染色体全体にわたる最も影響力のある遺伝子変異（SNP）を同定すること。
• 多様な農業データを効果的に統合するための統一されたディープラーニングアーキテクチャを構築すること。
• 特徴量の重要度指標を用いて、個々のSNPと環境要因が穀物収量に与える寄与度を評価すること。

提案手法

• 上位100個のSNPの予測的意義を評価するために、LightGBM を用いて分割、ゲイン、相互情報量ゲインを計算する。
• 各SNPに対して、4×5のワンホットエンコードされた入力表現を採用し、変異部位周辺の塩基対の文脈を捉える。
• ゲノム、天候、土壌、畑管理の4つの別々のモジュールを設計し、それぞれに専用のニューラルネットワーク構造を備える。
• アテンションベースまたは連結ベースの統合機構（マルチモーダル設計に起因）を用いて、全モダリティからの表現を統合する。
• 特徴量の重要度分析を適用し、SNPおよび環境変数が穀物収量予測に与える寄与度に基づいて順位付けを行う。
• 選択されたSNPがトウモロコシの染色体（全10本）にわたってどのように分布しているかを可視化し、ゲノム的代表性を確認する。

実験結果

リサーチクエスチョン

• RQ1 トウモロコシの染色体全体にわたって、穀物収量の予測に最も寄与する遺伝子変異（SNP）は何か？
• RQ2 環境要因（天候、土壌、管理）は、遺伝的データとどのように相互作用し、作物の収量に影響を与えるか？
• RQ3 異なる特徴量の重要度指標（分割、ゲイン、相互情報量）は、重要なSNPを同定する際にどの程度一致するか？
• RQ4 遺伝的および環境的データのマルチモーダル統合は、収量予測の正確性を顕著に向上させることができるか？
• RQ5 選択されたSNPは、ゲノム全体にわたって均等に分布しているか、ゲノム的代表性を確保しているか？

主な発見

• 特徴量の重要度に基づいて選択された上位100個のSNPは、全10本のトウモロコシ染色体に広く分布しており、広範なゲノム的カバレッジを示している。
• LGBM を用いた分割とゲインの重要度指標は、穀物収量の予測に高いパワーを持つ特定のSNPを同定している。
• SNPと穀物収量との間の相互情報量ゲインは、統計的に有意な関連性を示しており、SNPの関連性を裏付けている。
• ゲノムモジュールは、各変異に対して4×5のワンホットエンコードされた入力を使って処理し、各変異周辺の局所的配列文脈を捉えている。
• 天候、土壌、畑管理モジュールは、それぞれ異なるアーキテクチャを備えており、各モダリティに特化した表現学習が可能である。
• 補足図から、SNPが特定の染色体領域に凝集していないことが確認され、生物学的および予測的多様性が裏付けられている。