基于深度学习的振动拉曼光谱用于植物应力分析
机器学习
2025-07-22 v1 人工智能
生物大分子
摘要
检测植物应力对于开放式农场和受控环境农业至关重要。植物内的生物分子作为关键应力指示物，为持续健康监测和早期病害检测提供了重要标记。拉曼光谱提供了一种强大的、非侵入性的方法，通过分子振动特征对这些生物分子进行定量。然而，传统的拉曼分析依赖于需要荧光背景移除和先行识别感兴趣拉曼峰的定制数据处理工作流程，引入潜在偏差和不一致性。本文引入DIVA（Deep-learning-based Investigation of Vibrational Raman spectra for plant-stress Analysis），这是一种基于变分自编码器的完全自动化工作流程。与传统方法不同，DIVA处理原始拉曼光谱（包括荧光背景），无需人工预处理，以无偏方式识别和定量显著光谱特征。我们将DIVA应用于检测各种植物应力，包括非生物应力（遮阴、强光照、高温）和生物应力（细菌感染）。通过将深度学习与振动光谱相结合，DIVA为AI驱动的植物健康评估开辟了道路，促进更具韧性和可持续性的农业实践。
引用
@article{arxiv.2507.15772,
title = {Deep-Learning Investigation of Vibrational Raman Spectra for Plant-Stress Analysis},
author = {Anoop C. Patil and Benny Jian Rong Sng and Yu-Wei Chang and Joana B. Pereira and Chua Nam-Hai and Rajani Sarojam and Gajendra Pratap Singh and In-Cheol Jang and Giovanni Volpe},
journal= {arXiv preprint arXiv:2507.15772},
year = {2025}
}
备注
*Authors contributed equally to this work. +Supervised this work. 5 main figures and 1 extended data figure in manuscript. The PDF includes supplementary material