基于本体驱动的双通道关系图卷积网络（DCR-GCN）用于生菜叶片表型分类

《Plant Methods》：Ontology-driven dual-channel relational graph convolutional network (DCR-GCN) for lettuce leaf phenotype classification

　　

摘要

生菜（Lactuca sativa L.）是一种重要的叶类蔬菜，其叶片在形态、结构、颜色和质地方面具有显著的多样性，这给种质资源鉴定和新品种保护带来了挑战。然而，现有的复杂表型分析方法在明确表示和利用表型特征之间的语义关系方面往往存在局限性。为了解决这一问题，开发了一个基于知识图谱的生菜表型特征图学习框架。首先从五种生菜类型的叶片图像中提取了表型特征。根据国际植物新品种保护联盟（UPOV）的特征描述标准，构建了一个生菜叶片表型特征知识图谱（LLPT-KG），以表示这些特征之间的语义关联。在此基础上，开发了一个双通道关系图卷积网络（DCR-GCN），用于整合节点属性特征和图结构信息以进行生菜类型分类。为了提高可解释性，进一步进行了节点和边级别的重要性分析，以确定对类型区分最相关的表型特征和语义关系。该框架的准确率为0.94，Macro-F1分数为0.94。与表现最好的单通道图模型R-GCN（关系图卷积网络）相比，DCR-GCN的准确率提高了约9%，Macro-F1分数提高了约10%。这些结果表明，将知识图谱与图神经网络相结合可以有效捕捉生菜中的复杂表型关系并提升分类性能。该框架为精确的生菜种质资源鉴定、新品种保护的数字表型评估以及基于数字技术的田间DUS（独特性、一致性和稳定性）测试前的预筛选提供了方法支持。