通过基于机器学习的对共生细菌的分析,准确地预测类植物中黄龙的发生
Hao-Qiang Liu1, Ze-Long Zhao2, Hong-Jun Li1
1Citrus Research Institute, Southwest University/Chinese Academy of Agricultural Sciences, National Engineering Research Center for Citrus, Chongqing, China.
Frontiers in plant science
|June 14, 2023
概括
使用植物生物体标记物的黄龙 (HLB) 预测模型可以高精度地检测类病. 机器学习通过分析植物根和叶子中的细菌群体来准确识别HLB.
科学领域:
- 植物病理学 植物病理学
- 微生物学 微生物学
- 计算生物学 计算生物学
背景情况:
- 黄龙 (HLB) 是一种破坏性类植物疾病,造成全球经济重大损失.
- 植物生物体在植物健康方面发挥着至关重要的作用,并与HLB的发展有关.
- 现有的HLB植物生物组研究缺乏全球生物标志物识别的规模.
研究的目的:
- 使用植物生物群标志物开发精确的HLB预测模型.
- 为了确定可靠的细菌生物标志物用于早期HLB检测.
- 评估HLB对类微生物组组合的影响.
主要方法:
- 收集了来自六大洲数百种果样本的细菌数据.
- 构建并比较了10个用于HLB预测的机器学习模型.
- 分析了健康植物和受HLB感染的植物之间的植物圈和根圈微生物群的差异.
主要成果:
- 观察到健康与HLB感染类果的植物圈和根圈微生物组之间存在显著差异.
- 植物生物体α多样性在健康类样本中始终较高.
- 机器学习模型,特别是随机森林和袋装,在使用特定细菌属和物种预测的健康状况时,实现了近100%的准确性.
结论:
- 通过机器学习分析的植物生物组生物标志物,为评估类植物健康提供了强大的工具.
- 该研究为早期HLB检测和管理提供了可扩展的方法.
- HLB显著改变的微生物组合和组装过程.
更多相关视频
09:03Field-Deployable Candidatus Liberibacter asiaticus Detection Using Recombinase Polymerase Amplification Combined with CRISPR-Cas12a
Published on: December 23, 2022
2.7K
11:30Automating Citrus Budwood Processing for Downstream Pathogen Detection Through Instrument Engineering
Published on: April 21, 2023
795
