KR102145617B1 - 표현형 기반 식물체 선발 시스템 및 그 방법 - Google Patents
표현형 기반 식물체 선발 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR102145617B1 KR102145617B1 KR1020170010534A KR20170010534A KR102145617B1 KR 102145617 B1 KR102145617 B1 KR 102145617B1 KR 1020170010534 A KR1020170010534 A KR 1020170010534A KR 20170010534 A KR20170010534 A KR 20170010534A KR 102145617 B1 KR102145617 B1 KR 102145617B1
- Authority
- KR
- South Korea
- Prior art keywords
- plant
- target
- trait
- prediction model
- phenotypic
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Wood Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Biochemistry (AREA)
- Botany (AREA)
- Bioethics (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 표현형 기반 식물체 선발 시스템 및 그 방법에 관한 것으로서, 본 발명에 따른 식물체 선발 시스템은 식물체의 생장단계에서 나타나는 일 이상의 표현형질과 목표형질간의 상관관계를 규정한 목표형질 예측모델을 저장하는 예측모델 저장부; 대상 식물체의 상기 표현형질에 관한 데이터를 획득하는 데이터 획득부; 상기 표현형질에 관한 데이터와 상기 목표형질 예측모델을 기초로 상기 대상 식물체의 상기 목표형질의 발현 정도를 예측하는 예측수행부; 및 상기 예측결과를 기초로 상기 대상 식물체의 선발 여부를 결정하는 식물체 선발부를 포함하는 것을 특징으로 한다.
이와 같이, 본 발명에 따르면, 생장과정에서 나타나는 표현형 정보를 기초로 목표 형질을 나타낼 가능성을 예측함으로써 우량 식물체를 조기에 선발할 수 있다.
이와 같이, 본 발명에 따르면, 생장과정에서 나타나는 표현형 정보를 기초로 목표 형질을 나타낼 가능성을 예측함으로써 우량 식물체를 조기에 선발할 수 있다.
Description
본 발명은 식물체 선발 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는, 식물 표현형 정보를 기초로 우량 식물체를 조기 선발하기 위한 식물체 선발 시스템 및 그 방법에 관한 것이다.
공급이나 유통을 위하여 대량으로 식물을 재배할 때에는 재배 기간 중에 시간이나 비용, 인력 등이 많이 소요되기 때문에, 불필요한 소모를 방지하고 재배 시스템을 경제적으로 운용하기 위하여 우량 식물체를 조기 선발하는 것이 무엇보다 중요하다.
식물체의 선발은 필요한 요건들을 충족하는지 여부에 따라 이루어지며, 이때, 필요한 구체적인 요건들은 식물의 용도 등에 따라 다양하게 결정될 수 있다. 예컨대, 약용식물은 약으로 쓰이거나 약의 원료가 되는 식물로서 약효를 증진시키기 위해서는 약효를 나타내는 대사물질의 함유량이 중요하고, 과일과 같이 식용으로 쓰이는 식용식물의 경우에는 맛을 증진시키는 대사물질의 함유량이 중요하다. 또한, 각종 병해나 해충, 가뭄에 대한 저항성 정도, 성장 후 크기 등도 식물체를 선발하는데 주요한 요인이 될 수 있다.
종래 식물체를 선발하는 기술의 예로서, 대사물질을 통해 해충 저항성을 예측하여 품종을 선발하는 한국공개특허 제10-2015-0053155호를 살펴보면, 수확 후에 시료를 채취하여 특정 대사물질을 분리하고, 함량을 측정하여 대조군 결과와 비교하여 식물체를 선발하고 있다. 이에 따르면, 그 과정에서 대사물질 함량 분석을 위한 동결건조, 원심분리, 건조/농축 단계 등의 복잡한 과정을 거쳐야 하고, 파종 후 오랜 시간이 지나고 수확 후 또는 수확시기에 가까이 도달해서야 비로소 대사물질 분석 및 이를 통한 식물 선발이 가능하기 때문에 식물체를 조기 선발하는데 한계가 존재한다.
따라서, 높은 정확도로 목표로 하는 요건을 충족하는지 여부를 미리 예측하여 우량 식물체를 조기에 선발할 수 있고, 선발 과정에서 복잡한 공정을 생략할 수 있는 기술이 필요한 실정이다.
본 발명은 전술된 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 우량 식물체 선발을 위하여 소요되는 노동력 및 시간을 다수 절감할 수 있고, 수확 전 생장단계에서 목표 형질을 나타낼 우량 식물체를 조기에 선발할 수 있는 식물체 선발 시스템 및 그 방법을 제공하는 것을 목적으로 한다.
상기한 목적은 본 발명의 일 양태에 따른 식물체의 생장단계에서 나타나는 일 이상의 표현형질과 목표형질간의 상관관계를 규정한 목표형질 예측모델을 저장하는 예측모델 저장부; 대상 식물체의 상기 표현형질에 관한 데이터를 획득하는 데이터 획득부; 상기 표현형질에 관한 데이터와 상기 목표형질 예측모델을 기초로 상기 대상 식물체의 상기 목표형질의 발현 정도를 예측하는 예측수행부; 및 상기 예측결과를 기초로 상기 대상 식물체의 선발 여부를 결정하는 식물체 선발부를 포함하는 것을 특징으로 하는 식물체 선발 시스템에 의하여 달성될 수 있다.
한편, 상기 목표형질 예측모델은 표본집단의 식물체에 대하여 상기 표현형질을 상기 식물체의 생장과정에서 트랙킹한 데이터와 상기 표본집단의 식물체에서 상기 목표형질이 발현된 정도에 관한 데이터를 기초로 생성될 수 있다.
아울러, 상기 표현형질을 상기 식물체의 생장과정에서 트랙킹한 데이터는 상기 식물체가 생장하면서 원줄기에서 분기되는 부분들이 나타나는 순서에 따라 상기 부분에 부여된 번호를 기초로 상기 표현형질을 정량화한 데이터를 포함할 수 있다.
그리고, 상기 목표형질 예측모델은 상기 식물체의 생장단계별 세부모델을 포함할 수 있으며, 상기 식물체의 생장단계별 세부모델은 상기 일 이상의 표현형질이 해당 생장단계에서 가지는 중요도를 반영하여 생성될 수 있다.
한편, 상기 목표형질 예측모델은 상기 식물체의 표현형질에 관한 수치값에 따라 분기되는 의사결정 트리 구조를 가질 수 있으며, 상기 목표형질 예측모델은 기계학습을 통해 생성될 수 있다.
또한, 상기 예측수행부는, 상기 데이터 획득부를 통해 획득된 데이터를 기초로 상기 대상 식물체의 생장단계를 판단하고, 상기 목표형질 예측모델 중 상기 생장단계에 대응하는 세부모델을 선택하여 예측을 수행할 수 있다.
한편, 상기 표현형질은 소엽들이 이루는 각도, 소엽의 면적, 소엽의 길이, 소엽의 개수, 식물체의 길이, 식물체의 형태, 식물체의 크기, 식물체의 면적 및 식물체 내에서 정의되는 값 중 적어도 어느 하나를 포함할 수 있다.
뿐만 아니라, 상기한 목적은 본 발명의 또 다른 양태에 따른 식물체를 선발하는 식물체 선발 시스템을 통해 수행되는 식물체 선발 방법에 있어서, 식물체의 생장단계에서 나타나는 일 이상의 표현형질과 목표형질간의 상관관계를 규정한 목표형질 예측모델을 생성하는 단계; 대상 식물체의 상기 표현형질에 관한 데이터를 획득하는 단계; 상기 표현형질에 관한 데이터와 상기 목표형질 예측모델을 기초로 상기 대상 식물체의 상기 목표형질의 발현 정도를 예측하는 단계; 및 상기 예측결과를 기초로 상기 대상 식물체의 선발 여부를 결정하는 단계를 포함하는 것을 특징으로 하는 식물체 선발 방법에 의해서도 달성될 수 있다.
이때, 상기 목표형질 예측모델을 생성하는 단계는, 표본집단의 식물체에 대하여 상기 표현형질을 상기 식물체의 생장과정에서 트랙킹한 데이터를 입력받는 단계; 상기 표본집단 식물체에서 상기 목표형질이 발현된 정도에 관한 데이터를 입력받는 단계; 및 상기 입력된 데이터를 기초로 상기 표현형질과 상기 목표형질의 상관관계를 분석하여 상기 목표형질 예측모델을 생성하는 단계를 포함할 수 있다.
이상에서 설명된 바와 같이, 본 발명에 따르면, 생장과정에서 나타나는 표현형 정보를 기초로 목표 형질을 나타낼 가능성을 예측하여 우량 식물체를 조기에 선발할 수 있다.
또한, 본 발명에 따르면, 채취된 시료를 분석하기 위한 별도의 복잡한 공정을 생략하고 자동화를 달성할 수 있다.
뿐만 아니라, 본 발명에 따르면, 식물체의 다양한 표현형질을 식물의 생장단계에서 식물체 전체 및 식물체 각 부분에 대하여 세밀하게 트랙킹하고, 이를 기초로 생성된 예측모델을 이용하여 목표형질을 예측함으로써 예측정확도를 향상시킬 수 있다.
도 1은 본 발명의 실시예에 따른 식물체 선발 시스템의 블록도;
도 2는 본 발명의 실시예에 따른 식물체 선발 방법의 흐름도;
도 3은 본 발명의 실시예에 따라 목표형질 예측모델은 생성하는 방법의 흐름도;
도 4는 식물체의 표현형질의 예를 설명하기 위한 참고도;
도 5는 식물체의 생장과정에서 표현형질을 트랙킹한 데이터를 설명하기 위한 참고도; 및
도 6은 생성된 목표형질 예측모델의 일부를 시각화하여 나타낸 일 예이다.
도 2는 본 발명의 실시예에 따른 식물체 선발 방법의 흐름도;
도 3은 본 발명의 실시예에 따라 목표형질 예측모델은 생성하는 방법의 흐름도;
도 4는 식물체의 표현형질의 예를 설명하기 위한 참고도;
도 5는 식물체의 생장과정에서 표현형질을 트랙킹한 데이터를 설명하기 위한 참고도; 및
도 6은 생성된 목표형질 예측모델의 일부를 시각화하여 나타낸 일 예이다.
이하 본 발명의 바람직한 실시 예를 첨부한 도면을 참조하여 상세히 설명한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명의 실시예에 따른 식물체 선발 시스템의 블록도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 식물체 선발 시스템(100)은 예측모델 생성부(10), 예측모델 저장부(20), 데이터 획득부(30). 예측수행부(40), 및 식물체 선발부(50)를 포함한다.
예측모델 생성부(10)는 식물체의 생장단계에서 나타나는 표현형질과 목표형질간의 상관관계를 규정한 목표형질 예측모델을 생성한다. 여기서, 식물의 표현형질은 유전형질과 대비되는 의미로 식물에서 겉으로 드러나는 여러 가지 특성으로서, 유전자 및 생장환경의 영향을 받아서 외부로 표현되는 형질을 포괄한다. 한편, 목표형질은 파종 후 소정의 시간이 지나고 발현 또는 보유하게 되는 형질로 예측의 대상이 되는 형질을 의미한다. 목표형질은 식물체의 크기, 길이, 잎의 개수 등 외부관찰을 통해 식별되는 표현형질 뿐 아니라 제1, 제2 대사물질의 함량, 병해나 해충, 가뭄 등에 대한 저항성 등 외부에서 직접적으로 식별하기 어려운 형질을 포함한다.
예측모델 생성부(10)는 표본집단의 식물체의 표현형질을 식물체의 생장과정에서 트랙킹(tracking)하여 획득된 제1 입력 데이터와 표본집단 식물체에서 목표형질이 발현된 정도에 관한 제2 입력 데이터를 기초로 표현형질과 목표형질 간의 상관관계를 분석하여 목표형질 예측모델을 생성한다. 이는 식물체의 생장과정에서 나타나는 표현형질의 패턴이 목표형질의 발현과 관련이 있음에 기반한 것으로, 표현형질은 독립변수, 목표형질이 종속변수에 해당한다. 참고로, 표본집단 식물체는 목표형질 예측모델을 생성하기 위한 입력 데이터를 얻기 위하여 구성된 식물체 집단을 의미한다.
제1 입력 데이터를 획득하기 위한 트랙킹 작업은 소정의 시간간격으로 식물체의 다수 표현형질을 지속적으로 관찰하여 이루어진다. 이때, 트랙킹되는 표현형질은 예컨대, 식물체의 길이, 식물체의 형태, 식물체의 크기, 및 식물체의 면적 및 식물체 부분 간의 크기/길이/면적 비율 값을 포함하여 식물체 내에서 정의되는 다양한 값 등 식물체 전체와 관련된 표현형질일 수도 있으며, 소엽(leaflet) 또는 가지(branch)와 같이 원줄기에서 분기되는 부분들이 이루는 각도, 원줄기에서 분기되는 부분의 면적, 길이, 그 개수 등 식물체를 구성하는 각 부분과 관련된 표현형질일 수도 있다.
이와 같이, 한 시점에서의 표현형질을 보는 것이 아니라, 트랙킹을 통해 생장단계에서 지속적으로 표현형질을 관찰함으로써, 하나의 표현형질에 관해서도 다수의 데이터가 획득된다. 예컨대, 트랙킹되는 표현형질이 소엽의 길이라고 할 때, 식물체가 생장함에 따라 다수의 소엽이 나타나므로 각각의 소엽의 길이가 모두 제1 입력 데이터로써 획득되며, 또한, 생장함에 따라 이전 생장단계에서 이미 존재하였던 소엽의 길이가 변화하므로 각 생장단계에서 소엽의 길이가 반복적으로 측정된다. 이처럼, 생장과정에서 나타나는 생장패턴과 목표형질이 서로 관계가 있음에 기반하여 생장함에 따라 새롭게 추가되는 요소 및 변화되는 요소에 따른 표현형질을 각 생장단계에서 트랙킹한 데이터가 예측모델 생성부(10)에 제1 입력 데이터로 입력된다.
제2 입력 데이터는 식물체에 목표형질이 발현된 후의 일 시점에 목표형질의 발현 여부 및 그 정도를 파악하여 획득되는 것으로, 목표형질의 종류에 따라 획득방법이 달라질 수 있다. 예컨대, 식물체의 크기나 길이와 같이 목표형질이 외부로 표현될 때에는 영상 장비를 통해 촬영된 영상을 처리하여 제2 입력 데이터를 획득할 수 있으며, 목표형질이 대사물질의 함량과 같이 외부 식별이 불가한 경우에는 다양한 대사물질 추출방법 및 정량 분석을 이용하여 제2 입력 데이터가 획득될 수 있다.
예측모델 생성부(10)는 이와 같이 획득된 제1 입력 데이터와 제2 입력 데이터를 입력받아 신경망(neural network), 결정 트리 학습법(decision tree learning), SVM(support vector machine) 등 다양한 알고리즘을 통한 기계학습(machine learning), 또는 다중회귀분석과 같은 각종 분석 툴(tool)을 활용하여 식물체의 표현형질과 목표형질간의 상관관계를 분석하여 목표형질 예측모델을 생성한다.
이와 같이 생성된 목표형질 예측모델은 독립변수에 해당하는 일 이상의 표현형질과 종속변수에 해당하는 예측대상 목표형질의 상관관계를 규정한 것으로, 선형 또는 비선형 모델일 수 있다.
목표형질 예측모델은 목표형질의 종류별로 각각 마련될 수 있다. 또한, 미리 결정된 기준에 따라 정의된 식물체의 생장단계별 세부모델로 구성될 수 있으며, 이때, 특정 표현형질이 해당 생장단계에서 가지는 중요도가 반영될 수 있다. 예컨대, 'A'라는 표현형질이 제1 생장단계에서는 목표형질과 밀접한 상관관계가 있지만, 제2 생장단계에서는 관계가 미약한 경우, 제1 생장단계에 대응하는 예측모델에서는 'A' 표현형질이 예측과정에서 가중치가 크게 부여되어 중요한 변수가 될 수 있지만, 제2 생장단계에 대응하는 예측모델에는 가중치가 작게 부여되며, 또는 전혀 활용되지 않을 수도 있다.
예측모델 저장부(20)는 예측모델 생성부(10)를 통해 생성된 목표형질 예측모델을 저장한다. 이에 따라 예측모델 생성부(10)는 처음 목표형질 예측모델을 생성할 때에만 활성화되고, 그 이후부터는 저장된 목표형질 예측모델을 계속적으로 활용할 수 있다.
데이터 획득부(30)는 예측 대상이 되는 대상 식물체의 표현형질에 관한 데이터를 획득한다. 이때, 획득되는 표현형질은 목표형질 예측모델에 적용되는 독립변수에 해당하는 것이다. 데이터 획득부(30)는 각종 영상 처리 알고리즘을 내장하여 영상 장비를 통해 대상 식물체를 촬영한 영상을 입력받고 입력된 영상을 처리하여 예측에 필요한 표현형질을 인식할 수도 있으며, 또는, 사용자 인터페이스부(미도시)를 통해 사용자로부터 직접 표현형질에 관한 데이터를 입력받도록 구현될 수도 있다.
예측수행부(40)는 데이터 획득부(30)를 통해 획득된 표현형질 데이터를 목표형질 예측모델에 적용하여 대상 식물체의 목표형질의 발현 정도를 예측한다. 이때, 예측수행부(40)는 데이터 획득부(30)를 통해 획득된 표현형질 데이터로 미리 결정된 기준에 따라 대상 식물체의 생장단계를 판단하고, 목표형질 예측모델 중 대상 식물체의 생장단계에 대응하는 세부모델을 선택하여 예측을 수행할 수 있다.
이때, 예측수행부(40)는 예측되는 목표형질의 발현 정도와 예측의 정확도에 관한 정보를 함께 제공할 수 있다.
식물체 선발부(50)는 예측수행부(40)에 의한 예측결과를 기초로 대상 식물체의 선발 여부를 결정한다. 대상 식물체의 예측된 목표형질 발현 정도와 미리 결정된 선발기준을 서로 비교하여 대상 식물체를 선발하며, 예측의 정확도에 관한 정보를 함께 고려하여 선발 여부를 결정할 수 있다.
한편, 본 발명의 실시예에 따른 식물체 선발 시스템(100)은 예측모델 갱신부(미도시)를 더 포함하여 신규로 획득된 데이터를 적용하여 기생성된 목표형질 예측모델을 업데이트함으로써 시스템의 신뢰성을 향상시키고 보완해 나갈 수 있다.
도 2는 본 발명의 실시예에 따른 식물체 선발 방법의 흐름도이고, 도 3은 본 발명의 실시예에 따라 목표형질 예측모델을 생성하는 방법의 흐름도이다. 이하, 도 2 및 도 3을 참조하여, 전술된 식물체 선발 시스템(100) 구성의 유기적인 동작을 살펴본다.
먼저, 도 2를 참조하면, 식물체의 생장단계에서 나타나는 일 이상의 표현형질과 목표형질간의 상관관계를 규정한 목표형질 예측모델을 생성한다(S10).
도 3을 참조하여 목표형질 예측모델을 생성하는 방법을 살펴보면, 식물체 선발 시스템(100)은 사용자 인터페이스부(미도시)를 통하여 표본집단의 식물체의 생장과정에서 목표형질 예측모델의 변수에 해당하는 복수의 표현형질을 트랙킹한 데이터와 표본집단 식물체에서 소정의 목표형질이 발현된 후의 일 시점에 목표형질의 발현 여부 및 그 정도에 관한 데이터를 입력받는다(S11, S13). 여기서, 표본집단에 속하는 식물체는 환경적인 영향을 배제하기 위하여 양액, 광 등의 생장환경은 동일하게 부여한다.
식물체의 표현형질에 대한 트랙킹은 식물체가 생장함에 따라 소엽 또는 가지와 같이 원줄기에서 분기되는 부분이 외부로 나타나는 순서에 따라 각 부분마다 번호를 부여하고, 이와 같이 부여된 번호를 기초로 표현형질을 정량화하여 데이터를 얻는 과정을 식물체의 생장과정에서 반복함으로써 이루어질 수 있다.
도 4는 식물체의 표현형질의 예를 설명하기 위한 참고도이고, 도 5는 식물체의 생장과정에서 표현형질을 트랙킹한 데이터를 설명하기 위한 참고도이다.
도 4를 참조하면, 식물체의 표현형질의 예로서 소엽들이 이루는 각도와 소엽의 길이를 보여준다.
여기서, 식물체에 부여된 2는 식물체의 센터(center)를 의미하며, 2를 제외한 식물체의 각 소엽들에 부여된 번호 즉, 1, 3 내지 7은 식물체가 생장함에 따라 소엽들이 나타난 순서를 의미하는 것이다. 번호가 클수록 나중에 나온 소엽에 해당한다.
표현형질로서 소엽들이 이루는 각도는 식물체 내 미리 결정된 일 지점을 기준으로 2개의 소엽이 서로 이루는 각도로 정량화될 수 있으며, 예컨대, 도 4에 도시된 각도 Θ는 식물체의 중심(2)를 기준으로 1번 소엽과 6번 소엽이 이루는 각도를 의미한다. 한편, 소엽의 길이는 식물체 내 일 지점을 시작으로 소엽 끝까지의 길이로 정량화될 수 있다. 도 4에서는 식물체 내 일 지점인 중심(2)를 시작으로 4번 소엽 끝까지의 길이(l)가 예시되어 있다.
이어서, 도 5를 참조하면, 식물이 생장함에 따라 복수의 생장단계에 대해서 표현형질을 트랙킹하는 예를 보여준다. 식물체의 생장단계는 나타난 소엽들의 수, 식물체의 길이, 크기 등 미리 결정된 기준에 따라 분류할 수 있으며, 이러한 기준은 식물체별로 달리 결정될 수 있다. 표현형질의 트랙킹을 위한 표현형질 데이터의 획득은 하나의 생장단계 내에서도 여러 번 이루어질 수 있다.
도 5에서는 생장단계에 따라 나타난 모든 소엽의 길이를 트랙킹하는 예를 보여준다. 이 외에도 전술된 바와 같이 각 소엽 또는 각 가지들이 이루는 각도, 식물체 면적, 식물체 전체 형태, 식물체에서 정의되는 각종 값 등 식물체 전체, 또는 식물체의 부분에 대해서 정의되는 다양한 요소들이 트랙킹 대상이 될 수 있음은 전술된 바와 같다.
한편, 목표형질의 발현 여부 및 그 정도에 관한 제2 입력 데이터는 표본집단 식물체에 소정의 목표형질이 발현된 후의 일 시점에 획득되며, 이때, 전술된 바와 같이, 데이터의 획득은 구체적인 목표형질의 종류에 따라 다양한 방법으로 이루어질 수 있다.
이와 같이, 생장단계에서 표현형질을 트랙킹한 제1 입력 데이터와 목표형질에 관한 제2 입력 데이터를 기초로 기계학습, 통계분석 등 각종 다변량 분석 툴을 이용하여 표현형질과 목표형질간의 상관관계를 분석하여 목표형질 예측모델을 생성한다(S15, S17).
도 6은 생성된 목표형질 예측모델의 일부를 시각화하여 나타낸 일 예를 보여준다. 도 6은 하나의 생장단계에 대한 모델로서, 목표형질로서 특정 대사물질의 함량을 예측하기 위한 모델의 예시이다.
도 6을 참조하면, 목표형질 예측모델은 식물체의 표현형질에 관한 수치값에 따라 분기되는 의사결정 트리 구조로 나타낼 수 있다. 트리 중 일 경로(P1)에 대응하는 부분을 살펴보면, 노드 'a'에서 L_1_2_3, 즉, 1번 소엽과 식물체 중심인 2번을 지나 3번 소엽까지의 거리가 1.611보다 이하이면 노드 'b'로 진행되고, 1.611을 초과하면 노드 'c'로 진행된다.
이후에는 노드 'b'에서 A_1_2_3, 즉, 식물체 중심 2번을 중심으로 1번과 3번 소엽이 이루는 각도를 기준치와 비교하여 TRUE로 분기되면, A_12_24, 즉, 12번 소엽과 24번 소엽이 이루는 각도를 기준치와 비교하게 된다. 비교 결과 TURE로 분기되면 식물체 면적인 AREA를 기준치와 비교하고 그 결과에 따라 목표형질이 높고(HIGH) 낮음(LOW)이 결정될 수 있다.
참고로, 도 6에서는 생장단계별로 트랙킹된 다수의 표현형질 데이터의 구체적 수치범위를 조건으로 분기되는 트리 구조의 목표형질 예측모델을 보여주지만, 트리 구조 외에도 트랙킹된 다수의 표현형질 데이터 및 목표형질 데이터의 관계성을 통해 목표형질을 예측하기 위한 다양한 구조를 취할 수 있다.
대상 식물체의 선발은 이와 같이 생성된 목표형질 예측모델을 적용하여 이루어질 수 있다. 이를 위하여, 대상 식물체로부터 목표형질 예측모델의 변수에 대응하는 표현형질에 관한 데이터를 획득하고(S20), 획득된 표현형질에 관한 데이터를 목표형질 예측모델에 적용하여 대상 식물체의 목표형질의 발현 여부 및 그 정도를 예측한다(S30). 이때, 획득된 표현형질에 관한 데이터를 기초로 대상 식물체의 구체적인 생장단계를 파악하고, 해당 생장단계의 목표형질 예측모델을 적용한다.
위와 같이 예측된 결과를 선발기준과 비교하여 대상 식물체의 선발 여부를 결정한다(S40).
한편, 전술된 방법의 각 단계는 필요에 따라 적절히 변경 또는 추가되어 적용될 수 있다.
예컨대, 생성된 목표형질 예측모델이 표본집단 외 다른 식물체 집단에 적용되었을 때, 예측 결과의 재현성이 보장될 수 있어야 하므로, 모델 생성시 적용한 표본집단과 또 다른 표본집단을 구성하여 다른 표본집단에 목표형질 예측모델을 적용하여 봄으로써 생성된 목표형질 예측모델을 검증하는 단계가 더 포함될 수 있다.
또한, 해당 목표형질에 대하여 예측모델이 생성되면, 이후에는 생성된 예측모델을 저장하여 예측에 지속적으로 활용될 수 있으며, 다만, 새로운 입력 데이터를 기초로 모델을 업데이트하거나 보완할 수 있다.
전술된 본 발명의 실시예에 따른 식물체 선발 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성되어 마그네틱 저장매체, 광학적 판독매체, 디지털 저장매체 등 다양한 기록 매체로도 구현될 수 있다.
이상의 설명을 통하여 알 수 있듯이, 본 발명에 따른 식물체 선발 시스템(100) 및 방법에 의하면, 식물체의 다양한 표현형질을 식물의 생장단계에서 식물체 전체 및 식물체 각 부분에 대하여 세밀하게 트랙킹하고, 이를 기초로 생성된 예측모델을 이용하여 목표형질을 예측함으로써 예측정확도를 향상시킬 수 있다. 또한, 예측모델을 통함으로써 파종 후 오랜 시간이 지나고 수확 후 또는 수확시기에 가까이 도달해서야 식물체를 선발하는 종래 기술에 비하여 훨씬 조기에 우량 품종 선발이 가능하다.
본 명세서에 설명된 각종 기술들의 구현들은 디지털 전자 회로조직으로, 또는 컴퓨터 하드웨어, 펌웨어, 소프트웨어로, 또는 그들의 조합들로 구현될 수 있다. 구현들은 데이터 처리 장치, 예를 들어 프로그램가능 프로세서, 컴퓨터, 또는 다수의 컴퓨터들의 동작에 의한 처리를 위해, 또는 이 동작을 제어하기 위해, 컴퓨터 프로그램 제품, 즉 정보 캐리어, 예를 들어 기계 판독가능 저장 장치(컴퓨터 판독가능 매체) 또는 전파 신호에서 유형적으로 구체화된 컴퓨터 프로그램으로서 구현될 수 있다. 상술한 컴퓨터 프로그램(들)과 같은 컴퓨터 프로그램은 컴파일된 또는 인터프리트된 언어들을 포함하는 임의의 형태의 프로그래밍 언어로 기록될 수 있고, 독립형 프로그램으로서 또는 모듈, 구성요소, 서브루틴, 또는 컴퓨팅 환경에서의 사용에 적절한 다른 유닛으로서 포함하는 임의의 형태로 전개될 수 있다. 컴퓨터 프로그램은 하나의 사이트에서 하나의 컴퓨터 또는 다수의 컴퓨터들 상에서 처리되도록 또는 다수의 사이트들에 걸쳐 분배되고 통신 네트워크에 의해 상호 연결되도록 전개될 수 있다.
컴퓨터 프로그램의 처리에 적절한 프로세서들은 예로서, 범용 및 특수 목적 마이크로프로세서들 둘 다, 및 임의의 종류의 디지털 컴퓨터의 임의의 하나 이상의 프로세서들을 포함한다. 일반적으로, 프로세서는 판독 전용 메모리 또는 랜덤 액세스 메모리 또는 둘 다로부터 명령어들 및 데이터를 수신할 것이다. 컴퓨터의 요소들은 명령어들을 실행하는 적어도 하나의 프로세서 및 명령어들 및 데이터를 저장하는 하나 이상의 메모리 장치들을 포함할 수 있다. 일반적으로, 컴퓨터는 데이터를 저장하는 하나 이상의 대량 저장 장치들, 예를 들어 자기, 자기-광 디스크들, 또는 광 디스크들을 포함할 수 있거나, 이것들로부터 데이터를 수신하거나 이것들에 데이터를 송신하거나 또는 양쪽으로 되도록 결합될 수도 있다. 컴퓨터 프로그램 명령어들 및 데이터를 구체화하는데 적절한 정보 캐리어들은 예로서 반도체 메모리 장치들, 예를 들어, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광 기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리, EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 클라우드 컴퓨팅 스페이스(Cloud Computing Space) 등을 포함한다. 프로세서 및 메모리는 특수 목적 논리 회로조직에 의해 보충되거나, 이에 포함될 수 있다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 장치 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 장치들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징 될 수 있다는 점을 이해하여야 한다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.
10: 예측모델 생성부 20: 예측모델 저장부
30: 데이터 획득부 40: 예측수행부
50: 식물체 선발부
30: 데이터 획득부 40: 예측수행부
50: 식물체 선발부
Claims (11)
- 식물체의 생장단계에서 나타나는 일 이상의 표현형질과 목표형질간의 상관관계를 규정한 목표형질 예측모델을 저장하는 예측모델 저장부;
대상 식물체의 상기 표현형질에 관한 데이터를 획득하는 데이터 획득부;
상기 표현형질에 관한 데이터와 상기 목표형질 예측모델을 기초로 상기 대상 식물체의 상기 목표형질의 발현 정도를 예측하는 예측수행부; 및
상기 예측결과를 기초로 상기 대상 식물체의 선발 여부를 결정하는 식물체 선발부를 포함하는 것을 특징으로 하는 식물체 선발 시스템.
- 제1항에 있어서,
상기 목표형질 예측모델은 표본집단의 식물체에 대하여 상기 표현형질을 상기 식물체의 생장과정에서 트랙킹한 데이터와 상기 표본집단의 식물체에서 상기 목표형질이 발현된 정도에 관한 데이터를 기초로 생성된 것을 특징으로 하는 식물체 선발 시스템.
- 제2항에 있어서,
상기 표현형질을 상기 식물체의 생장과정에서 트랙킹한 데이터는 상기 식물체가 생장하면서 원줄기에서 분기되는 부분들이 나타나는 순서에 따라 상기 부분에 부여된 번호를 기초로 상기 표현형질을 정량화한 데이터를 포함하는 것을 특징으로 하는 식물체 선발 시스템.
- 제1항에 있어서,
상기 목표형질 예측모델은 상기 식물체의 생장단계별 세부모델을 포함하는 것을 특징으로 하는 식물체 선발 시스템.
- 제4항에 있어서,
상기 식물체의 생장단계별 세부모델은 상기 일 이상의 표현형질이 해당 생장단계에서 가지는 중요도를 반영하여 생성된 것을 특징으로 하는 식물체 선발 시스템.
- 제1항에 있어서,
상기 목표형질 예측모델은 상기 식물체의 표현형질에 관한 수치값에 따라 분기되는 의사결정 트리 구조를 가지는 것을 특징으로 하는 식물체 선발 시스템.
- 제1항에 있어서,
상기 목표형질 예측모델은 기계학습을 통해 생성되는 것을 특징으로 하는 식물체 선발 시스템.
- 제1항에 있어서,
상기 예측수행부는,
상기 데이터 획득부를 통해 획득된 데이터를 기초로 상기 대상 식물체의 생장단계를 판단하고, 상기 목표형질 예측모델 중 상기 생장단계에 대응하는 세부모델을 선택하여 예측을 수행하는 것을 특징으로 하는 식물체 선발 시스템.
- 제1항에 있어서,
상기 표현형질은 소엽들이 이루는 각도, 소엽의 면적, 소엽의 길이, 소엽의 개수, 식물체의 길이, 식물체의 형태, 식물체의 크기, 식물체의 면적 및 식물체 내에서 정의되는 값 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 식물체 선발 시스템.
- 식물체를 선발하는 식물체 선발 시스템을 통해 수행되는 식물체 선발 방법에 있어서,
식물체의 생장단계에서 나타나는 일 이상의 표현형질과 목표형질간의 상관관계를 규정한 목표형질 예측모델을 생성하는 단계;
대상 식물체의 상기 표현형질에 관한 데이터를 획득하는 단계;
상기 표현형질에 관한 데이터와 상기 목표형질 예측모델을 기초로 상기 대상 식물체의 상기 목표형질의 발현 정도를 예측하는 단계; 및
상기 예측결과를 기초로 상기 대상 식물체의 선발 여부를 결정하는 단계를 포함하는 것을 특징으로 하는 식물체 선발 방법.
- 제10항에 있어서,
상기 목표형질 예측모델을 생성하는 단계는,
표본집단의 식물체에 대하여 상기 표현형질을 상기 식물체의 생장과정에서 트랙킹한 데이터를 입력받는 단계;
상기 표본집단 식물체에서 상기 목표형질이 발현된 정도에 관한 데이터를 입력받는 단계; 및
상기 입력된 데이터를 기초로 상기 표현형질과 상기 목표형질의 상관관계를 분석하여 상기 목표형질 예측모델을 생성하는 단계를 포함하는 것을 특징으로 하는 식물체 선발 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170010534A KR102145617B1 (ko) | 2017-01-23 | 2017-01-23 | 표현형 기반 식물체 선발 시스템 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170010534A KR102145617B1 (ko) | 2017-01-23 | 2017-01-23 | 표현형 기반 식물체 선발 시스템 및 그 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20180086735A KR20180086735A (ko) | 2018-08-01 |
KR102145617B1 true KR102145617B1 (ko) | 2020-08-19 |
Family
ID=63227854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170010534A KR102145617B1 (ko) | 2017-01-23 | 2017-01-23 | 표현형 기반 식물체 선발 시스템 및 그 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102145617B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102362904B1 (ko) * | 2020-08-24 | 2022-02-15 | 주식회사 바딧 | 객체를 모니터링하기 위한 방법, 에지 컴퓨팅 디바이스 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
KR20220168915A (ko) * | 2021-06-17 | 2022-12-26 | 라온피플 주식회사 | 속잎 줄기 길이 측정 장치 및 속잎 줄기 길이 측정 방법 |
KR20230006070A (ko) | 2021-07-02 | 2023-01-10 | 고려대학교 산학협력단 | 시계열 이미지를 이용한 식물 생장 예측 방법 및 장치 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102157579B1 (ko) * | 2018-10-04 | 2020-09-18 | 재단법인 전통천연물기반 유전자동의보감 사업단 | 표현형 중심의 네트워크 분석을 이용한 천연 화합물의 약리 효과 예측 방법 및 이를 위한 시스템 |
CN112599191A (zh) * | 2020-12-28 | 2021-04-02 | 深兰科技(上海)有限公司 | 数据关联分析方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101392279B1 (ko) | 2012-12-21 | 2014-05-07 | 주식회사 맥스포 | 식물 공장의 생산량 예측 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101522234B1 (ko) | 2013-11-07 | 2015-05-22 | 한국생명공학연구원 | 1차 대사물질을 이용한 배추좀나방 저항성 양배추 품종의 조기 선별 방법 |
-
2017
- 2017-01-23 KR KR1020170010534A patent/KR102145617B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101392279B1 (ko) | 2012-12-21 | 2014-05-07 | 주식회사 맥스포 | 식물 공장의 생산량 예측 방법 |
Non-Patent Citations (2)
Title |
---|
E. Yamamoto 외, Scientipic Reports, 6:19454, 2016.01.20. |
The Plant Cell, 26권, pp.4536-4655, 2014.12. |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102362904B1 (ko) * | 2020-08-24 | 2022-02-15 | 주식회사 바딧 | 객체를 모니터링하기 위한 방법, 에지 컴퓨팅 디바이스 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
KR20220168915A (ko) * | 2021-06-17 | 2022-12-26 | 라온피플 주식회사 | 속잎 줄기 길이 측정 장치 및 속잎 줄기 길이 측정 방법 |
KR102590772B1 (ko) * | 2021-06-17 | 2023-10-19 | 라온피플 주식회사 | 속잎 줄기 길이 측정 장치 및 속잎 줄기 길이 측정 방법 |
KR20230006070A (ko) | 2021-07-02 | 2023-01-10 | 고려대학교 산학협력단 | 시계열 이미지를 이용한 식물 생장 예측 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR20180086735A (ko) | 2018-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102145617B1 (ko) | 표현형 기반 식물체 선발 시스템 및 그 방법 | |
Zhao et al. | Crop phenomics: current status and perspectives | |
Watt et al. | Phenotyping: new windows into the plant for breeders | |
Pieruschka et al. | Plant phenotyping: past, present, and future | |
Brichet et al. | A robot-assisted imaging pipeline for tracking the growths of maize ear and silks in a high-throughput phenotyping platform | |
Chen et al. | Dissecting the phenotypic components of crop plant growth and drought responses based on high-throughput image analysis | |
Bazame et al. | Detection, classification, and mapping of coffee fruits during harvest with computer vision | |
Lee et al. | An automated, high-throughput plant phenotyping system using machine learning-based plant segmentation and image analysis | |
Tedesco-Oliveira et al. | Convolutional neural networks in predicting cotton yield from images of commercial fields | |
Dhondt et al. | Cell to whole-plant phenotyping: the best is yet to come | |
Rafferty et al. | Phenological overlap of interacting species in a changing climate: an assessment of available approaches | |
Casadebaig et al. | Assessment of the potential impacts of wheat plant traits across environments by combining crop modeling and global sensitivity analysis | |
Du et al. | Image-based high-throughput detection and phenotype evaluation method for multiple lettuce varieties | |
Lesur et al. | Modeling long-term yield trends of Miscanthus× giganteus using experimental data from across Europe | |
Dambreville et al. | Analysing growth and development of plants jointly using developmental growth stages | |
JP2021056573A (ja) | 作物成長予測プログラム、作物成長予測方法および作物成長予測装置 | |
Drew et al. | A model of stem growth and wood formation in Pinus radiata | |
Li et al. | Defining strawberry shape uniformity using 3D imaging and genetic mapping | |
Costes et al. | Deciphering the ontogeny of a sympodial tree | |
Xu et al. | Functional modeling of plant growth dynamics | |
Wang et al. | Root anatomy based on root cross-section image analysis with deep learning | |
US20160171407A1 (en) | Method and system for classifying plant disease through crowdsourcing using a mobile communication device | |
KR20240035997A (ko) | 마티올라 종자들을 선별하는 방법들 | |
Ahmed et al. | TLidar-based crown shape indicates tree ring pattern in Norway spruce (Picea abies (L.) H. Karst) trees across competition gradients. A modeling and methodological approach | |
Chen et al. | CropQuant-Air: an AI-powered system to enable phenotypic analysis of yield-and performance-related traits using wheat canopy imagery collected by low-cost drones |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |