A reproducible and interpretable workflow for small-sample leaf hyperspectral phenotyping with hierarchical validation and cross-stage robustness

技術要約：小規模サンプルにおける葉のハイパースペクトル表現型解析のための再現可能かつ解釈可能なワークフロー

問題提起
葉のハイパースペクトル表現型解析は、クロロフィル状態などの植物形質を推定するための重要な非破壊的ツールである。しかし、この分野は小規模なサンプルデータセットを扱う際に、重大な手法上の課題に直面している。これらの課題には、強い分光バンドの冗長性（共線性）、不適切なランダム分割検証によるモデル性能の過大評価のリスク（階層的データ構造の無視）、および特徴量の重要度分析において、真の生理学的シグナルと冗長性に起因するアーティファクトを区別することの困難さが含まれる。さらに、既存のワークフローは異なる発達段階への適用において堅牢性に欠けることが多く、また、時系列データ向けに設計されたディープラーニングアーキテクチャ（例：Transformer、Mamba）は、表形式のスペクトルデータの構造化された非逐次的性質とは適合しない可能性がある。

手法
著者らは、オート麦（Avena sativa L.）の葉を用いてSPADベースのクロロフィル状態を推定する、再現可能なワークフローを提示している。本研究では、5つの成長段階から収集された200枚の葉を用い、1,142個の保持された領域（ROI）レベルのサンプル（125の分光バンド、400–1000 nm）を利用した。ワークフローは、以下の4つのコアコンポーネントで構成されている。

1. 分光前処理： ベンチマーク研究により、様々な戦略（SNV、MSC、微分、Min-Max）を比較した。標準正規変数（SNV）変換が、葉の厚さや照明の変化によるベースラインシフトを効果的に除去できる最適な戦略として選択された。
2. 2段階のバンド選択： 冗長性に対処するため、以下の2段階戦略を採用した。
   • ステージ1： Lasso回帰（L1正則化）を用いて125の元のバンドをスクリーニングし、71個に削減した。
   • ステージ2： 逐次投影アルゴリズム（SPA）を用いて、予測情報を保持しつつ共線性を最小化することで、バンド数を25個までさらに精緻化した。これにより、80%の次元削減を達成した。
3. モデル開発と比較： 以下の3つのモデリングパラダイムを評価した。
   • 従来の機械学習： SVR、GBR、XGBoost、およびPLSRを含む。
   • 表形式ディープラーニング： 特徴量アテンション層、GELU活性化関数を備えた残差MLPブロック、およびMixupやStochastic Weight Averaging (SWA) などの学習強化機能を備えた、TabM-v2と命名されたカスタムアーキテクチャ。
   • シーケンスベースのアーキテクチャ： FT-Transformer、1D-CNN、および様々なMambaのバリアントをテストし、シーケンス的な帰納バイアスが分光回帰に利益をもたらすかどうかを検証した。
4. 階層的およびクロスステージ検証：
   • 階層的検証： 疑似反復（pseudo-replication）に対処するため、ROIレベルのランダム分割と、厳格なリーフグループ検証（単一の葉からのすべてのROIを、トレーニングまたはテストセットのいずれかにまとめて保持する手法）およびリーフレベルの集約モデリングを比較した。
   • クロスステージ検証： 苗から成熟期までの異なる成長段階からなる5つの独立した検証バッチを作成し、それぞれ異なる植物を用いた。これにより、生物学的な重複がないことを保証した上で、発達に伴う分布シフト下での運用境界を評価した。
5. 解釈性： 特徴量の重要度（Permutation、PLS-VIP、Bootstrap Lasso）、領域レベルのアブレーション、および部分相関パスウェイ解析を含むマルチレベル分析を実施し、分光領域間の依存構造をマッピングした。

主な結果

• 予測性能： TabM-v2モデルは、最も高いイン分布精度（$R^2 = 0.8575 \pm 0.0021$）を達成し、最適化されたSVRベースライン（$R^2 = 0.8490$）およびすべてのシーケンスベースのアーキテクチャ（例：CNN-Mamba $R^2 \approx 0.70$）を上回った。
• 次元削減： 2段階のバンド選択（Lasso + SPA）は、フルスペクトルのSVR性能（$R^2 = 0.7770$）の91.5%を保持しながら、特徴量セットを25バンドに削減することに成功した。約30バンドの閾値が、$R^2 > 0.80$を達成するために十分であることが特定された。
• 検証の堅牢性：
  • 階層的： リーフグループ検証は、ROIレベルのランダム分割と同等の結果を示した（$\Delta R^2 < 0.015$）。これは、このデータセットにおいて、リーフ内の疑似反復が精度推定を大幅に膨張させることはなかったことを示している。
  • クロスステージ： 性能は成長段階によって大きく変動した。「出穂（Heading）」期が最も高い転移性（$R^2 \approx 0.84$）を示したが、「成熟（Maturity）」期では急激な低下（$R^2 \approx 0.13$）が見られ、ワークフローの運用境界が定義された。コンパクトなLasso+SPA+SVRルートは、フルスペクトルのTabM-v2よりも優れた平均クロスステージ堅牢性を示した。
• 解釈性： 分析は一貫して、緑色（490–580 nm）、レッドエッジ（700–750 nm）、およびNIR領域が主要な寄与因子であることを特定した。部分相関分析により、レッドエッジ領域が中心的な依存ハブとして機能し、緑色領域とクロロフィル状態との関係を媒介していることが明らかになった。

意義と主張
本論文は、その主要な貢献を新しいアルゴリズムではなく、小規模サンプルの植物ハイパースペクトル研究における特定の制約に対処するための手法的なワークフローであると位置づけている。著者らは以下のことを主張している：

1. ワークフローの優位性： 小規模サンプル領域においては、予測モデル自体の新規性よりも、ワークフローの設計（前処理、特徴選択、検証戦略）の方が重要である。
2. モデルの適合性： 表形式ディープラーニング（TabM-v2）は、この特定のデータ領域において、シーケンス指向のアーキテクチャ（Transformer/Mamba）よりも、構造化された分光予測因子に適している。
3. 検証の厳密性： 本研究は、ROIレベルの一貫性とリーフレベルの汎化を区別するためのフレームワークを提供し、疑似反復バイアスを排除するために厳格なリーフグループ検証が必要であることを示した。
4. 運用境界： ワークフローは、トレーニング分布内では高い精度を提供する一方で、顕著な発達的シフト（例：老化）の下では転移性が低下することを明示し、その運用限界を定義している。
5. 二重の出力有用性： 本研究は、2つの補完的な経路を提供している。すなわち、高精度なフルスペクトル・ルート（TabM-v2）と、リソース制約のあるシステムや低バンド数システムへの展開に適した、コンパクトで堅牢なルート（Lasso+SPA+SVR）である。

著者らは、本ワークフローは原理的には他の作物にも再現可能かつ転用可能であるが、普遍的な堅牢性を確立するためには、遺伝子型、サイト、年、およびデバイスにわたるより広範な検証が必要であると結論付けている。