| Project/Area Number |
24K08851
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 39010:Science in plant genetics and breeding-related
|
|---|
| Research Institution | The University of Shiga Prefecture |
|---|
Principal Investigator |
清水 顕史 滋賀県立大学, 環境科学部, 准教授 (40409082)
|
|---|
| Project Period (FY) |
2024-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2026: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2025: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2024: ¥2,730,000 (Direct Cost: ¥2,100,000、Indirect Cost: ¥630,000)
|
|---|
| Keywords | 遺伝育種科学 / 深層学習 / 遺伝育種学 |
|---|
| Outline of Research at the Start |
研究室で整備したRILsとその高密度遺伝子型情報および、画像分類の技術で既に社会実装されえている深層学習（ディープラーニング）技術を利用し、新規の形質値探索手法を確立する。具体的には、イネのデジタル画像または人間が可視化できないハイパースペクトルイメージから、人手に教師データを使わず高密度遺伝子座多型による分類で深層学習を行い、メンデル遺伝性の形質値を抽出する方法の確立に挑戦する。
|
| Outline of Annual Research Achievements |
先に実施していたQTL解析により穂の形質の分離が確認されていたイネ集団（野生イネの染色体置換領域を持つ系統と背景親とを交雑した後代で、IL-F4世代）のうち置換領域内の4種類以上のDNAマーカー多型情報を得ることができた378個体を使用した（後代検定により一次枝梗長に関する形質が1遺伝子分離していることが分かった）。このIL-F4の穂のデジタル画像と遺伝子型データを用いて、VGG16モデルによる畳み込みニューラルネットワークに基づく深層学習をGoogle colaboratoryで実施し、特徴量抽出を行った。一次枝梗長のQTLのLODピークに最も近い遺伝子型による画像分類を行うことで、精度80%以上の検証結果を得ることができ、穂形質の特徴を示すヒートマップも明らかにすることができた。この結果は、遺伝子型を教師ラベルとした画像の深層学習の応用により、遺伝子型多型で説明できる表現型の差異を深層学習で探索できる可能性を示唆しているといえた。
この結果を踏まえてR7年度には、イネ品種の日本晴とKhaoNokの組換え自殖系統（NK-RILs）を用いた解析を行う。NK-RILsは穂の形質が明瞭に分離しており複数の形質が複数の染色体領域により分離していることが推察される。NK-RILsで、調査済みのゲノム全域にわたる遺伝子型多型を教師データとし、穂のデジタル画像の深層学習による分類と特徴量抽出を試みる。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
一か所の染色体領域を分離するイネ集団を用いた予備実験はおおむね成功しており、組換え自殖系統（RILs）で同様の手法を応用するための穂の収穫を初年度に終えることができたため。
|
| Strategy for Future Research Activity |
初年度の予備実験により有効性が示せたデジタル画像と遺伝子型情報を用いた深層学習による表現型探索について、イネの穂の形質値の分離が推定される組換え自殖系統（RILs）で、既にGRAS-Di法による8500以上の高密度遺伝子型情報を取得している188系統を使用する。初年度と同様に穂のデジタル画像（系統当たり10以上）を取得し、ゲノム全域にわたる各遺伝子多型を教師データとする深層学習による画像分類を行い、遺伝子多型で説明できる形質値の探索を試みる。
|
