[论文解读] 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 10

一句话总结

DeepG2P 提出了一种多模态深度学习框架，通过融合基因组（SNP）、天气、土壤和田间管理数据，以提升作物产量预测。通过利用基于 LightGBM 的特征重要性分析以及跨模态的注意力机制，该模型识别出关键 SNP 和环境因素，通过联合建模多源数据，实现更优的谷物产量预测。

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.

研究动机与目标

• 通过整合基因组、天气、土壤和田间管理等多样化数据源，提升作物产量预测能力。
• 利用机器学习可解释性方法，识别染色体上最具影响力的基因变异（SNP）。
• 开发一种统一的深度学习架构，有效融合多模态农业数据，以提升产量预测性能。
• 通过特征重要性度量，评估单个 SNP 和环境因素对谷物产量的贡献。

提出的方法

• 使用 LightGBM 计算前 100 个 SNP 的分裂、增益和互信息增益，以评估其预测重要性。
• 为每个 SNP 采用 4×5 的独热编码输入表示，捕捉变异位点周围的碱基对上下文。
• 设计四个独立模块：基因组、天气、土壤和田间管理模块，每个模块均配备专用神经网络结构。
• 通过基于注意力机制或拼接机制的融合方法（由多模态设计隐含），融合所有模态的表征。
• 应用特征重要性分析，根据其对谷物产量预测的贡献，对 SNP 和环境变量进行排序。
• 可视化玉米染色体（共 10 条）上 SNP 的分布，以确认所选集合的基因组覆盖度。

实验结果

研究问题

• RQ1 在玉米染色体中，哪些基因组变异（SNP）对谷物产量具有最强预测能力？
• RQ2 环境因素（天气、土壤、管理）如何与基因数据相互作用，进而影响作物产量？
• RQ3 不同特征重要性度量（分裂、增益、互信息）在识别关键 SNP 时的对齐程度如何？
• RQ4 基因型与环境数据的多模态融合能否显著提升产量预测准确性？
• RQ5 所选 SNP 在玉米基因组中分布是否均匀，以确保基因组代表性？

主要发现

• 通过特征重要性筛选出的前 100 个 SNP 分布于全部十一条玉米染色体上，表明具有广泛的基因组覆盖度。
• 基于 LGBM 的分裂和增益重要性度量识别出对谷物产量具有高预测能力的特定 SNP。
• SNP 与谷物产量之间的互信息增益揭示了统计上显著的关联，支持 SNP 的相关性。
• 基因组模块采用 4×5 的独热编码输入处理 SNP，捕捉每个变异位点周围的局部序列上下文。
• 天气、土壤和田间管理模块在架构上各不相同，支持针对各模态的定制化表征学习。
• 补充图表明，SNP 并未聚集在特定染色体区域，支持其生物学和预测多样性。