Deep and shallow learning solutions for modern agriculture

Abstract

L'agricultura moderna depèn àmpliament de l'ús de sofisticades eines informàtiques per analitzar dades massives, tant genotípiques com fenotípiques. La selecció genòmica (SG), que consisteix en predir característiques complexes utilitzant marcadors genètics d'ampli espectre, ha estat aprofitada pels milloradors de plantes i animals, al llarg de les últimes dècades, per produir un considerable augment del guany genètic, reduint el nombre de mostres a testar al camp. Paral·lelament, la implantació de l'electrònica, els sensors, les càmeres digitals, els vehicles aeris no tripulats i l'espectrometria de masses, entre d'altres, han obert una finestra d'oportunitats en l'àmbit de la ""fenómica"", augmentant ràpidament la quantitat de dades disponibles. Totes les tecnologies 'òmiques' també proporcionen noves fonts d'informació, permetent no només la caracterització del mateix organisme, sinó també seva del seu metagenoma. Per tant, un dels majors reptes actuals és combinar totes aquestes dades heterogènies per transformar-les en informació valuosa que ajudi els milloradors a prendre decisions eficaces. El present treball aborda una varietat de problemes de predicció genòmica i fenómica, tots ells amb l'objectiu comú d'explorar avantatges i desavantatges de l'ús de ML en agricultura. Les dues primeres contribucions tracten de problemes de predicció genòmica, mentre que els dos capítols següents s'ocupen de la fenómica, i l'última investigació tracta de la integració de dades. Els resultats obtinguts aquí mostren com les tècniques d'aprenentatge automàtic (ML) poden potenciar l'agricultura moderna en múltiples vies. No obstant això, queda molta feina per fer i es requereixen desenvolupaments específics de ML per potenciar el guany genètic en els programes de millora.

La agricultura moderna depende ampliamente del uso de sofisticadas herramientas informáticas para analizar datos masivos, tanto genotípicos como fenotípicos. La selección genómica (SG), que consiste en predecir rasgos complejos utilizando marcadores genéticos de amplio espectro, ha sido aprovechada por los mejoradores de plantas y animales a lo largo de las últimas décadas, para producir un considerable aumento de la ganancia genética, reduciendo el número de muestras a testear en el campo. Paralelamente, la implantación de la electrónica, los sensores, las cámaras digitales, los vehículos aéreos no tripulados y la espectrometría de masas, entre otros, han abierto una ventana de oportunidades en el ámbito de la ""fenómica"", aumentando rápidamente la cantidad de datos disponibles. Todas las tecnologías 'ómicas' también proporcionan nuevas fuentes de información, permitiendo no sólo la caracterización del propio organismo, sino también de su metagenoma. Por lo tanto, uno de los mayores desafíos actuales es combinar todos estos datos heterogéneos para transformarlos en información valiosa que ayude a los mejoradores a tomar decisiones eficaces.

El presente trabajo aborda una variedad de problemas de predicción genómica y fenómica, todos ellos con el objetivo común de explorar ventajas y desventajas del uso de ML en agricultura. Las dos primeras contribuciones tratan de problemas de predicción genómica, mientras que los dos capítulos siguientes se ocupan de la fenómica, y la última investigación trata de la integración de datos. Los resultados obtenidos aquí muestran cómo las técnicas de aprendizaje automático (ML) pueden potenciar la agricultura moderna en múltiples vías. Sin embargo, queda mucho trabajo por hacer y se requieren desarrollos específicos de ML para potenciar la ganancia genética en los programas de mejora.

Modern agriculture relies heavily on sophisticated computational tools that involve genomics and phenomics data at a large scale. As for genomics, over the past few decades, plant and animal breeders have taken advantage of genomic selection (GS), which is the breeding strategy that consists of predicting complex traits using genomic wide genetic markers. GS has two main advantages over traditional approaches: increasing genetic gain and reducing the amount of data to be tested in the field. In parallel, the implementation of electronic, sensors, digital cameras, unmanned aerial vehicles, mass spectrometry, among others, have opened a window of opportunities in the ‘phenomics’ area, rapidly increasing the amount of available data. Phenotyping does not end here, as ‘omics’ technologies also provide a new source of information, allowing not only the characterization of the organism itself but also of its metagenome. The current challenge is to transform and combine all these heterogeneous data into valuable information that helps the breeder to make better and more effective decisions.

The present work deals with a variety of genomic prediction and phenomics problems, all with the shared objective of exploring the strengths and weaknesses of ML techniques in agriculture. The first two contributions deal with genomic prediction issues while the following two chapters are concerned with phenomics, followed by the last research on data integration. The results obtained here show how machine learning (ML) techniques can empower modern agriculture in multiple avenues. However, much work remains to be done and specific ML developments are required to enhance genetic gain in breeding programs.