《Mycorrhiza》：MycorrhizaFinder: a user-friendly machine-learning tool to quantify endomycorrhizal colonisation of nursery and field roots
编辑推荐：
专业术语翻译
内生菌根真菌对根部的定殖长期以来一直是菌根研究中广泛使用的度量指标。然而，由于使用传统显微镜技术评估定殖需要大量时间，大规模定殖研究难以实际开展。基于机器学习的方法有望提高产出并促进生态系统评估。研究人员在42个田间根段（132个独特的1厘米切片
专业术语翻译
内生菌根真菌对根部的定殖长期以来一直是菌根研究中广泛使用的度量指标。然而，由于使用传统显微镜技术评估定殖需要大量时间，大规模定殖研究难以实际开展。基于机器学习的方法有望提高产出并促进生态系统评估。研究人员在42个田间根段（132个独特的1厘米切片，包含超过100,000个瓦片）上训练了一种基于机器学习的工具（MycorrhizaFinder），并在另外37个切片上进行了验证，这些切片来自草地和石楠荒地，寄主为常见的北欧植物，含有丛枝菌根（AM）和欧石楠菌根（ErM）真菌结构，以及暗隔内生真菌（DSE），后者在田间来源的根部中同样常见。研究人员整合了用户自定义的置信度阈值，以鼓励对形态学模糊性（例如ErM和DSE中的情况）进行人工研判。采用宏F1统计量评估工具的开发性能。研究人员提供了一个从根部处理、显微镜玻片扫描到半自动化模型训练和性能评估的示例工作流程。结合所有类别时，模型性能的宏F1在丛枝菌根定殖评估中保守估计为66%，在欧石楠菌根定殖评估中为57%。MycorrhizaFinder用户友好，无需编程技能，并为高级农学家或生态学家提供了灵活性，使其能够使用自己标注的菌根根部数据集训练该工具，包括来自不同仪器或染色方案获取的图像。这种适应性允许用户针对特定生态系统或实验设计定制模型。结合分子鉴定和/或真菌功能性状（如丛枝），MycorrhizaFinder支持可扩展、可重复的苗圃实验以及跨生态系统的监测，以评估菌根状态并追踪土地利用变化。
论文解读文章
内生菌根（endomycorrhizal）定殖是菌根研究中广泛使用的指标，反映植物根部与有益真菌之间的营养交换关系。约85%的陆地植物可与球囊菌亚门（Glomeromycotina）和/或毛霉亚门（Mucoromycotina）真菌形成丛枝菌根（arbuscular mycorrhiza，AM）或类AM共生体，而北欧石楠荒地中的杜鹃花科（Ericaceae）植物则与欧石楠菌根（ericoid mycorrhiza，ErM）真菌形成共生关系。暗隔内生真菌（dark septate endophyte，DSE）是一类非菌根真菌，其生态功能尚不明确，但常与AM和ErM在田间根部中共存，造成形态学判定的困难。传统定殖评估依赖显微镜人工计数，虽然具有一定客观性和可重复性，但劳动强度大，难以满足生态系统尺度数百至数千样本的评估需求。尽管已有AMFinder等计算机视觉工具，但其训练数据主要来源于受控条件下的模式植物或作物，无法应对田间根部复杂的生态背景、多变的染色质量、混合真菌结构以及土壤碎屑干扰。为填补这一空白，研究人员开发了MycorrhizaFinder（MF），一个专门针对田间来源根部、跨植物物种和内生菌根类型、可区分常见田间伪影的计算机视觉工具，旨在实现大规模菌根定殖评估。
研究人员利用来自英格兰农业用地、草地、石楠荒地、泥炭沼泽以及挪威的Calluna vulgaris和Erica tetralix根部样本，共132个独特1厘米根段（超过100,000个瓦片）用于模型训练，并额外使用37个根段进行独立验证。样本涵盖AM和ErM寄主，以及共存的DSE结构。研究人员比较了ResNet、ResNeXt、AMFinder原始CNN1和EfficientNetB5四种模型架构，最终选择EfficientNetB5。通过扩展瓦片分类体系（AM路径设六类，ErM路径设十类），引入上下文功能（结合相邻瓦片预测并采用最大投票机制）以及用户自定义置信度阈值，提升了分类的准确性和可解释性。性能评估采用宏F1（Macro F1）统计量，以克服数据不均衡问题。该工具基于React开发，无需编程技能，支持Windows、macOS和Linux系统运行。
使用MF量化田间根部AM真菌定殖方面，与传统显微镜评估相比，MF在独立测试根上显著改善了AM类瓦片的检测。在示例根中，MF预测AM定殖率为10.7%，显著优于AMFinder的0.5%，接近专家人工评估的12.7%。AMFinder频繁将田间根瓦片误分类，而MF有效处理了染色不均、土壤碎屑等技术和生物伪影。融入上下文信息显著提高了预测质量，在AM和ErM路径中，激活上下文功能后宏F1分别提升5.0%和5.8%；结合模型架构升级，较原始AMFinder分别提升44.9%和40.4%。上下文功能通过模拟人类观察时的情境化判断，减少了单瓦片分类的随机性。F1分数为定殖准确性提供了稳健且可解释的估计。与准确率（Accuracy）相比，宏F1对稀有类别（如DSE和Unreadable）给予同等权重。例如在ErM数据集中，DSE类的准确率看似较高（76.92），但其精确率仅为25.32，F1分数仅为38.10；而Unreadable类准确率虽低（52.50），但精确率较高（65.09），F1分数达58.12，凸显了宏F1在揭示模型真实性能方面的优势。MF有助于量化田间根部ErM真菌定殖，通过专门的ErM路径，模型能够区分蓝线圈、棕线圈、Type two以及混合ErM/ErM+DSE等形态类型。与AM路径相比，ErM路径避免了将ErM结构误判为DSE从而低估定殖率的问题。通量和简便性方面，MF显著缩短了分析时间，从传统显微镜法的每根半小时至一小时，降至可在夜间批量处理数十至数百根样本。置信度阈值设置允许用户在自动化与人工审查之间权衡，且在不同阈值下平均绝对误差保持在约5%。在模型架构对比方面，EfficientNetB5在AM和ErM两条路径上的宏F1均显著优于较浅的CNN1模型，表明更深层的架构能更有效地捕捉田间根部图像中的复杂特征。
讨论部分指出，MF填补了田间根部菌根定殖标准化高通量评估的方法学空白。其直观界面和非专家可及性促进了在生态学和农学领域的广泛应用。上下文功能的引入多数情况下提升了各类别的F1分数，但Type two和DSE类别出现负向趋势，这可能与训练样本量较小有关。ErM路径的分类型有助于评估杜鹃花科主导生境的菌根状态，但研究人员同时提醒，定殖百分比应结合实验局限性和研究问题综合解读，在景观尺度上分类评估（如DAFOR量表）可能更为适宜。未来改进方向包括扩充低代表类别（如ErM和DSE）的训练数据，探索视觉Transformer等替代架构，以及通过开放许可促进社区协作开发。研究结论认为，在无监督条件下，MF可达到可接受的定殖评估，尤其在区分未定殖瓦片方面表现出色；在专家人工监督下可获高精度评估。该工具为用户提供了无需编程即可训练新图像数据集的便捷工作流，并支持在瓦片层面添加功能结构标签（如囊泡和丛枝）。其适应田间来源根部变异的能力以及针对欧石楠菌根生境和DSE区分的新模型路径，对自然菌根监测研究具有重要价值。
