論文の概要: MixINN: Accelerating Plant Breeding by Combining Mixed Models and Deep Learning for Interaction Prediction

• arxiv url: http://arxiv.org/abs/2605.04744v1
• Date: Wed, 06 May 2026 10:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.778543
• Title: MixINN: Accelerating Plant Breeding by Combining Mixed Models and Deep Learning for Interaction Prediction
• Title（参考訳）: MixINN: 相互作用予測のための混合モデルと深層学習を組み合わせた植物育種促進
• Authors: Aike Potze, Fred van Eeuwijk, Ioannis N. Athanasiadis,
• Abstract要約: 植物の育種は、作物の収量、品質、持続可能性の改善を通じて、世界的な食料安全保障を支えている。 気候変動は、局所的な生育条件を変え、作物の遺伝子型の相対的な性能を変化させることで、このプロセスを妨害する。 混合モデルを用いて、まず高品質な遺伝子型環境相互作用ラベルを分離し、その後、深層ニューラルネットワークを用いた将来の環境条件下での新たな作物品種に対する相互作用を予測する手法であるMixINNを提案する。
• 参考スコア（独自算出の注目度）: 2.2940141855172036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Plant breeding underpins global food security through incremental, accumulating improvements in crop yield, quality and sustainability, achieved via repeated cycles of crop ranking, selection and crossing. Climate change disrupts this process by altering local growing conditions, thereby shifting the relative performance of crop genotypes. Predicting these relative changes in yield is critical for food security. Yet, this problem remains an open challenge in plant breeding, and relatively unexplored within the AI community. We propose MixINN, an approach that first isolates high-quality genotype-environment interaction labels using mixed models, and then predicts these interactions for new crop varieties in future environmental conditions with a deep neural network. We evaluate our method on a corn multi-environment trial across the continental United States and show improved prediction of genotype ranking over current plant breeding methods. MixINN demonstrated superior performance in identifying the 20% most productive corn genotypes, leading to a 5.8% higher average yield, which further improved to 7.2% when targeting specific growing environments. These are competitive results for real-world breeding programs, demonstrating the potential of AI research in accelerating the development of climate-adapted crops, and improving future food security under climate change.
• Abstract（参考訳）: 植物の育種は、作物の収量、品質および持続可能性の改善を漸進的に蓄積し、作物のランク付け、選抜および交配を繰り返して達成することで、世界の食料安全保障を支えている。 気候変動は、局所的な生育条件を変えて、作物の遺伝子型の相対的な性能を変化させることで、このプロセスを妨害する。 これらの相対的な収量の変化を予測することは、食料安全保障にとって重要である。 しかし、この問題は植物の育種においてオープンな課題であり、AIコミュニティ内では比較的未調査である。 混合モデルを用いて、まず高品質な遺伝子型環境相互作用ラベルを分離し、その後、深層ニューラルネットワークを用いた将来の環境条件下での新たな作物品種に対する相互作用を予測する手法であるMixINNを提案する。 本手法は,アメリカ大陸におけるトウモロコシ多環境試験において評価され,現生植物育種法よりも優れた遺伝子型ランキングの予測が得られた。 MixINNは、最も生産性の高いトウモロコシの遺伝子型を20%同定する上で優れた性能を示し、平均収率は5.8%上昇し、特定の生育環境をターゲットにするとさらに7.2%向上した。 これらは、実世界の育種プログラムの競争的な結果であり、気候変動に適応した作物の開発を加速し、気候変動による将来の食料安全保障を改善するAI研究の可能性を示している。

関連論文リスト

• NeuralCrop: Combining physics and machine learning for improved crop yield predictions [1.1647670668736185]
  グローバルグリッド型作物モデル(GGCM)は、重要な生物物理過程を明示的に表現することによって、日々の作物の成長をシミュレートする。 我々は,高度なプロセスベースGGCMとデータ駆動機械学習コンポーネントを組み合わせたハイブリッドGGCMであるNeuralCropを紹介する。 NeuralCropは、サイトレベルおよび大規模収穫地域において、最先端のGGCMよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-12-23T09:16:44Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
  昆虫生産には 最大限の可能性を実現するために 最適化が必要です これは選択的育種による興味のある形質の改善が目的である。 このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-06-26T07:50:58Z)
• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• Climate Change Impact on Agricultural Land Suitability: An Interpretable Machine Learning-Based Eurasia Case Study [94.07737890568644]
  2021年現在、世界中で約8億8800万人が飢餓と栄養失調に見舞われている。 気候変動は農地の適性に大きな影響を及ぼし、深刻な食糧不足に繋がる可能性がある。 本研究は,経済・社会問題に苦しむ中央ユーラシアを対象とする。
  論文  参考訳（メタデータ） (2023-10-24T15:15:28Z)
• DeepG2P: Fusing Multi-Modal Data to Improve Crop Production [1.7406327893433846]
  本稿では,G,E,Mの入力とその相互作用を処理する自然言語処理に基づくニューラルネットワークアーキテクチャを提案する。 我々は、DNAを自然言語としてモデル化することにより、新しい環境をテストする際に、従来のアプローチよりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-11-11T03:32:44Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Crop Yield Prediction Integrating Genotype and Weather Variables Using Deep Learning [8.786816847837976]
  我々は,北米のUniform Soybean Tests (UST) から13年間のデータにまたがる過去のパフォーマンス記録を用いて,複数環境でジェノタイプ応答を検出・予測するために,Long Short Term Memory - Recurrent Neural Network based modelを構築した。 我々は、このディープラーニングフレームワークを「仮説生成ツール」としてデプロイし、GxExM関係を解き放つ。 異なる気候条件下でのダイズおよび他の作物に対するこのアプローチの適用性(感度分析および「What-if」シナリオ)について検討した。
  論文  参考訳（メタデータ） (2020-06-24T16:20:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。