JP2021509212A - 病害の予測・コントロール方法、及びそのシステム - Google Patents

Abstract

本開示は、病害発生の確率を予測することと、病原体及び／又は宿主を同定するための適切かつ効果的なコントロール対策を提案することとを含む植物病害のコントロール方法を提供する。本開示はさらに、推奨の管理行為及び他の警告、通知を含む助言サービスを提供する。【選択図】図１

Description

本開示は、病害の予測及びコントロールに関し、特に、病害の発生を予測し、予測された病害の対策により当該病害をコントロールする方法に関する。

真菌等の病原体が原因となる植物病害は、農場の作物や土壌に影響を与え、農業にとって常に問題となっている。真菌病害は植物病害の全体に３分の２を占めている。一般に、真菌病害を解消するために化学農薬を使用するか、農場全体を廃棄してしまう。そのために、植物病害が大きな経済的損失につながる。特に、ここ数年気候の大きな変動が観測されるため、病原体感染の発生を予測し適切なコントロール対策を提案するための害虫や病害モデルの改善又は適用は、農業分野で依然として大きな課題である。

しかしながら、ここ数十年、情報技術の大幅な進歩により、農業を含む様々な分野で問題の解決につながる革新的な方法が提供される。探査又は農薬使用を計画するための支援機能の発展を目的とする作物病害や害虫のモデル作成は、既に適用されている。病害の発生時間と確率、又は病原体の種類と適切な殺虫剤のより一層の予測が求められる。

また、現時点で作物管理に関連する多くの種類の大量の情報を収集し、後続の分析に備え保存しておくことが可能ではあるが、これらの膨大なデータを効率的に利用する必要がある。これらの膨大なデータを整理及び評価し、分析のための最適な方法を見つけるには時間がかかる。したがって、短時間内に膨大なデータを処理して、病原体の脅威に速やかに適切な対策が取れるよう、データによる効率的なモデル作成が必要である。

本開示は、植物病害のコントロールのためのシステムを提供する。また、本開示の目的は、病害発生の確率を予測し、同定された病原体及び／又は作物に適切かつ効果的なコントロール対策を推奨することである。さらに本開示は、植物病害の効果的なコントロール対策を予測するための関連データを含む統合型のデータベースを提供する。さらに本開示は、気象条件及び作物管理の実施を検査して特定の期間に、ある領域内に病害が発生するリスクのモデル作成を行って、当該領域内の病害発生の予測を生成するシステム及び方法を提供する。さらに本開示は、１種以上の管理行為が速やかにとれるように、栽培者、地主、作物顧問、他の責任者に観測対象領域内における病原体の存在の可能性に関する指示を提供する。さらに本開示は、観測対象領域内における病原体の存在のリスクがあるか又はその予測がある場所にいる栽培者、地主、作物顧問、他の責任者に、推奨の管理行為、他の警告、通知を含む助言サービスを提供する。

本開示は、環境情報を検出するように設定された複数のセンサーと、病害データ及び気象データを収集し、当該病害データと当該気象データを組み合わせて複合データを形成し、機械トレーニングプロセス及びテストプロセスにより当該複合データを処理し、複数の病害発生のパターンを同定するように、病害予測モデルを作成するように設定されたプロセッサとを含み、ただし当該病害予測モデルは当該環境情報、当該パターンに基づいて病害発生の確率を算出するように設定される病害のコントロールのためのシステムを提供する。一つの実施形態において、当該病害予測モデルによって収集された気象データは、観測時間、圧力、温度、露点温度、相対湿度、風速、風向、降水量、日照時間、視程、紫外線指数、雲量の少なくとも一方を含む。

一つの実施形態において、当該病害予測モデルの病害データは、当該病害発生の指示に係る陽性ラベル及び陰性ラベルを含む。

一つの実施形態において、当該病害予測モデルのプロセッサは、当該病害データ、当該気象データから特徴を抽出するようにさらに設定され、これらの特徴は機械トレーニングプロセス及びテストプロセスのためにプロセッサによって処理される。一つの実施形態において、当該機械トレーニングプロセス、当該テストプロセスは、畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、略称ＣＮＮ）に関連付ける。

一つの実施形態において、本開示は、モノのインターネット（ＩｏＴ）技術によって環境情報を当該病害予測モデルに伝送するように設定されたセンサーを有する病害のコントロールのためのシステムを提供する。別の実施形態において、当該環境情報は、相対湿度、温度、降水量、圧力の少なくとも一方を含む。別の実施形態において、当該気象データは５日間、７日間、１０日間、１４日間、１８日間、又は２１日間の期間にわたって収集される。一つの実施形態において、当該気象データは１４日間の期間以内に収集される。

一つの実施形態において、本開示はさらに、これらのパターンを、病害が起こらないことを示す陰性の出力、又は病害が起こることを示す陽性の出力に分類するように当該病害予測モデルを作成するように当該プロセッサが設定される病害のコントロールのためのシステムを提供する。別の実施形態において、当該病害予測モデルは、当該陰性の出力又は陽性の出力に基づいて警告を発するようにさらに設定される。別の実施形態において、当該プロセッサは、当該環境情報に基づいて胞子発生率を算出するように設定された胞子発生モデルを作成するようにさらに設定される。別の実施形態において、当該胞子発生モデルは、相対湿度及び温度に基づく。別の実施形態において、当該胞子発生モデルが基づく相対湿度、温度は、独立な事象である。

一つの実施形態において、本開示は、当該病害予測モデル及び当該胞子発生モデルによって病害発生の時間を提供するように当該プロセッサが設定された病害のコントロールのためのシステムを提供する。別の実施形態において、当該病害予測モデル又は当該胞子発生モデルは、モノのインターネット（ＩｏＴ）技術によって当該病害発生の確率又は当該病害発生の時間を散布システムに伝送するように設定される。別の実施形態において、当該胞子発生率は、ボトリティス・シネレア（Ｂｏｔｒｙｔｉｓ ｃｉｎｅｒｅａ）の胞子発芽率、ミセリオフトーラ・サーモフィラ（Ｍｙｃｅ−ｌｉｏｐｈｔｈｏｒａ ｔｈｅｒｍｏｐｈｉｌａ）の胞子発芽率、クロコウジカビ（Ａｓｐｅｒｇｉｌｌｕｓ ｎｉｇｅｒ）の胞子発芽率、イネいもち病菌（Ｐ． ｏｒｙｚａｅ）の胞子発芽率、ジプロディア・コルチコラ（Ｄｉｐｌｏｄｉａ ｃｏｒｔｉｃｏｌａ）の胞子発芽率、又はプソイドセルコスポラ（Ｐｓｅｕｄｏｃｅｒｃｏｓｐｏｒａ）の胞子発芽率である。

一つの実施形態において、本開示はさらに、当該プロセッサが、スコアカード法（Ｓｃｏｒｉｎｇ Ｃａｒｄ Ｍｅｔｈｏｄ、略称ＳＣＭ）によって抗真菌機能を有するペプチドを予測するように設定されたペプチド予測モデルをさらに含む病害のコントロールのためのシステムを提供する。別の実施形態において、当該ペプチド予測モデルは、ペプチドを構成するジペプチドの傾向を決定することによってペプチドのスコアを算出することを含む。別の実施形態において、当該ペプチド予測モデルは、当該ペプチドの配列を分析することによってペプチドのスコアを算出することを含む。別の実施形態において、当該ペプチド予測モデルは、宿主、病原体と対応するペプチドの関係を含む検索システムを含むようにさらに設定される。さらに別の実施形態において、当該病害のコントロールのためのシステムは、当該病害発生の確率に基づいて抗真菌機能を有するペプチドを１つの領域に散布するように設定された散布システムに接続される。

なお、本開示に係る他の形態と特徴は、例示的な方式で本開示の原理を説明する実施形態に関する説明と添付の図面から明らかになるであろう。

図１は、１群のジペプチドとして表示されたペプチドの模式図を示す。 図２は、ペプチド予測モデルにおいて収集及び使用されたデータセットの数量を示す。 図３は、スコアカードによりペプチドスコアを算出する手順を例示的に説明する。 図４は、ＩＧＡの実装に係るフローチャートを示す。 図５は、混同行列において適応度の算出のために使用された４つのクラスを示す。 図６は、ＴＰＲをｙ軸としＦＰＲをｘ軸として描画された適応度の算出のためのＲＯＣ曲線を示す。 図７は、円グラフ法において、スコアカードの各重みをその適応度に比例して異なる面積のエリアに分けることを示す。 図８は、ＩＧＡにおける交叉の手順を示す。 図９は、交叉においてパラメータがどのように決定されるかを示す。 図１０は、抗真菌ペプチド予測に基づく、２５％の配列同一性を有する抗真菌ペプチドの最終的なＲＯＣ曲線及びテストデータセットの結果を示す。 図１１は、抗真菌ペプチド予測に基づく、２５％の配列同一性を有する抗真菌ペプチドの陽性データセット及び陰性データセットのスコア分布を示す。 図１２は、ジペプチドスコアの最終的な抗真菌スコアカードを示す。 図１３は、各ジペプチドスコアから算出された単一アミノ酸スコアの棒グラフを示す。 図１４は、予測モデルによって算出されたジペプチドスコアに基づく陰影づけされたＲｓ−ＡＦＰ２の３Ｄ構造を示す。 図１５は、文献の報告に基づいて活性領域に濃い陰影がつけられたＲｓ−ＡＦＰ２ペプチドの３Ｄ構造を示す。 図１６は、病害予測モデルに用いられたデータ処理のフローチャートを示す。 図１７は、畳み込み層と最大プーリング層と複数の全結合層とを含む病害予測モデルに用いられたＣＮＮ方法の概要を示す。 図１８は、病害予測モデルの正解率の改善に係るフローチャートを示す。 図１９は、病害予測モデル用の独立なテストデータの結果を示す。 図２０は、温度に基づくミセリオフトーラ・サーモフィラの胞子発芽率を示す。 図２１は、温度に基づくクロコウジカビの胞子発芽率を示す。 図２２は、温度に基づくイネいもち病菌の胞子発芽率を示す。 図２３は、温度に基づくジプロディア・コルチコラの胞子発芽率を示す。 図２４は、相対湿度に基づくクロコウジカビの胞子発芽率を示す。 図２５は、相対湿度に基づくプソイドセルコスポラの胞子発芽率を示す。 図２６は、一般的な真菌胞子発芽モデルの係数を決定し当該モデルを検証するための実験設計を示す。 図２７は、１０℃及び１００％の相対湿度で９時間において発芽しなかった胞子の写真を示す。 図２８は、２５℃及び１００％の相対湿度で９時間において発芽した胞子の写真を示す。 図２９は、１００％の固定された相対湿度における１０〜３０℃の温度範囲での９時間におけるボトリティス・シネレアの胞子発芽率の表を示す。 図３０は、１００％の固定された相対湿度における１０〜３０℃の温度範囲での９時間におけるボトリティス・シネレアの胞子発芽率の曲線を示す。 図３１は、２０℃の固定された温度における７０〜１００％の範囲の相対湿度でのボトリティス・シネレアの胞子発芽率を示す。 図３２は、一般的な胞子発芽モデルの独立な事象の検証結果のまとめを示す。 図３３は、２３℃及び湿度９７％の条件における９時間の胞子発芽実験の写真を示す。 図３４は、１３℃及び８０％の相対湿度の条件で９時間にわたる胞子発芽実験の写真を示す。 図３５は、ＩｏＴにおける病害発生予測モデルの適用に係る主な構成を示す。

本開示は、異なる病害の発生を予測し当該病害の対策を提供するシステム及び方法を開発するための枠組みである。当該枠組みは、機械学習及びビッグデータ分析を利用しており、ペプチド予測モデルと病害発生予測モデルとを含む。

本開示に係る枠組みにおいて、当該ペプチド予測モデルは、ＳＣＭに基づく抗真菌ペプチド予測システムと目的病害の関連データとを含むデータベースを含む。当該病害発生予測モデルは、病害の確率及び発生のタイミングを予測するためにＣＮＮ技術によって作成される。当該枠組みの構成要素はＩｏＴ技術によって接続され、当該システムは集計されたデータのクラウドコンピューティングによって動作する。

［ペプチド予測モデル］
当該ペプチド予測モデルは、ユーザーが病害のコントロール対策として用いる目的ペプチドを効果的に同定することができる。真菌病害に用いる目的抗真菌ペプチドを予測するために、潜在的な抗真菌ペプチドを評価及び予測する抗真菌予測システムと、宿主、病原体と対応するペプチドの関係を含む検索システムとを含む抗真菌データベースを確立する。したがって、当該抗真菌データベースは、ユーザーのニーズに応じる宿主、病原体及び対応するペプチドの照合を可能にし、抗真菌ペプチドによる新薬の発見と旧薬の転用の両方でその機能を強化できる。

本開示は、人工知能を利用して、さらに最適化して設定されたＳＣＭに基づく抗真菌ペプチド予測システムによって大規模なデータセットの性能を向上させる。本開示の抗真菌ペプチド予測システムは、配列分析だけに基づいてペプチドの抗真菌特性を評価及び予測し、シンプルで、解釈可能でありかつ満足のいく正解率を有するペプチド予測を行う方法を提供する。

当該ＳＣＭは、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ、略称ＳＶＭ）に基づく非特許文献［１］に記載の方法である。ペプチドの抗真菌属性を予測及び評価するために、機械学習用の生物学的情報の観点からＳＣＭをペプチド予測モデルに導入する。本開示のペプチド予測モデルに用いられるＳＣＭは、当該ペプチドの機能を予測するだけでなく、当該ペプチドの重要なドメインも予測できる。本開示のペプチド予測モデルにおいて、当該ＳＣＭは、ジペプチドスコアの算出と、遺伝的アルゴリズムに基づくインテリジェント遺伝的アルゴリズム（ＩＧＡ）との少なくとも２つの部分を含む。

ペプチド予測モデルは、本明細書で次に説明されるデータセットと、ジペプチドと重みの分析によるペプチドのスコアリングと、インテリジェント遺伝的アルゴリズム（ＩＧＡ）とによって実装される。

本開示のペプチド予測モデルのデータセットは、陽性データと、陰性データとを含む。当該陽性データは、抗真菌属性を有するペプチドであり、ＣＡＭＰ、ＰｈｙｔＡＭＰ等の抗真菌データベースに由来するペプチド、又は技術文献に記載又はＰｕｂＭｅｄ等のパブリックドメインに開示されているペプチドを含んでもよい。当該陰性データは、抗真菌属性を有しないペプチドであり、ＵｎｉＰｒｏｔ等のタンパク質又はペプチド関係のデータベースに抗真菌と注釈されていないペプチドを含んでもよい。トレーニングデータセット、テストデータセットは、陽性データ及び陰性データの配列同一性を低減するように作成され、これらのデータは、各データセットが陽性データと、陰性データとを等量に含むように２つの部分に分けられる。

「ジペプチド」は２つのアミノ酸（ＡＡ）からなり、最小の機能単位とみなされる。図１は、１群のジペプチドとして表示されたペプチドを示す。ペプチドの抗真菌特性的予測は、当該ペプチドの配列分析に基づく。より多くの潜在的な抗真菌ジペプチドを含むペプチドは抗真菌ペプチドである可能性が高く、逆もまた同様である。全４００個の個別なジペプチドに係るジペプチド傾向は、抗真菌ペプチド及び非抗真菌ペプチドのジペプチド組成に対する統計的識別により得られる。各ペプチドの各ジペプチド頻度と重みを掛け算してスコアを得る。当該ペプチドの当該スコアが導出された閾値より高い場合は、抗真菌ペプチドとして予測される。ペプチドのスコアが高いほど、抗真菌機能を有する確率が高いことが示される。

各ジペプチドの初期の重み値は、陽性データセットに出現する当該ジペプチドの割合から陰性データセットに出現する同割合を引いたものである。さらに、当該重み値はＩＧＡによって最適化される。

重みの選択に選択の方法を用いる。全ての重みの中から、最高の適応度の値を有し、又は選択の方法によって選択される２つの重みを取り出す。当該適応度の値は、初期の傾向スコア及び最適化された傾向スコアとＡＵＣの相関係数の関数として算出され、ＡＵＣはＲＯＣ（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ、受信者操作特性）曲線下面積である。ＡＵＣが１に近づくほど、当該予測モデルの正解率が高いことが示される。

当該ペプチド予測モデルは、交叉選択及び最適化が実装されたＩＧＡ（インテリジェント遺伝的アルゴリズム）をさらに含む。本明細書において、交叉選択は、ランダムに選択して交換させる２つの重みである１対のパラメータの交叉選択である。最適化は、非特許文献［２］に記載の従来技術であり、当該選択関数が異なるパラメータセットの数量を低減するように設計された大規模なパラメータの最適化用の進歩性のある方法を含む。

当該ペプチド予測モデルは、当該ペプチド予測における関連データの相関性を含む検索システムを含むようにさらに設定される。これらの関連データは、宿主、病原体、ペプチドを含んでもよい。これらの関連データは、特定の宿主又は特定の病原体に対する潛在的なペプチドの効率的な検索を提供する単一の抗真菌データベースに集約される。また、当該抗真菌データベースは宿主とペプチド又は病原体とペプチドのクロスマッチが可能であり、これによって以前に同定された薬剤の転用が実現できる。

「病害発生モデル」
当該病害発生モデルは、病害発生に係る毎日の確率を提供する。当該病害発生モデルにおいて、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、略称ＣＮＮ）方法を用いて人間に認識しにくい気象パターンを把握する。さらに、当該病害発生モデルは、ＩｏＴ技術を用いて警告システム及び自動散布システムに接続させて、当該ペプチド予測モデルによって予測されたペプチドを農場に適用する。

当該病害発生モデルは、過去の真菌病害データ及び気象データを含むデータセットを用いて、ソフトマックス（ｓｏｆｔｍａｘ）関数、モデル損失関数（ｍｏｄｅｌ ｃｏｓｔ ｆｕｎｃｔｉｏｎ）及びオプティマイザを用いたＣＮＮ方法に基づいて実装される。さらに、当該病害発生モデルは、本明細書に説明されるＩｏＴシステムに接続される。

本開示に係る病害のコントロールのためのシステムは、少なくとも部分的に真菌病害の発生率に関係する気象条件に基づく。本開示において、相対湿度、温度、気圧及び降水量の４種類の気象条件によって示される気象データを所定の期間にわたって収集する。一つの実施形態において、過去１４日間の気象データを収集する。一つの実施形態において、収集した気象データに基づく合計で１１の特徴を畳み込みニューラルネットワーク（ＣＮＮ）に使用して、当該病害発生に係る毎日の確率を算出する。別の実施形態において、ＣＮＮに加え、さらに胞子発芽率を算出して胞子発芽の正確な時間の予測を提供する。当該システムの構成要素、例えば、データを収集するセンサー、予測された発生時間に基づいて予測されたペプチドを適用する散布装置等は、ＩｏＴを介して接続される。

当該病害発生モデルは、真菌病害データ及び真菌病害が起こった時の気象データの２種類のデータを含む。当該真菌病害データは、政府機関より取得でき、当該気象データは中央気象局より収集できる。当該データの前処理は当該真菌病害データと当該気象データを組み合わせることを含み、対応する気象データのない真菌病害データは削除される。次に、機械トレーニング及びテストを行うためにこれらのデータを標準化する。当該気象データ特徴のパターンを自動的に認識するためにＣＮＮを採用する。ＣＮＮによって、当該真菌病害に好まれる気象変化のパターンを認識して把握する。本開示の病害発生モデルにおいて、ＣＮＮは、特定の時間における真菌病害の発生に好適な気象変化を同定する。

当該病害発生モデルは、当該ＣＮＮの他に、最大プーリング層（ｍａｘ ｐｏｏｌｉｎｇ ｌａｙｅｒ）をさらに含む。データがこれらのＣＮＮ層を流れた後、データ量が大幅に増加し、追加された当該最大プーリング層は、当該モデルの演算に係る複雑さを低減し当該データの最適な傾向を発見するために役立つ。

当該病害発生モデルは、最大プーリング出力を高次元空間に変換し、陰性（病害が起こらない）及び陽性（病害が起こっている）の２つのクラスに分類する全結合層（ｆｕｌｌ ｃｏｎｎｅｃｔｉｏｎ ｌａｙｅｒ）をさらに含む。

当該病害発生モデルは、ＣＮＮからの出力を病害発生の確率に変換するように、ソフトマックス（ｓｏｆｔｍａｘ）関数をさらに含む。変換される前のネットワークの出力は人間が認識しにくい。当該ソフトマックス（ｓｏｆｔｍａｘ）関数は当該出力を機械にも人間にも理解できる病害発生の確率に変換する。

また、トレーニングの段階で、予測された値と実際の値の差を評価するために、クロスエントロピー（ｃｒｏｓｓ−ｅｎｔｒｏｐｙ）を用いる。当該病害発生モデルをテストするために用いられた独立なデータは、当該モデルの正解率が８３％であることを示す。

当該病害発生モデルは、胞子発芽率を予測するための胞子発芽のモデル作成をさらに含み、したがって、病害発生の予測はより効果的かつ速やかになる。当該胞子発芽のモデル作成は、湿度に基づく胞子発芽率の線形方程式の当てはめと、温度に基づく胞子発芽率の三次方程式の当てはめとを含む。両者を掛け算して一般的な胞子発芽のモデル作成を実現する。当該モデル作成を検証し関連の係数を決定するために胞子発芽実験を実施する。

（実施例）
本開示に係る次なる説明において、本開示の原理と実施の形態を示す例が参照される。本開示の範囲から逸脱することなく本開示、及びその構造的又は機能的な変更を実施するために他の実施形態が用いられる。

実施例１：ペプチド予測モデルの確立
ローカルデータベースより取得された新規なペプチドに加え、ＣＡＭＰ、ＡＰＤ、ＰｈｙｔＡＭＰ等のオンラインのパブリックデータベースより陽性（抗真菌）データセットを収集し、タンパク質又はペプチド関係のパブリックデータベースＵｎｉＰｒｏｔより、関連の抗真菌特性又は抗菌特性を有しない陰性（抗真菌属性を有しないペプチド）データセットを収集する。

収集したデータセットに、非標準アミノ酸を含むペプチドの削除を含む前処理を行う。次に、抗真菌ペプチドが典型的に１０〜１００個のアミノ酸の長さであるため、当該データセットのペプチドを１０〜１００ＡＡの間の長さに限定する。さらに、同一性が２５％を超えないように当該ペプチドをフィルタする。次に、等量の陰性データ及び陽性データを選択する。次に、当該陽性データセット及び当該陰性データセットをランダムに分布させ、当該データの３分の１を独立なテストセットとして使用する。

図２は、収集及び使用されたデータセットの数量を示す。合計で３７５個の陽性データ及び３７５個の陰性データがあり、当該データセットの３分の２は、トレーニングデータとしてランダムに選択され、当該データセットの３分の１は、独立なテストデータセットである。

簡単に言えば、当該データセット内の各ペプチドに対して、そのジペプチド頻度を算出する。次に、統計的方法を用いて特定の各ジペプチドの初期の重みを付与する。当該ジペプチド頻度行列と重み行列の掛け算を行って、当該ペプチドスコアを導出する。評価されるペプチドは、そのスコアが高いほど、抗真菌機能を有する可能性が大きい。

「ジペプチド頻度」
各ペプチドにおいて、合計で２０種類のアミノ酸（ＡＡ）が存在し、次式に示すように４００種のジペプチド頻度が生じるため、４００×１のジペプチド頻度行列が形成される。

次に、各ペプチドに対し、そのペプチド配列に基づいて当該ジペプチド頻度と重みのスコアカード行列を掛け算することによってスコアを付与する。図３は、どのようにスコアカードによってペプチドスコアを算出するかを例示的に説明する。最初に、当該２０×２０行列を４００×１行列に書き換え、次に当該スコアカード行列と掛け算する。次式によって最終的なスコアを得る。ここで、ｘ_iはジペプチド頻度であり、ｗ_iは対応する重みである。

算出した当該ペプチドのスコアを閾値と比較して、抗真菌ペプチド又は非抗真菌ペプチドとしてのその傾向を予測する。

「重み」
当該ペプチドのスコアリングに使用される初期の重みは、最初に決定する陽性データセットのジペプチド頻度Ｐ（ｉｊ）、陰性データセットのジペプチド頻度Ｎ（ｉｊ）を含み、両者は次の方程式により算出される。ここで、ｎ_ijはｉｊ番目のジペプチドの出現回数を、Ｌ_ｐ−１は全てのペプチドの長さから各１を引いた後のそれらの和を表す。

次に、陽性データの頻度（Ｐ_（ｉｊ））から陰性データの頻度（Ｎ_（ｉｊ））を引いて各重み（Ｓ_（ｉｊ））を算出する。

このように得た各々の重みを［０，１］に正規化して１０００を掛ける。

このように、１組のジペプチド重みＳ′_（ｉｊ）を含む初期のスコアカードを得る。

次に、ＩＧＡを用いて当該初期のスコアカードを最適化する。図４は、ＩＧＡの実装に係るフローチャートを示す。最初に、当該初期のスコアカードとランダムに初期化された別のスコアカードを組み合わせて第１の集団を作成する。次に、各スコアカードの適応度を算出する。当該スコアカードが終了条件を満たすと、トレーニングデータで最適な適応度を有する最終的なスコアカードを返す。最高の正解率を得て当該モデルの過トレーニングを防ぐために、プログラムの終了条件は３０世代後に終了することとする。当該終了条件がまだ満たされていない場合は、当該スコアカードを選択ステップに切り替え、これによって交叉ステップに複数対のスコアカードを選択して、新規な子孫スコアカードを作成する。次に、当該新規な子孫スコアカードを突然変異ステップに渡す。突然変異ステップの後、当該新規な子孫を集団に追加し、その適応度によって当該集団をランク付けする。さらに、ランク付けの結果、最大集団（ｍａｘ＿ｐｏｐｕｌａｔｉｏｎ）外に位置するスコアカードを除去する。

さらに、適応度の算出について説明する。最初に、図５に示すように、予測部分（ｐｒｅｄｉｃｔｉｏｎ ｓｅｃｔｉｏｎ）及びラベル部分（ｌａｂｅｌ ｓｅｃｔｉｏｎ）に分けて、ＴＰ（真陽性）、ＦＰ（偽陽性）、ＦＮ（假陰性）、ＴＮ（真陰性）の４つのクラスに分類するように混同行列を算出する。次に、次式のように真陽性率（ＴＰＲ）、偽陽性率（ＦＰＲ）を算出する。

次に、図６に示すように、ＴＰＲをｙ軸としＦＰＲをｘ軸としてＲＯＣ曲線を描画する。陽性データと陰性データを区別する閾値が異なるため、ＴＰ、ＦＰ、ＦＮ、ＴＮは異なる。結果として、各閾値に異なるＴＰＲ及びＦＰＲが得られ、各ＴＰＲ及びＦＰＲでＲＯＣ曲線を描画する。重みの適応度を評価するために、ＲＯＣ曲線下面積（ＡＵＣ）を算出する。当該ＲＯＣ曲線のＡＵＣは、非抗真菌ペプチドが抗真菌ペプチドをはるかに超える本実施例のように不均衡なデータセットを有するモデルに適する。

ＡＵＣ値に加え、初期のスコアカードとテスト対象のスコアカードのアミノ酸のピアソン（Ｐｅａｒｓｏｎ）係数も、適応度の算出に考慮される。各値に異なる重みが付与され、最適なトレーニングパフォーマンスを得るために、ＡＵＣ値を０．９とし、ピアソン（Ｐｅａｒｓｏｎ）係数を０．１とする。モデルにピアソン（Ｐｅａｒｓｏｎ）係数を用いると過トレーニングは防げる。

次に、当該初期のスコアカードを適化するために、高度な交叉を用いて機械学習用のバリエーションを生成する。各ラウンドにおいて、選択の方法によって２つの重みを選択する。通常の交叉より高度な交叉が最適化されると、突然変異が完了し、新たな重みを当該集団に入れる。

具体的には、当該選択の方法は、全ての重みの中から２つの重みを取り出すことを含み、その一方は最大の適応度の値、即ち最大のＡＵＣを有し、最適な重みである可能性があり、他方は円グラフ法によって選択される。円グラフ法は、当該スコアカードの各重みをその適応度に比例して異なる面積のエリアに分けるように行う。重みの適応度が高いほど、当該重みに大きい面積のエリアが付与される（図７参照）。次に、ランダムに数字を選択し、ランダムに選択された当該数字のエリアのスコアカードを選択する。当該円グラフ法は、選択がランダムに行われるよう保証するために利用される。したがって、絶対的とは言えないが、スコアカードの適応度がより高いほど、選択される可能性は高い。

親が選択された後、ＩＧＡを利用して交叉を最適化する。ＩＧＡは、交叉選択が最も重要な選択である通常の遺伝的アルゴリズム（ＧＡ）に基づく。２つの親が選択された後、交叉は交換用に１対のパラメータを選択し、次に交換されたスコアカードを新規な集団に戻すことを含む（図８参照）。次に、当該集団を所定の範囲内に保つために、比較的低い適応度のスコアカードを削除する。

交叉用の最適なパラメータのセットを選択するために、次に示す目的関数を最大化する。ここで、各ｘ₁、ｘ₂、ｘ₃は、評価される１対のペプチド頻度を表す。

交叉ステップの２つの親のように、各ｘ₁、ｘ₂、ｘ₃に２つの候補を選択する。ＩＧＡの機能を最大化するために、最初のステップとして、次のとおりのＯＡアレイを作成する。

ｘ₁の値を評価するためにカギとなるのは、ｘ₂及びｘ₃の影響を排除することである。図９は、ｘ₁の決定に関する一例である。なお、ｘ₁の評価を得るために、組み合わせ１及び組み合わせ２が対になり、組み合わせ３と組み合わせ４が対になる。重みＳ_ｊ２の値が重みＳ_ｊ１の値より大きいため、ｘ₁のより好適なパラメータは１ではなく２になる。他のパラメータは類似の方法によって選択される。パラメータの数量が十分に大きいのであれば、他のパラメータの影響が限定される。

交叉した後、新規な子孫に突然変異ステップを行う。当該突然変異ステップにおいて、当該プログラムは乱数を選択して突然変異を行うかどうかを決定する。結果がイエスであれば、当該子孫の対立遺伝子をランダムに選択し、乱数を設定する。当該突然変異ステップによって、当該モデルのランダム性が向上する。

突然変異ステップに続いて、新規な子孫を当該集団に加え、次に当該プログラムは当該集団の全てのスコアカードをその適応度の値によって並べ替える。当該集団を並べ替えた後、最後のプロセスとして、フィルタにより当該集団の最大数値外に位置するスコアカードを除去する。

過トレーニングを避けるために、当該プログラムは３０世代後に終了する。３０世代という終了条件に達すると、トレーニングデータで最適な適応度を有する最終的なスコアカードを返す。

実施例２：２５％の配列同一性を有する抗真菌ペプチドによる抗真菌ペプチド予測
実施例１に記載されたステップに従って、２５％の配列同一性を有する抗真菌ペプチド（ＡＦＰ２５）の最終的なＲＯＣ曲線及びテストデータセットの結果を図１０に示す。

テスト正解率、即ち、陽性データを陽性として分類し陰性データを陰性として分類する全体的なパフォーマンスは７６％である。感度、即ち、陽性データを陽性として分類するパフォーマンスは７７％である。特異度、即ち、陰性データを陰性として分類するパフォーマンスは７６％である。適切な閾値は３５４であり、ペプチドスコアが当該値より高い場合は抗真菌ペプチドと見なされる。

陽性データセット及び陰性データセットのスコア分布を図１１に示し、当該ジペプチドスコアの最終的な抗真菌スコアカードを図１２に示す。各ジペプチドスコアから算出された単一のアミノ酸スコアを図１３に示す。スコア結果から、上位３種類のアミノ酸はシステイン（Ｃ）、グリシン（Ｇ）、リジン（Ｋ）であり、スコアが最低の５種類のアミノ酸はアスパラギン酸（Ｄ）、グルタミン酸（Ｅ）、セリン（Ｓ）、トレオニン（Ｔ）、バリン（Ｖ）であることが示された。植物、哺乳類に用いる多くの抗真菌ペプチド、例えば、チオニン（ｔｈｉｏｎｉｎ）、植物ディフェンシン等は、システインを多く含む。また、昆虫の抗真菌ペプチドにも、グリシンを多く含むペプチドがたくさんある。

スコアが最低の５種類のアミノ酸（Ｄ、Ｅ、Ｓ、Ｔ、Ｖ）のうち、４種類が親水性であり、殆どの親水性のアミノ酸はスコアがより高い（平均スコアは３６２．７３で、閾値の３５０より大きい）。また、上位５種類のアミノ酸のうち、システインはジスルフィド結合を形成できるスルフィド官能基を含み、リジン（Ｋ）、アルギニン（Ｒ）は水素結合を形成しやすい。

実施例３：予測された抗真菌ペプチドの活性部位（ａｃｔｉｖｅ ｓｉｔｅ）の同定
スコアカードの結果を示すために、ペプチドをその３Ｄ構造におけるジペプチドスコアをカラー表示することによって視覚化する。ジペプチドスコアがより高いペプチドの領域は濃い陰影がつけられ、ジペプチドスコアが低いペプチドの領域は淡い陰影をつけて示される。このように、抗真菌ペプチドの重要な領域は、濃い陰影がつけられた領域によって同定される。

図１４は、予測モデルによって算出されたジペプチドスコア基づいて陰影づけされたＲｓ−ＡＦＰ２の３Ｄ構造を示し、Ｒｓ−ＡＦＰ２は植物ディフェンシンファミリーの抗真菌ペプチドであり、そのＮ末端及び３つβシートは最も濃い陰影がつけられた部分である。ＳＣＭに基づくスコアリングシステムによれば、当該２つの領域は、ペプチド配列全体が抗真菌ペプチドであるかどうかを決定する領域である。

図１５は、非特許文献［３］のＳｃｈａａｐｅｒ氏の報告に基づいて活性領域に濃い陰影がつけられたＲｓ−ＡＦＰ２ペプチドの３Ｄ構造を示す。当該報告によると、主な活性部位は、β２ループとβ３ループの間のＡｌａ^３１からＰｈｅ^４９までであり、しかも当該タンパク質のＮ末端の部分にも一部活性が確認されている。

したがって、３Ｄ構造において視覚化されたスコアカードによって予測された活性部位は、文献で報告された当該抗真菌予測モデルのＳＣＭが抗真菌活性部位を正確に決定する能力を確実に有することを示すものと一致している。

実施例４：病害発生のモデル作成と予測
ニューラルネットワークに基づいて、毎日の気象に関連する病害の発生を予測するモデルを確立する。予測システムには、政府機関より収集された病害データ、及び中央気象局のウェブサイトより取得された当該病害データに対応する気象データの２種類のデータが使用される。次に、当該２種類のデータを組み合わせて、対応する気象データのない病害データは削除する。

最終的なデータは、気象特徴及びラベルを含む。当該気象特徴は１４日×１１の特徴を有する２次元アレイである。当該１１の特徴は、相対湿度、降水量、及び温度と気圧の最大値、最小値と平均値を含む。ラベルは、陰性（病害の発生なし）、陽性（病害発生）の２つのクラスを含む。モデルにおけるデータ処理のフローチャートを図１６に示す。

気象条件が胞子発芽、植物の健康状態に影響を与える。畳み込みニューラルネットワーク（ＣＮＮ）によって気象条件と病害発生の関係を認識することで、病害発生につながる特定の気象パターンを把握する。

図１７は、畳み込み層と最大プーリング層と複数の全結合層とを含むモデルに用いられたＣＮＮ方法の概要を示す。当該モデルは、過去２週間の気象データを当該モデルの入力として使用し、当該１４日間の気象データから気象パターンを認識する。気象特徴がＣＮＮ層によって気象変化特徴に変換された後、ＣＮＮ層より生じたノイズをフィルタするために最大プーリング層を追加する。病害を引き起こす気象パターンは短時間内に変化しないため、最大プーリング関数はフィルタ内の最大値だけを返す。

例えば、入力アレイが［２，５，１，７，０，４］で、最大プーリングフィルタのサイズが２である場合は、フィルタステップ（フィルタが移動する距離）が１である時、最初の最大プーリング出力は最大（２，５）＝５、第２の出力は最大（５，１）＝５であり、以後については同様である。当該最大プーリング出力が２次元テンソルであるため、次に全結合層に用いるように当該最大プーリング出力を１次元テンソルに平坦化する。

当該最大プーリング層を平坦化した後、当該全結合層が当該最大プーリング結果を分類する。当該全結合層は、当該最大プーリング層の出力を高次元空間に切り替えて、陰性（病害の発生なし）、陽性（病害発生）の２つのクラスに分類する基本的なニューラルネットワーク層である。

なお、当該ネットワークの出力は人間に理解及び使用しにくい数字であるため、ソフトマックス（ｓｏｆｔｍａｘ）関数を利用して当該数字を病害発生の確率に変換する（図１８参照）。次に、ソフトマックス（ｓｏｆｔｍａｘ）関数として使用される式を示す。

ここで、σは、ソフトマックス（ｓｏｆｔｍａｘ）関数であり、ｚは当該ネットワークの最終的な出力であり、Ｋは出力の総数であり、ｊはｊ番目の出力である。

次に、ネットワークの損失関数として、排除分類作業（ｅｘｃｌｕｓｉｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｉｓｓｉｏｎ）で優れたパフォーマンスを示すクロスエントロピーを選択する。次に、クロスエントロピーとして用いられる式を示す。

ここで、Ｈはクロスエントロピー関数であり、ｙ′_ｉは実際のラベルであり、ｙ_ｉはネットワークの予測出力である。

次に、Ａｄａｍオプティマイザによって当該ニューラルネットワークのパラメータを最適化し、当該オプティマイザはネットワークを最適化するために最も一般的に使用される手法である。

トレーニング後、独立なテストデータによって当該モデルをテストし、結果を図１９に示す。正解率スコアは８２．５％に達している。

実施例５：胞子発芽率のモデル作成と予測
実施例４に記載のＣＮＮ方法を用いる病害発生の毎日の予測に加え、病害の発生前に胞子発芽が必ず生じるため、胞子発芽率の算出を含めば、より正確なタイミングでの予測が図れる。胞子発芽につながる条件は、実験によって同定及び確認される。

室温と温度は胞子発芽に最も影響を与えることが判明した。異なる真菌種を利用して温度又は湿度に基づく胞子発芽率の一般的なモデルを作成し、当該モデルは他の真菌種にも適合する。

最初に、文献で開示されている胞子発芽データを使用して関数の当てはめを行う。その結果、温度に基づく胞子発芽率は次の三次方程式によって示される。

ここで、ｘは温度である。

湿度に基づく胞子発芽率は次の線性方程によって示される。

ここで、ｘは湿度である。

したがって、一般的な胞子発芽率は次式によって示される。

温度に基づくミセリオフトーラ・サーモフィラの胞子発芽率を図２０に示し、当てはめを行って次の方程式を得る。

温度に基づくクロコウジカビの胞子発芽率を図２１に示し、当てはめを行って次の方程式を得る。

温度に基づくイネいもち病菌の胞子発芽率を図２２に示し、当てはめを行って次の方程式を得る。

温度に基づくジプロディア・コルチコラの胞子発芽率を図２３に示し、当てはめを行って次の方程式を得る。

したがって、温度に基づく胞子発芽率は三次方程式によって示される。

湿度に基づく胞子発芽率について、相対湿度に基づくクロコウジカビの胞子発芽率を図２４に示し、当てはめを行って次の方程式を得る。

相対湿度に基づくプソイドセルコスポラの胞子発芽率を図２５に示し、当てはめを行って次の方程式を得る。

したがって、相対湿度に基づく胞子発芽率は線形方程式によって示される。

２つの方程式を独立な事象と見なして、次のとおりに掛け算を行うと一般的な真菌胞子発芽モデルを得る。

したがって、特定の環境における胞子発芽率を算出するには、温度と湿度条件が唯一必要な要因である。

次に、実験を行って、当該一般的な真菌胞子発芽モデルの係数を決定し当該モデルを検証する。当該実験は、図２６に示すように、２つの部分に分けられる。最初に、温度が固定され湿度が変化する条件において、温度と湿度が制御されたケースに配置された凹面のガラススライドに、蒸留水を用いて真菌プレートから胞子を除去して調製した胞子懸濁液（２×１０^５粒子／ｍＬ）と２％グルコース溶液を等量に混合する。温度は２５℃に固定され、テストの湿度条件は８０％から１００％に５％刻みで変化させる。次に、湿度が固定され温度が変化する条件において、温度と湿度が制御されたケースに配置された凹面のガラススライドに、胞子懸濁液（２×１０^５粒子／ｍＬ）と２％グルコース溶液を等量に混合する。湿度は１００％に固定され、テストの温度は１０〜３０℃の範囲に５℃刻みで変化させる。

図２７は、１０℃及び１００％の相対湿度で９時間において発芽しなかった胞子を示す。図２８は、２５℃及び１００％の相対湿度で９時間において発芽した胞子を示す。図２９は、１００％の固定された相対湿度における１０〜３０℃の温度範囲で各９時間におけるボトリティス・シネレアの胞子発芽率の表を示し、図３０は、これらの発芽率結果に基づいて描画された曲線を示す。

したがって、温度に基づくボトリティス・シネレアの胞子発芽率は次式によって示される。

図３１は、２０℃の固定された温度における７０〜１００％の範囲の相対湿度でのボトリティス・シネレアの胞子発芽率を示す。相対湿度１００％における胞子発芽率を１００％とするために線形変換を行う。

したがって、相対湿度に基づくボトリティス・シネレアの胞子発芽率は次式によって示される。

胞子発芽において温度と相対湿度が独立な事象であることを検証するために、上記のように導出された方程式の結果と実際の胞子発芽の値を比較する。条件は、２３℃及び１３℃の温度、９７％及び８０％の相対湿度からランダムに選択される。

図３２は、独立な事象についての検証結果のまとめを示す。２３℃と相対湿度９７％（９時間）の条件で実験を行って得た胞子発芽率は９２．４５％であり、本明細書に記載の方程式に従って算出された胞子発芽率は８６．８４％である（図３３参照）。１３℃と相対湿度８０％（９時間）の条件で実験を行って得た胞子発芽率は５．４１％であり、同方程式に従って算出された胞子発芽率は６．８４％である（図３４参照）。

したがって、最終的な胞子発芽モデルは次式によって示される。

ここで、ｘ₁は温度であり、ｘ₂は相対湿度である。上記の実験結果より、温度と相対湿度が独立な事象であり、当該モデルの当該方程式は正確であることが証明された。

実施例５：ＩｏＴにおける病害発生予測モデルの適用
検出温度、湿度等の気象条件センサーは、ＩｏＴによって接続され、これらの値を当該予測モデルのプロセッサに伝送する。病害発生に係る毎日の確率を算出する。算出された確率がユーザーによって設定された特定の値を超えた場合は、当該病害が発生する可能性があることを当該ユーザーに通知し、予測された抗真菌ペプチドを散布するよう助言する。当該ユーザーは自動的に散布するかどうかを決定できる。図３５は、ＩｏＴへの当該適用に係る主な構成を示す。

上記の内容において、本開示のいくつかの実施形態を詳細に説明しているが、当業者が、本開示の教示及びその利点から逸脱することなく特定の実施形態に様々な修飾、変更を行うことができる。これらの修飾、変更は、添付の特許請求の範囲に係る本開示の趣旨と範囲に包含される。

本願に援用された以下の参考文献は、それぞれ参照により組み込まれている。

［１］Ｈｕａｎｇ，Ｈ．−Ｌ．，Ｃｈａｒｏｅｎｋｗａｎ，Ｐ．，Ｋａｏ，Ｔ．−Ｆ．，Ｌｅｅ，Ｈ．−Ｃ．，Ｃｈａｎｇ，Ｆ．−Ｌ．，Ｈｕａｎｇ，Ｗ．−Ｌ．，Ｈｏ，Ｓ．−Ｙ．，Ｓｈｕ，Ｌ．−Ｓ．，Ｃｈｅｎ，Ｗ．−Ｌ．，ａｎｄ Ｈｏ，Ｓ．−Ｙ．"Ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ａｎａｌｙｓｉｓ ｏｆ ｐｒｏｔｅｉｎ ｓｏｌｕｂｉｌｉｔｙ ｕｓｉｎｇ ａ ｎｏｖｅｌ ｓｃｏｒｉｎｇ ｃａｒｄ ｍｅｔｈｏｄ ｗｉｔｈ ｄｉｐｅｐｔｉｄｅ ｃｏｍｐｏｓｉｔｉｏｎ．"ＢＭＣ Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ，１３（Ｓｕｐｐｌ．１７），Ｓ３（２０１２）． ［２］Ｓｈｉｎｎ−Ｙｉｎｇ Ｈｏ，Ｌｉ−Ｓｕｎ Ｓｈｕ ａｎｄ Ｊｉａｎ−Ｈｕｎｇ Ｃｈｅｎ，"Ｉｎｔｅｌｌｉｇｅｎｔ ｅｖｏｌｕｔｉｏｎａｒｙ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｌａｒｇｅ ｐａｒａｍｅｔｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍｓ，"ｉｎ ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ，ｖｏｌ．８，Ｎｏ．６，ｐｐ．５２２−５４１，Ｄｅｃ．２００４．ｄｏｉ：１０．１１０９／ＴＥＶＣ．２００４．８３５１７６． ［３］Ｗ．Ｍ．Ｍ．Ｓｃｈａａｐｅｒ，Ｇ．Ａ．Ｐｏｓｔｈｕｍａ，Ｒ．Ｈ．Ｍｅｌｏｅｎ，Ｈ．Ｈ．Ｐｌａｓｍａｎ，Ｌ．Ｓｉｊｔｓｍａ，Ａ．Ｖａｎ Ａｍｅｒｏｎｇｅｎ，Ｆ．Ｆａｎｔ，Ｆ．Ａ．Ｍ．Ｂｏｒｒｅｍａｎｓ，Ｋ．Ｔｈｅｖｉｓｓｅｎ，ａｎｄ Ｗ．Ｆ．Ｂｒｏｅｋａｅｒｔ，"Ｓｙｎｔｈｅｔｉｃ ｐｅｐｔｉｄｅｓ ｄｅｒｉｖｅｄ ｆｒｏｍ ｔｈｅ β２-β３ ｌｏｏｐ ｏｆ Ｒａｐｈａｎｕｓ ｓａｔｉｖｕｓ ａｎｔｉｆｕｎｇａｌ ｐｒｏｔｅｉｎ ２ ｔｈａｔ ｍｉｍｉｃ ｔｈｅ ａｃｔｉｖｅ ｓｉｔｅ．"Ｃｈｅｍｉｃａｌ Ｂｉｏｌｏｇｙ＆Ｄｒｕｇ Ｄｅｓｉｇｎ，ｖｏｌ．５７，Ｉｓｓｕｅ ５，ｐｐ．４０９−４１８（２００２）．

Claims (20)

1. 環境情報を検出するように設定された複数のセンサーと、
   病害データ及び気象データを収集し、
   前記病害データと前記気象データを組み合わせて複合データを形成し
   機械トレーニング及びテストプロセスより前記複合データを処理し、
   複数の病害発生のパターンを同定するように、病害予測モデルを作成するように設定されたプロセッサとを含み、
   前記病害予測モデルは、前記環境情報、前記パターンに基づいて病害発生の確率を算出するように設定される病害のコントロールシステム。
2. 前記気象データは、観測時間、圧力、温度、露点温度、相対湿度、風速、風向、降水量、日照時間、視程、紫外線指数、雲量の少なくとも一方を含む請求項１に記載のシステム。
3. 前記病害データは、前記病害発生の指示に係る陽性ラベル及び陰性ラベルを含む請求項１に記載のシステム。
4. 前記プロセッサはさらに、前記病害データ、前記気象データから特徴を抽出して前記病害予測モデルを作成するように設定され、前記特徴は機械トレーニングプロセス及びテストプロセスのために前記プロセッサによって処理される請求項１に記載のシステム。
5. 前記機械トレーニング、前記テストプロセスは畳み込みニューラルネットワーク（ＣＮＮ）に関連付ける請求項１に記載のシステム。
6. さらに前記パターンを、病害が起こらないことを示す陰性の出力、又は病害が起こることを示す陽性の出力に分類するように前記病害予測モデルを作成するように前記プロセッサが設定される請求項１に記載のシステム。
7. 前記病害予測モデルは、前記陽性の出力に基づいて警告を発するように設定される請求項６に記載のシステム。
8. 前記センサーは、モノのインターネット（ＩｏＴ）技術によって前記環境情報を前記病害予測モデルに伝送するように設定される請求項１に記載のシステム。
9. 前記環境情報は、所定の期間における相対湿度、温度、降水量、圧力の少なくとも一方を含む請求項１に記載のシステム。
10. 前記プロセッサは、胞子発芽率を予測する胞子発芽モデルを作成するようにさらに設定される請求項９に記載のシステム。
11. 前記胞子発芽率は相対湿度及び温度に基づく請求項１０に記載のシステム。
12. 前記相対湿度、前記温度は、独立な事象である請求項１１に記載のシステム。
13. 前記胞子発芽率は、
    

    

    によって示され、
    ここで、ｘ_１は温度を指し、ｘ_２は相対湿度を指す請求項１２に記載のシステム。
14. 前記プロセッサは、前記病害予測モデル及び前記胞子発芽モデルによって病害発生の時間を提供するように設定される請求項１０に記載のシステム。
15. 前記病害予測モデル又は前記胞子発芽モデルは、モノのインターネット（ＩｏＴ）技術によって前記病害発生の確率又は前記病害発生の時間を散布システムに伝送するように設定される請求項１０に記載のシステム。
16. 前記プロセッサは、スコアカード法（ＳＣＭ）によって抗真菌機能を有するペプチドを予測するように設定されるペプチド予測モデルをさらに含む請求項１に記載のシステム。
17. 前記ペプチド予測モデルは、宿主、病原体と対応するペプチドの関係を含む検索システムを含むようにさらに設定される請求項１６に記載のシステム。
18. 前記ペプチド予測モデルは、前記ペプチドを構成するジペプチドの傾向を決定することによってペプチドのスコアを算出することを含む請求項１６に記載のシステム。
19. 前記ペプチド予測モデルは、前記ペプチドの配列を分析することによってペプチドのスコアを算出することを含む請求項１６に記載のシステム。
20. 前記病害発生の確率に基づいて抗真菌機能を有する前記ペプチドを１つの領域に散布するように設定された散布システムに接続される請求項１６に記載のシステム。

Images