logo

四项研究,人工智能助力智慧农业发展

作者:技术蓝猫2022.04.18 15:52浏览量:356

简介:四项研究,人工智能助力智慧农业发展

编辑 | 萝卜皮

目录

  • 卷积神经网络的解释揭示了纤维发育过程中涉及转录的关键序列特征

  • ALGAEFUN with MARACAS,用于 MicroAlgae RnA-seq 和 Chip-seq 分析的 microALGAE 功能富集工具

  • 基于深度学习的全球陆地蒸发混合模型

  • 人工智能在园艺作物病虫害检测中的应用

卷积神经网络的解释揭示了纤维发育过程中涉及转录的关键序列特征

陆地棉提供世界上最天然的纤维。在纤维发育过程中,纤维的质量和产量受基因转录的影响。揭示与转录相关的序列特征对棉花分子育种具有深远的影响。

中国农业科学院棉花研究所的研究人员应用卷积神经网络,根据基因转录起始区域的序列预测基因表达状态。之后,实施了基于梯度的解释和 N 调整的核变换,以提取有助于转录的序列特征。

该模型有大约 80% 的准确率,并且接收者操作特征曲线下的面积达到了 0.85 以上。基于梯度的解释揭示了 5’ 非翻译区有助于基因转录。此外,6 个自由度结合基序和 4 个转录激活子结合基序通过 N 调整的核基序转换从三个发育阶段的模型中获得。

除了 10 个一般基序外,还检测到 3 个 DOF5.1 基因。对这些基序结合蛋白的计算机分析暗示了它们在纤维形成中的潜在功能。此外,研究人员还在植物中发现了一些新的基序作为转录的重要序列特征。

总之,N 调整核变换方法可以解释卷积神经网络,并揭示与纤维发育过程中转录相关的重要序列特征。从卷积神经网络解释的基序的潜在功能,可以通过进一步的湿实验室实验验证并应用于棉花分子育种。

该研究以「Interpretation of convolutional neural networks reveals crucial sequence features involving in transcription during fiber development」为题,于 2022 年 3 月 15 日发布在《BMC Bioinformatics》。

图片.jpg

论文链接:https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-022-04619-9

ALGAEFUN with MARACAS,用于 MicroAlgae RnA-seq 和 Chip-seq 分析的 microALGAE 功能富集工具

微藻正在成为生物燃料、农业生物刺激剂、土壤生物修复、饲料和人类养分的有希望的可持续来源。尽管如此,支撑微藻生理学的分子机制,以及具有生物技术意义的化合物的生物合成,在很大程度上还没有被表征。这阻碍了微藻作为细胞工厂的全部潜力的发展。

塞维利亚大学的研究人员将组学技术应用于微藻研究,旨在解开这些系统。然而,缺乏用于分析微藻产生的组学原始数据以提供具有生物学意义的信息的特定工具正在阻碍这些技术的影响。

ALGAEFUN 与 MARACAS 的目的在于为微藻研究人员提供一种使能工具,使他们能够利用转录组和 cistromic 高通量测序数据。

该研究以「ALGAEFUN with MARACAS, microALGAE FUNctional enrichment tool for MicroAlgae RnA-seq and Chip-seq AnalysiS」为题,于 2022 年 3 月 31 日发布在《BMC Bioinformatics》。

图片.jpg

ALGAEFUN with MARACAS 由两种不同的工具组成。首先,MARACAS(MicroAlgae RnA-seq 和 Chip-seq AnalysiS)实现了一个全自动计算管道,接收来自微藻研究的 RNA-seq(RNA 测序)或 ChIP-seq(染色质免疫沉淀测序)原始数据作为输入。

MARACAS 分别为 RNA-seq 和 ChIP-seq 分析生成一组差异表达基因或基因组位点列表。其次,ALGAEFUN(microALGAE FUNctional 富集工具)是一个基于网络的应用程序,其中从 RNA-seq 分析生成的基因集以及来自 ChIP-seq 分析的基因组位点列表可以用作输入。

一方面,它可用于对基因集进行基因本体和生物通路富集分析。另一方面,利用 ChIP-seq 数据分析的结果,它识别出一组潜在的靶基因,并分析基因座在基因特征上的分布。生成结果的图形表示以及带有基因注释的表格,可以下载以进行进一步分析。

ALGAEFUN with MARACAS 为微藻研究界提供了一个集成环境,促进了从原始 RNA-seq 和 ChIP-seq 数据中获取相关生物信息的过程。这些应用程序旨在帮助研究人员根据功能富集分析解释基因列表和基因组位点。

开源链接:https://greennetwork.us.es/AlgaeFUN/
论文链接:https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-022-04639-5

基于深度学习的全球陆地蒸发混合模型

陆地蒸发量(E)是一个关键的气候变量,受多种环境因素控制。调节植物叶片蒸发(或蒸腾,Et)的约束条件特别复杂,但由于我们基于本地研究的知识有限,通常假设它们在全局模型中线性交互。

在这里,比利时根特大学的研究人员,使用涡度协方差和液流数据以及卫星观测来训练深度学习算法,旨在模拟蒸腾应力(St),即 Et 从其理论最大值减少。然后,研究人员将新的 St 公式嵌入到基于过程的 E 模型中,以产生全局混合 E 模型。在这个混合模型中,St 公式在每日时间尺度上与主模型双向耦合。

与现场数据和基于卫星的代理的比较表明,在全球范围内估计 St 和 E 的能力有所增强。拟议的框架可以扩展以改进地球系统模型中 E 的估计,并增强大家对这一关键气候变量的理解。

该研究以「A deep learning-based hybrid model of global terrestrial evaporation」为题,于 2022 年 4 月 8 日发布在《Nature communications》。

图片.jpg

论文链接:https://www.nature.com/articles/s41467-022-29543-7

人工智能在园艺作物病虫害检测中的应用

根据联合国粮食及农业组织 (FAO) 的数据,由于疾病和害虫等生物胁迫造成的作物每年损失在 20% 到 40% 之间波动。此外,非生物胁迫会对作物造成损害,例如干旱、盐分或营养缺乏;这破坏了农村生活方式、国民经济和食品安全

出于这个原因,巴塞罗那大学和 Agrotecnio 大学与国际生物盐农业中心(ICBA)的研究人员共同开发了Doctor X Nabat,是一个用于早期检测园艺作物病虫害的应用程序。

该工具面向农民和农业专家,可用于配备 Android 系统和计算机的设备。该应用程序使用 ODK 收集表格,并通过用户上传的照片,能够扫描植物受到的影响程度,并根据需要的处理提供有效的响应。

Doctor X Nabat 已在埃及、突尼斯和阿拉伯联合酋长国的番茄、胡椒和黄瓜作物中进行了测试,目前正在开发用于地中海地区的其他作物。

相关报道:https://phys.org/news/2022-03-artificial-intelligence-application-diseases-pests.html

相关文章推荐

发表评论