Maize common rust resistance classification with machine learning analyzes

Abstract

Maize (Zea mays ssp. Mays) is a widely cultivated crop, having one of the highest productivities among cereals, and it is of great importance in human consumption, both in natura and processed. In addition, it has applications in industry as a source of energy through corn ethanol and animal feed. Many diseases can affect maize yield such as the Maize Common Rust (MCR) (Puccinia sorghi Schwein), a leaf disease which causes the appearance of pustules. The aim of this study was to classify maize lines between resistant and susceptible, selecting 50% of them to be carried on the breeding pipeline. A dataset containing three time-point evaluations in two years using a visual score scale and two Unmanned Aerial Vehicle (UAV) - couple sensors (multispectral and thermal) data were analyzed with six machine learning algorithms in order to identify the training time set to deliver the best classification performance. The three time-point evaluations phenotypic data along with the genetic markers data were used to explore the performance of the Support Vector Machine (SVM) and the Artificial Neural Network (ANN) algorithms in a k-fold cross-validation analysis with nine datasets. Their learning curves and feature importance rank were analyzed using the SVM algorithm. Our results showed that the last evaluation training set delivered the highest accuracies, of approximately 80 per cent, with Logistic Regression and SVM outperforming the other algorithms. The results obtained with the analysis by year suggest that a homogenous distribution of scores is of great importance for an effective MCR resistance classification. Our results also demonstrated the advantageous use of the SVM algorithm, in which models had the capacity to generalize using a smaller number of features. Similar performance metrics were achieved with SVM when the third evaluation and the three time-point evaluations combined together were employed. The SVM learning curves indicate that the addition of more training samples would be beneficial for all datasets analyzed. The five most important features for each dataset were listed, resulting in a predominance of the Red wavelength in the first position of the rank. In addition, the protein- coding genes aligned with the markers’ allele sequence ranked as important should be further explored in genomic-functional studies. Keywords: Maize common rust. Machine learning. SVM. ANN. Data mining.

O milho (Zea mays ssp. Mays) é uma espécie amplamente cultivada, com uma das maiores produtividades entre os cereais, e de grande importância na alimentação humana in natura ou processado. Além disso, é usado na indústria como fonte de energia, através do etanol de milho, e ração animal. Muitas doenças podem afetar a produtividade do milho, como a ferrugem comum do milho (MCR) (Puccinia sorghi Schwein), uma doença foliar que causa o aparecimento de pústulas. O objetivo deste estudo foi classificar linhagens de milho entre resistentes e suscetíveis, selecionando 50% delas para serem usadas em etapas subsequentes do programa de melhoramento. Três avaliações em tempos diferentes do ciclo de desenvolvimento do milho foram realizadas em dois anos usando escala de avaliação visual e dois sensores (multiespectral e termal) acoplados ao Unmanned aerial Vehicle (UAV) e seus respectivos dados foram analisados usando seis algoritmos de aprendizado de máquinas para identificar a avaliação que fornece a melhor performance de classificação da resistência. Os dados fenotípicos das três avaliações e os dados de marcadores genéticos foram usados para explorar o desempenho dos algoritmos Support Vector Machine (SVM) e Artificial Neural Network (ANN) em uma análise de validação cruzada k-fold com nove conjuntos de dados. As curvas de aprendizado e ranking de importância das variáveis preditoras foram analisados usando o algoritmo SVM. Os resultados mostraram que a terceira avaliação forneceu os maiores valores de acurácia, de aproximadamente 80%, com Logistic Regression e SVM superando os demais algoritmos. Os resultados obtidos com a análise por ano sugerem que uma distribuição homogênea de notas visuais é de grande importância para uma classificação eficaz da resistência à MCR. Os resultados também demonstraram que o uso do algoritmo SVM será vantajoso dependendo da capacidade do modelo de generalizar usando um número menor de variáveis preditoras. Métricas de desempenho semelhantes foram alcançadas usando SVM quando a terceira avaliação e as três avaliações combinadas foram empregadas. As curvas de aprendizado usando o algoritmo SVM indicam que a adição de mais amostras de treinamento seria benéfica para todos os conjuntos de dados analisados. As cinco variáveis preditoras mais importantes para cada conjunto de dados foram listadas, resultando em uma predominância do comprimento de onda vermelho na primeira posição do ranking. Além disso, os genes codificadores de proteínas alinhados com a sequência alélica dos marcadores de importância ranqueados devem ser explorados posteriormente em estudos genômico- funcionais. Palavras-chave: Ferrugem comum do milho. Aprendizado de máquinas. SVM. ANN. Mineração de dados.