A Three-Dimensional Phenotyping Framework for Quantifying Soybean Resilience to Pest Stress in the Field

問題提起

生物的ストレス、特に害虫によるストレスは、世界のダイズ収量減少の主要な要因であり、年間20〜40%と推定されている。高い害虫耐性を持つ遺伝子型を特定することは育種において極めて重要であるが、従来のフェノタイピング（表現型解析）の限界により、依然としてボトルネックとなっている。手作業による害虫カウントや視覚的な葉の損傷スコアリングといった従来の手法は、労働集約的でスケールアップが困難であり、大規模な遺伝子型パネルに求められる統計的な再現性を欠くことが多い。さらに、これらの手法は信頼性に欠けることが多く、複数の遺伝子が関与し、空間的・時間的な変動に影響される害虫耐性の複雑かつ定量的な性質を捉えきれない。UAV（無人航空機）を用いたイメージングは大規模モニタリングの解決策として台頭しているが、既存の手法はハンドクラフトされた植生指数（VI）に依存しており、あらかじめ定義された分光結合に制限されるため、害虫被害による構造的およびテクスチャ的な劣化を十分に捉えられない可能性がある。

手法

本研究は、直接的な害虫の定量化を行わずに、自然界の害虫圧下におけるダイスの遺伝子型のパフォーマンスを評価するために設計された、3次元（3D）UAVベースのフェノタイピング・フレームワークを提案する。手法は以下のエンドツーエンドのパイプラインに従う：

1. 実験計画:

   • 場所: ブラジル、ピラシカバ、アニューマス遺伝学実験ステーション（2024/25シーズン）。
   • 材料: 2つの隣接する圃場（**コントロール（防除）圃場（殺虫剤による保護あり）およびノーコントロール（非防除）**圃場（保護なし））で栽培された30種類のダイス遺伝子型（25種類の高度育種系統および5種類の商業用チェック品種）。
   • 設計: 3回の反復を伴うランダム完全ブロック設計（RCBD）。
   • データ取得: 栄養成長期後半から生理的成熟期（R8）にかけて、6回のUAV飛行（DJI Mavic Air 2、RGBセンサー）を実施。画像は、精密なプロットセグメンテーションのために、Structure-from-Motion（SfM）およびRTK-GNSSを用いて地理参照されたオルソモザイクへと処理された。

2. デュアルストリーム特徴抽出:
   本フレームワークは、RGB画像から2つの補完的な特徴表現を抽出する：

   • 植生指数（VI）: 7種類のRGBベースの指数（例：ExG、NGRDI、VARI）を算出した。統計的記述子（平均、標準偏差、中央値）を抽出し、21次元の特徴ベクトルを形成した。
   • ディープ・ビジュアル・エンベディング: 自己教師あり学習モデルであるDINOv3 Vision Transformer (ViT-S/16) を用いて特徴を抽出した。17億枚の画像で学習されたこのモデルは、ドメイン固有のファインチューニングなしに、ホリスティックな構造およびテクスチャ情報を捉える384次元のエンベディングを生成する。

3. 三次元評価空間:
   各遺伝子型について、以下の3つの軸を用いて3D空間を構築する：

   • X軸（特徴の類似性）: すべての時点における、コントロール・プロットとノーコントロール・プロット間の正規化されたユークリッド距離の平均として計算された、クロスフィールド類似度スコア（$\bar{s}_i$）。高い類似性は、害虫ストレス下でも遺伝子型が特徴の完全性を維持していることを示す。
   • Y軸（フェノロジーのタイミング）: 成熟までの日数（NDM）。低い値は、ピーク時の害虫圧を回避できる可能性のある早期成熟を示す。
   • Z軸（パフォーマンス）: 2つのフレームワークを使用：
     • フレームワークA: ノーコントロール条件下での絶対穀物収量。
     • フレームワークB: 収量増益率（$g_i$）。これは、コントロール・プロットに対するノーコントロール・プロットの相対的な収量優位性を表す。

4. ゾーンZ8分類:
   3D空間は、中央値の閾値を用いて8つのオクタント（Z1–Z8）に分割される。ゾーンZ8は、以下の条件を満たす部分空間として定義される：

   • 中央値以上の特徴類似度（安定性）。
   • 中央値以下のNDM（早期成熟）。
   • 閾値以上のパフォーマンス（高収量または正の増益）。

5. ランキングと検証:
   遺伝子型は、24の異なる3D散布図ビュー（2つの特徴ストリーム × 2つのパフォーマンス定義 × 6つのタイムポイント）に基づいてランク付けされた。VIストリームとDINOv3ストリーム間の整合性は、偽陽性を減らすための内部クロスバリデーションとして機能した。

主な結果

• 時間的ダイナミクス: 遺伝子型の識別は初期段階（T1–T2）では最小限であったが、莢形成期から粒満期（R3–R7）にかけてのT3以降で明確になった。これは、害虫による差異が最も検出しやすい重要なフェノタイピング・ウィンドウを示唆している。
• 特徴の比較: DINOv3エンベディングは、VI特徴と比較して、キャノピー（林冠）のストレス信号に対してより早い段階での感度を示した。例えば、高性能な遺伝子型であるRIL 145は、VI特徴の下でのT4よりも、DINOv3特徴の下でのT1において、より早く最適なZ8ゾーンに入った。
• 高パフォーマンス候補: 両方の特徴ストリームおよびすべてのタイムポイントにおいて、一貫して高パフォーマンス候補として特定された3つの遺伝子型は以下の通りである：
  • RIL 145（Z8占有率 75.0%）
  • NS 6700（Z8占有率 66.7%）
  • LQ 008（Z8占有率 66.7%）
    これらの系統は、自然界の害虫圧下において、安定した特徴構造、早期成熟、および高い絶対収量または正の収量増益を示した。
• 感受性系統: T 27-18、LQ 267、LQ 174といった遺伝子型は、一貫して低類似性、晩熟、および低収量のゾーンに分類され、本フレームワークが感受性系統を識別できる能力を確認した。
• 収量への影響: 害虫による平均的なフィールドレベルの収量減少は、約15%（コントロールの1,190 kg/haに対し、ノーコントロールでは1,010 kg/ha）であった。

主な貢献

1. 統合された3Dフレームワーク: 本論文は、生産性、特徴レベルの類似性（耐性のプロキシとして）、およびフェノロジー的応答を共同で定量化する新しい指標を導入している。これは、労働集約的な害虫カウントを、非侵襲的な植物中心の応答測定へと置き換えるものである。
2. 基盤モデルの統合: ハンドクラフトされた分光指数では捉えられない構造的劣化の信号を、自己教師あり学習によるビジョン基盤モデル（DINOv3）がいかに捉えられるかを示し、農業フェノタイピングにおけるその有用性を実証した。
3. デュアルストリームの一致性チェック: VIとDINOv3の2つの特徴ストリーム間の合意を求めることで、本フレームワークは堅牢な内部検証メカニズムを提供し、育種プログラムにおける偽陽性の選択リスクを低減する。
4. 運用効率: 本研究は、重要な莢形成期から粒満期の窓における2〜3回のUAV飛行による簡略化されたキャンペーンが、パフォーマンスに関連する変動を捉えるのに十分であることを特定し、フェノタイピングの効率を大幅に向上させた。

意義と主張

著者らは、本研究が、作物への生物的ストレスに対するレジリエンス（回復力）を定量化するための、スケーラブルでフィールド対応可能なパラダイムを確立したと主張している。害虫中心の測定（昆虫のカウント）から、植物中心の応答定量化（特徴構造への生理学的影響の測定）へと移行することで、本フレームワークは、現実世界の条件下での安定した収量のための育種を加速させる実用的な経路を提供する。

本研究は、特定された高パフォーマンスの遺伝子型が、表現型特異的なアーティファクトではなく、強固な表現型信号を反映していることを強調しており、これは分光学的特徴とディープラーニング特徴の間の強い一致によって支持されている。著者らは、本フレームワークは堅牢であるものの、単一の環境およびシーズンで検証されたものであり、広範な展開の前にはマルチロケーションでの検証が必要であると述べている。また、Z8分類は評価された集団に依存する相対的なものであり、異なる遺伝資源パネルに対しては再校正が必要である。結論として、本研究は、非侵襲的で運用効率が高く、他の作物システムにも容易に転用可能で、ゲノミックセレクション・パイプラインとも互換性のあるソリューションを提供している。