水稻白葉枯病（BB）對水稻產量和品質產生嚴重危害，造成巨大的經濟損失和食品安全問題。培育抗病品種抑制病原菌的繁殖成為調控其爆發的最生態、最有效的選擇。然而，水稻白葉枯病抗性品種選擇存在巨大的人工成本、低效率和主觀人為錯誤等問題。而對于動態水稻白葉枯病表型研究缺乏探索不同基因型白葉枯病生長規律的研究。


本文為減輕植物育種專家在抗病品種篩選處理中的勞動負擔，探索抗病表型變異模式，對三個品種水稻葉片的可見/近紅外（VIS-NIR）高光譜圖像進行了采集，并將其送入自建的深度學習模型 LPnet 中進行疾病嚴重程度評估。充分揭示了時間尺度下BB病灶的生長狀況。借助 LPnet 內部的注意力機制，進一步提取與病變比例相關的信息量最大的光譜特征，并將其組合成一個新穎、精煉的葉片光譜指數。通過鑒定抗病品種、評估抗病能力和光譜圖像可視化，驗證了所提出的波長組合的有效性和可行性。

已建立的二分支LPnet的原理圖結構及對應參數。 a LPnet 的完整組成； b ResNet 塊的詳細結構

這項研究表明，信息豐富的可見光/近紅外光譜與深度學習注意力機制相結合，不僅具有直接評估疾病嚴重程度的巨大潛力，而且還可以挖掘光譜特征以在高通量表型分析中快速篩選抗病品種。

來源：Plant Methods.Rice bacterial blight resistant cultivar selection based on visible/near-infrared spectrum and deep learning.Jinnuo Zhang, Xuping Feng, Qingguan Wu, Guofeng Yang, Mingzhu Tao, Yong Yang & Yong He
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-022-00882-2