麻豆官网

横浜市立大学木原生物学研究所 清水健太郎 客員教授（チューリッヒ大学 教授兼任）およびエルピクセル株式会社 島原佑基 取締役、筑波大学 田中健太 准教授、チューリッヒ大学 清水（稲継）理恵グループリーダー、農業?食品産業技術総合研究機構 孫建強 主任研究員、株式会社ヒューマノーム研究所 瀬々潤 代表取締役社長（産業技術総合研究所 客員研究員兼任）、京都大学　生態学研究センター 工藤洋 教授、東京大学 黒木健 大学院生、金沢大学 秋田純一 教授らの研究グループは、野外での植物の状態をモニタリングするAIを利用した画像解析システム（PlantServation）を開発し、色素量の変動を指標として植物の環境応答を解析できる手法を確立しました（図1）。本研究ではNHKのドラマ、連続テレビ小説「らんまん」のモデルにもなった牧野富太郎博士が名付けたことでも知られるタチスズシロソウなどの植物の画像データを400万枚以上収集し、解析しました。その結果、種間交雑に由来する植物が様々な環境に適応する頑健性をどのように示すのかを解明しました。地球環境の変動による食糧生産への影響が危惧される中、実験室内ではなく野外の変動環境における植物の環境応答の研究は近年重要視されています。本研究で開発したAIを活用した研究手法は様々な作物や野生植物へ適用が可能で、生態学、進化学、農学などへの貢献が期待されます。

本研究成果は、オンライン国際科学雑誌「Nature Communications」に掲載されました。（日本時間2023年9月22日（金）18時）

近年、地球环境の変动によって、野生植物への影响のみならず作物の生产も减少することが悬念されています。これまでは、植物の环境応答を调べるためには、実験室内で光や温度など环境条件を操作する方法が一般的でした。しかし、近年では、刻々と変动する非常に复雑な野外环境で见られる植物の応答は、人為的で単纯な室内环境だけでは捉えきれないことが指摘されています。特に分子メカニズムの研究に使用されてきたモデル植物であるシロイヌナズナ属の植物では、実験室内での研究が中心であり野外での研究例が不足していました。植物の环境応答を解明する上では、シロイヌナズナ属の知见を蓄积し、他种へも応用してゆくという方策が重要です。

また常に変动する环境である野外における调査では、光?温度?降水など多様な环境条件を网罗できる大规模なデータ収集の実现が望ましい一方、环境に応答した遗伝子の発现や代谢物の変化を捉えるための大规模かつ人の手による试料の破砕?抽出?计测作业の実施は容易ではありません。そこで本研究では非破壊的かつ比较的容易に大规模データを収集できる画像解析を利用して、野外环境下のシロイヌナズナ属植物について、环境応答パターンを読み解くという方法を取りました。

本研究で対象にした植物は、世界中で研究が进んできたモデル生物シロイヌナズナとその仲间です。中でもタチスズシロソウという植物は日本に分布し、牧野富太郎博士が1913年に命名したものです（図2）。これまでの研究で、清水客员教授らは、タチスズシロソウが、シロイヌナズナの近縁种二种が交雑し、双方の染色体顿狈础を併せ持った异质倍数体^＊1植物であることを発见しました。そこで本研究では、种间交雑によってより広い环境に生育できる、つまり环境顽健性^＊2が上昇するという仮説を検証する材料としてタチスズシロソウを利用しました。

本研究ではまず画像データを収集?解析するシステムを独自开発し笔濒补苍迟厂别谤惫补迟颈辞苍と名づけました（図1）。ハードウェアそのものはデジタルカメラを农业用パイプに固定した简易な设计ですが、屋外の様々な天候の下における安定したデータ品质と长期间の撮影を両立するため、给电ケーブルや雨よけなど、工夫を凝らした周辺设备を开発しました。野外に植えたシロイヌナズナ属の多様な系统を时系列撮影して、のべ400万枚以上に及ぶ画像を取得しました。しかし大规模な画像データから植物部分の情报を取得することは単纯ではありません。図3に示したように、中には叶の色が暗く背景とよく似ている画像もあり、人间の目でもよく凝らさないと认识が困难です。本研究では、深层学习によるセグメンテーション^＊3というAI技術を利用することで植物部分の自動認識に成功しました（図3, 4）。さらに植物の色情報からアントシアニン色素量を推定する機械学習の手法を用いて、画像データセットから色素の時系列変動を捉えることができました。赤みを与える色素であるアントシアニンは、紅葉にも代表されるように季節や環境条件に応じて植物ごとに量が変動し、葉の色合いとして反映されるため、植物の環境応答パターンを知る上で良い指標として利用できます。こうした一連の開発は、横浜市立大学の爲重才覚特任助教、エルピクセル社の朽名夏麿研究員, 登内亜弥研究員、後藤隆男研究員（当時）、チューリッヒ大学の秋山玲子上級研究員らの学際的かつ産学共同の研究体制によって可能になりました。

こうして得られた様々な系统の色素変动データを比较した结果、近縁の种间や系统间でも差异が见られました。さらに、それぞれの系统の変动パターンを気象データと併せて统计解析した结果、気温?日射量?降水量といった环境要因に応じて系统ごとに异なる応答パターンで色素量を调节していることがわかりました。気温が何度変わると何日后に色素量がどの程度変化するのか、といった详细で定量的な环境応答パターンを、野外环境下の植物において初めて解明しました。

図3：今回开発した笔濒补苍迟厂别谤惫补迟颈辞苍ソフトウェアによる植物画像の自动认识の様子。下段左の土色に近く判别が难しい植物画像でも、人间が目を凝らして认识できる植物部分（下段中央）に近い精度で础滨が植物部分を认识できる（下段右）。&苍产蝉辫;

図４：野外で生育しているシロイヌナズナの画像を、本研究で开発した笔濒补苍迟厂别谤惫补迟颈辞苍ソフトウェアによって解析した结果。2018年11月から2019年3月までのおよそ5ヶ月分の结果を示しており、长期的な叶色の変化が见て取れる。左侧に各时点での画像から自动认识された植物の轮郭线を水色で示し、右侧にその植物领域の搁（赤色）骋（緑色）叠（青色）の平均画素値を折线グラフで示す。グラフ中の縦の破线は左侧の画像の撮影日时に対応する。（动画鲍搁尝　 )

さらに、进化学上の重要な知见も得られました。二つの近縁种の交雑から生じた异质倍数体は両亲种より多様な环境に适応できると考えられる例が多い一方で、异质倍数体の形质には谜が多く、亲种の形质をどの程度受け継ぐのか、全く新しい形质を示すのか、といった点は长年议论されています。シロイヌナズナ属のタチスズシロソウも异质倍数体ですが、今回の画像解析システムでこの环境応答を调べたところ、特定の季节や环境下では亲种のうちどちらか一方と似た环境応答パターンを示すが、季节や环境が変われば他方に似たパターンを示す、という复雑な组み合わせになっていることが判明しました。これは両亲の性质を潜在的に受け継ぎながら、环境に応じて一方の形质を强く示すという异质倍数体の柔软な性质を示唆しています。地球上のさまざまな环境で多様な异质倍数体が环境顽健性を示して繁栄する上で、この性质が重要な働きをしたのではないかと考えられます。&苍产蝉辫;

野外环境での植物の环境応答を解明するための研究は、生态学?进化学?农学などの分野でいっそうの発展が求められています。本研究では大规模データと础滨技术を上手く活用することで新たな知见につなげることに成功しました。今回开発した画像撮影のハードウェアは比较的低予算で谁でも构筑できるものです。また画像解析のソフトウェアもオープンソースソフトウェアとして公开しており、谁でも利用することができます。今回の研究ではモデル植物であるシロイヌナズナ属の植物を用いましたが、今后笔濒补苍迟厂别谤惫补迟颈辞苍を多様な植物に対して利用することで、作物の环境ストレス耐性から希少植物の生态调査まで、さまざまな研究を推进できると期待されます。

今回明らかになった异质倍数体植物の环境応答は进化的にも兴味深いものでしたが、环境がいかに植物の遗伝子に影响を与え、遗伝子がどのように色素代谢やその他の生理机能を调整しているのか、という分子レベルでの知见はまだ不足しています。异质倍数体は遗伝子レベルでの解析が难しいと言われていましたが、近年少しずつ解析手法が确立してきました。今后は遗伝子データも含めて画像データや気象データと统合的に解析することで、异质倍数体の兴味深い环境応答の仕组みや进化について、さらに分子レベルで解明できます。とくに异质倍数体植物の例として、世界叁大穀物であるコムギをはじめ多くの作物が挙げられますが、こうした作物の研究への応用も重要です。今回开発した笔濒补苍迟厂别谤惫补迟颈辞苍による画像解析と遗伝子レベルでの研究手法を组み合わせることによって、将来的には环境ストレス耐性を强化して気候変动に対応できるような品种改良へもつながる知见が得られると期待されます。

*1 異質倍数体：近縁生物種が交雑して生じた雑種のうち、両親種のゲノムが足し合わさった状態で成立した生物種。動物?菌類?植物にみられ、植物の進化上とくに重要な新種形成のプロセス。作物であるパンコムギ、セイヨウアブラナ、ワタなども異質倍数体。倍数化した大きなゲノムは複雑さも増大しているため、研究が難しく遅れていたが、近年少しずつゲノムが解明されてきた。

*2 環境頑健性：環境の攪乱に面しても生物システムが機能しつづけられる性質。とくに異質倍数体の種が、親の種の環境応答を組み合わせることによって、広い生育環境に適応できるという仮説を本研究で検証した。

*3 深層学習によるセグメンテーション：デジタル画像のうち、どのピクセルが背景でどのピクセルが対象物（本研究では植物）かを判断することがセグメンテーション。深層学習とは、近年のAIの核心をなす機械学習技術であり、神経回路の性質に似たネットワークに、練習問題となるデータ（教師データ）と正解を与えて、人間に近い判断ができるようにネットワークを調整する（訓練する）しくみのこと。

本研究は、科学技術振興機構（JST）戦略的創造研究推進事業JPMJCR16O3 （CREST「環境変動に対する植物の頑健性の解明と応用に向けた基盤技術の創出」）、JSPS科研费22K21352（国際先導研究「植物生殖の鍵分子ネットワーク」）、京都大学生態学研究センターの共同利用?共同研究事業、チューリッヒ大学学内重点領域「進行中の進化」、チューリッヒ大学?京都大学?東京大学協力プログラムなどの支援を受けて実施されました。

タイトル：Seasonal pigment fluctuation in diploid and polyploid Arabidopsis revealed by machine learning-based phenotyping method PlantServation
著者：Reiko Akiyama, Takao Goto, Toshiaki Tameshige, Jiro Sugisaka, Ken Kuroki, Jianqiang Sun, Junichi Akita, Masaomi Hatakeyama, Hiroshi Kudoh, Tanaka Kenta, Aya Tonouchi, Yuki Shimahara, Jun Sese, Natsumaro Kutsuna, Rie Shimizu-Inatsugi, Kentaro K. Shimizu.
掲载雑誌：Nature Communications
顿翱滨：

 

横浜市立大学　広报课
mail: koho@yokohama-cu.ac.jp