特表 2022-553570 植物生産物における感染の予測

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2022-12-23

(54)【発明の名称】植物生産物における感染の予測

(51)【国際特許分類】

   C12Q 1/6851 20180101AFI20221216BHJP

   C12Q 1/6869 20180101ALI20221216BHJP

   C12Q 1/686 20180101ALI20221216BHJP

   G06N 20/00 20190101ALI20221216BHJP

   G06N 3/02 20060101ALI20221216BHJP

   G16B 40/20 20190101ALI20221216BHJP

   C12N 15/29 20060101ALN20221216BHJP

【ＦＩ】

C12Q1/6851 Z

C12Q1/6869 Z

C12Q1/686 Z

G06N20/00

G06N3/02

G16B40/20

C12N15/29 ZNA

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2022524917

(86)(22)【出願日】2020-11-05

(85)【翻訳文提出日】2022-06-23

(86)【国際出願番号】 US2020059215

(87)【国際公開番号】W WO2021092251

(87)【国際公開日】2021-05-14

(31)【優先権主張番号】62/930,999

(32)【優先日】2019-11-05

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】516027797

【氏名又は名称】アピール テクノロジー，インコーポレイテッド

(74)【代理人】

【識別番号】100079108

【弁理士】

【氏名又は名称】稲葉 良幸

(74)【代理人】

【識別番号】100109346

【弁理士】

【氏名又は名称】大貫 敏史

(74)【代理人】

【識別番号】100117189

【弁理士】

【氏名又は名称】江口 昭彦

(74)【代理人】

【識別番号】100134120

【弁理士】

【氏名又は名称】内藤 和彦

(72)【発明者】

【氏名】ヴィルド，コーディ

(72)【発明者】

【氏名】ブレーデン，サバンナ

(72)【発明者】

【氏名】カールシューアー，マシュー

(72)【発明者】

【氏名】ペレス，ルイス

【テーマコード（参考）】

4B063

【Ｆターム（参考）】

4B063QA01

4B063QA19

4B063QQ04

4B063QQ09

4B063QQ42

4B063QQ52

4B063QR08

4B063QR32

4B063QR35

4B063QR55

4B063QR63

4B063QS25

4B063QS32

4B063QX02

4B063QX10

(57)【要約】

同じソースの植物生産物の集合における感染尤度を予測する方法が開示される。植物生産物の部分集合が、植物生産物の集合から選択される。部分集合の各植物生産物について１つ又は複数の感染バイオマーカの発現レベル及び任意選択的に１つ又は複数のハウスキーピングバイオマーカの発現レベルが特定される。植物生産物の部分集合についてのバイオマーカ発現統計の集合が、部分集合の各植物生産物についての１つ又は複数の感染バイオマーカの特定された発現レベル及び任意選択的に１つ又は複数のハウスキーピングバイオマーカの発現レベルに基づいて特定される。次いで少なくとも部分的に植物生産物の部分集合の特定されたバイオマーカ発現統計の集合に基づいて、植物生産物の集合における感染尤度が予測される。

【特許請求の範囲】

【請求項1】

ｎ個の同じソースの植物生産物の集合における感染尤度を予測する方法であって、ｎは１０よりも大きい整数であり、前記方法は、
前記植物生産物の集合からｍ個の植物生産物の部分集合を選択することであって、ｍは１よりも大きく且つｎ／２よりも小さい整数である、選択することと、
前記部分集合の各植物生産物について１つ又は複数の感染バイオマーカの発現レベルを特定することと、
少なくとも前記部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの前記発現レベルに基づいて、前記植物生産物の部分集合についてのバイオマーカ発現統計の集合を特定することと、
少なくとも部分的に前記植物生産物の部分集合の前記バイオマーカ発現統計の集合に基づいて、前記植物生産物の集合における前記感染尤度を予測することと、
前記植物生産物の集合における前記予測感染尤度を返すことと、
を含む、方法。

【請求項2】

前記部分集合のうちの各植物生産物についての１つ又は複数のハウスキーピングバイオマーカの発現レベルを特定することを更に含み、前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合は、少なくとも、前記部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて特定される、請求項１に記載の方法。

【請求項3】

前記植物生産物の集合における前記感染尤度を予測することは、
前記植物生産物の部分集合の前記バイオマーカ発現統計の集合を機械学習感染予測モデルに入力すること
を含み、前記機械学習感染予測モデルは、
少なくとも部分的に、複数のトレーニングサンプルを含むトレーニングデータセットに基づいて識別される複数のパラメータであって、各トレーニングサンプルは、同じソースの植物生産物の遡及集合と関連付けられ、
前記植物生産物の遡及集合からの植物生産物の部分集合のバイオマーカ発現統計の集合であって、前記バイオマーカ発現統計の集合は、前記植物生産物の部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの発現レベルに基づく、前記植物生産物の遡及集合からの植物生産物の部分集合のバイオマーカ発現統計の集合及び
前記植物生産物の遡及集合における既知の感染率
を含む、複数のパラメータと、
前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合及び前記トレーニングデータセットに少なくとも部分的に基づいて識別される前記複数のパラメータに基づいて、前記機械学習感染予測モデルへの入力として受信される前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合と前記機械学習感染予測モデルの出力として生成される前記植物生産物の集合における前記予測感染尤度との間の関係を表す関数と、
を含む、請求項２に記載の方法。

【請求項4】

前記部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて、前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合を特定することは、
前記植物生産物の部分集合のうちの各植物生産物について、
前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて、前記１つ又は複数の感染バイオマーカの正規化発現レベルを特定することと、
前記１つ又は複数の感染バイオマーカの前記正規化発現レベルに基づいて、前記１つ又は複数の感染バイオマーカの特徴スケーリング発現レベルを特定することと、
前記部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの前記特徴スケーリング発現レベルに基づいて、前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合を特定すること、
を含む、請求項２に記載の方法。

【請求項5】

前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて、前記１つ又は複数の感染バイオマーカの正規化発現レベルを特定することは、前記１つ又は複数の感染バイオマーカの前記発現レベルと前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルとの比率を特定することを含む、請求項４に記載の方法。

【請求項6】

前記１つ又は複数の感染バイオマーカの前記正規化発現レベルに基づいて、前記１つ又は複数の感染バイオマーカの特徴スケーリング発現レベルを特定することは、前記１つ又は複数の感染バイオマーカの前記正規化感染レベルの最小最大正規化及び対数変換のうちの少なくとも一方を実行することを含む、請求項４に記載の方法。

【請求項7】

前記部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの前記特徴スケーリング発現レベルに基づいて、前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合を特定することは、
前記１つ又は複数の感染バイオマーカの前記特徴スケーリング発現レベルの平均、メジアン、最小、最大、標準偏差、５パーセンタイル、１０パーセンタイル、１５パーセンタイル、２０パーセンタイル、２５パーセンタイル、５０パーセンタイル、７５パーセンタイル、８０パーセンタイル、９０パーセンタイル、９５パーセンタイル、及び９９パーセンタイルの少なくとも１つを特定することと、
前記植物生産物の部分集合のうちの各植物生産物について、前記１つ又は複数の感染バイオマーカの少なくとも１つと前記特徴スケーリング発現レベルの前記１つ又は複数の感染バイオマーカの他の少なくとも１つの前記特徴スケーリング発現レベルとの比率及び前記１つ又は複数の感染バイオマーカの少なくとも１つの前記特徴スケーリング発現レベルと前記１つ又は複数の感染バイオマーカの他の少なくとも１つの前記特徴スケーリング発現レベルとの積を特定すること、
を含む、請求項４に記載の方法。

【請求項8】

ｎ個の同じソースの植物生産物の集合における感染尤度を予測する方法であって、ｎは１０よりも大きい整数であり、前記方法は、
前記植物生産物の集合からｍ個の植物生産物の部分集合を選択することであって、ｍは１よりも大きく且つｎ／２よりも小さい整数である、選択することと、
前記部分集合の前記ｍ個の植物生産物をｐ個のサブグループに分割することであって、ｐは１よりも大きく且つｍよりも小さい整数であり、前記ｐ個のサブグループの各々は、前記部分集合のうちの前記植物生産物の少なくとも１つを含む、分割することと、
ｐ個のサブグループの各々について、前記サブグループのうちの前記植物生産物の各々からの植物体を組み合わせて、プール植物体のグループを形成することであって、前記プール植物体のｐ個のグループは、プール植物体グループの集まりを形成する、植物体を組み合わせてグループを形成することと、
前記ｐ個のプール植物体グループの各々について、１つ又は複数の感染バイオマーカの発現レベルを特定することと、
前記植物体グループの集まりの各プール植物体グループについての前記１つ又は複数の感染バイオマーカの前記発現レベルに基づいて、前記グループ植物体グループの集まりについてのバイオマーカ発現統計の集合を特定することと、
少なくとも部分的に前記プール植物体グループの集まりについての前記バイオマーカ発現統計の集合に基づいて、前記植物生産物の集合における前記感染尤度を予測することと、
前記植物生産物の集合における前記予測感染尤度を返すこと、
を含む、方法。

【請求項9】

前記ｐ個のプール植物体グループの各々についての１つ又は複数のハウスキーピングバイオマーカの発現レベルを特定することを更に含み、前記ｐ個のプール植物体グループの各々についての前記バイオマーカ発現統計の集合は、少なくとも部分的に、前記プール植物体グループの各々についての前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて特定される、請求項８に記載の方法。

【請求項10】

前記部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて、前記プール植物体グループの集まりについての前記バイオマーカ発現統計の集合を特定することは、
前記プール植物体グループの各々について、
前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて、前記１つ又は複数の感染バイオマーカの正規化発現レベルを特定することと、
前記１つ又は複数の感染バイオマーカの前記正規化発現レベルに基づいて、前記１つ又は複数の感染バイオマーカの特徴スケーリング発現レベルを特定することと、
前記プール植物体グループの各々についての前記１つ又は複数の感染バイオマーカの前記特徴スケーリング発現レベルに基づいて、前記プール植物体グループの集まりについての前記バイオマーカ発現統計の集合を特定すること、
を含む、請求項９に記載の方法。

【請求項11】

前記植物生産物の集合における前記感染尤度を予測することは、
前記プール植物体グループの集まりについての前記バイオマーカ発現統計の集合を機械学習感染予測モデルに入力すること
を含み、前記機械学習感染予測モデルは、
少なくとも部分的に、複数のトレーニングサンプルを含むトレーニングデータセットに基づいて識別される複数のパラメータであって、各トレーニングサンプルは、同じソースの植物生産物の遡及集合と関連付けられ、
前記植物生産物の遡及集合からの植物生産物の部分集合から形成されるプール植物体グループの集まりについてのバイオマーカ発現統計の集合であって、前記バイオマーカ発現統計の集合は、前記プール植物体グループの集まりの各プール植物体グループについての前記１つ又は複数の感染バイオマーカの発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの発現レベルに基づく、前記プール植物体グループの集まりについてのバイオマーカ発現統計の集合及び
前記植物生産物の遡及集合における既知の感染率
を含む、複数のパラメータと、
前記プール植物体グループの集まりについての前記バイオマーカ発現統計の集合及び前記トレーニングデータセットに少なくとも部分的に基づいて識別される前記複数のパラメータに基づいて、前記機械学習感染予測モデルへの入力として受信される前記プール植物体グループの集まりについての前記バイオマーカ発現統計の集合と前記機械学習感染予測モデルの出力として生成される前記植物生産物の集合における前記予測感染尤度との間の関係を表す関数と、
を含む、請求項９に記載の方法。

【請求項12】

前記機械学習感染予測モデルは、バイナリロジスティック回帰モデル、ロジスティックモデルツリー、ランダムフォレスト分類器、Ｌ２正則化、部分最小二乗分類、ナイーブベイズ分類器、多変量スパイン、１つ又は複数のニューラルネットワーク、及びｋ最近傍分類からなる群から選択される、請求項３又は１１に記載の方法。

【請求項13】

前記機械学習感染予測モデルは、ｋ最近傍分類及びランダムフォレスト分類器の一方を含み、前記機械学習感染予測モデルは、少なくとも９０％の正解率、少なくとも８０％の再現率、及び少なくとも８０％の適合率の１つを有する少なくとも５％の閾値よりも大きいものとして、前記植物生産物の集合における前記感染尤度を予測する、請求項１２に記載の方法。

【請求項14】

前記１つ又は複数の感染バイオマーカは表１から選択される、請求項１～１３のいずれか１項に記載の方法。

【請求項15】

前記１つ又は複数のハウスキーピングバイオマーカは表２から選択される、請求項１～１４のいずれか１項に記載の方法。

【請求項16】

前記１つ若しくは複数の感染バイオマーカ又は前記１つ若しくは複数のハウスキーピングバイオマーカの絶対発現レベルは、真正濃度標準、内部標準、又は既知の濃度の準備標準曲線を使用して特定される、請求項１～１５のいずれか１項に記載の方法。

【請求項17】

前記植物生産物の集合における前記感染尤度を予測することは、６時間未満を要する、請求項１～１６のいずれか１項に記載の方法。

【請求項18】

前記感染は真菌感染を含む、請求項１～１７のいずれか１項に記載の方法。

【請求項19】

前記感染は、コレトトリカム属（Colletotrichum）（即ちＣ．グロエオスポリオイデス（C. gloeosporioides）、Ｃ．アキュテータム（C. acutatum））、ドチオレラ属（Dothiorella）（即ちＤ．イベリカ（D. iＣerica）、Ｄ．グレガリア（D. gregaria）、Ｄ．アロマティカ（D. aromatica））、ネオフシコッカム属（Neofusicoccum）（即ちＮ．ルテウム（N. luteum）、Ｎ．パルバム（N. parvum）、Ｎ．アウストラーレ（N. australe））、ジアポルテ属（Diaporthe）（即ちＤ．ネオテイコラ（D. neotheicola）、Ｄ．シナモミ（D. cinnamomi））、ラシオディプロディア属（Lasiodiplodia）（即ちＬ．プセウドテオブロマ（L. pseudotheoＣromae）、Ｌ．テオブロマ（L. theoＣromae)、ディプロディア属（Diplodia）（即ちD. mutila, D. pseuodoseriata、Ｄ．セリアタ（D. seriata））、及びボトリスファエリア科（Ｃotryosphaeria）（即ちＣ．ドシデア（Ｃ. dothidea））からなる群から選択される１つ又は複数の病原体に起因する、請求項１～１８のいずれか１項に記載の方法。

【請求項20】

前記感染は、軸腐病、かび病、又は導管／内部褐変症として現れる、請求項１～１９のいずれか１項に記載の方法。

【請求項21】

前記植物生産物は収穫されている、請求項１～２０のいずれか１項に記載の方法。

【請求項22】

前記植物生産物は未熟である、請求項１～２１のいずれか１項に記載の方法。

【請求項23】

前記植物生産物は前記感染の可視症状を呈さない、請求項１～２２のいずれか１項に記載の方法。

【請求項24】

前記植物生産物は、アボカド、ザクロ、カキ、リンゴ、ナシ、ブドウ、柑橘類、パパイヤ、サクランボ、メロン、グァバ、マンゴー、又は核果類を含む、請求項１～２３のいずれか１項に記載の方法。

【請求項25】

植物生産物についてのバイオマーカの発現レベルを特定することは、前記植物生産物の外果皮、中果皮、及び内果皮の１つ又は複数から材料を抽出し、前記抽出された材料に対してバイオマーカ解析を実行し、前記バイオマーカの前記発現レベルを特定することを含む、請求項１～２４のいずれか１項に記載の方法。

【請求項26】

各バイオマーカは小分子であり、各バイオマーカの前記発現レベルは、前記対応する小分子の定量化量を含む、請求項１～２５のいずれか１項に記載の方法。

【請求項27】

各バイオマーカは遺伝子であり、各バイオマーカの前記発現レベルは、前記遺伝子に関連付けられたＲＮＡ配列の発現レベルを含む、請求項１～２６のいずれか１項に記載の方法。

【請求項28】

前記遺伝子に関連付けられた前記ＲＮＡ配列の前記発現レベルは、前記遺伝子に関連付けられた前記ＲＮＡ配列のコピー数を含む、請求項２７に記載の方法。

【請求項29】

１つ又は複数のバイオマーカの前記発現レベルは、ｑＰＣＲ、ＰＣＲ、ＲＴ－ＰＣＲ、リボ核酸（ＲＮＡ）シーケンシング（ＲＮＡ－ｓｅｑ）、タグ－ｓｅｑ、シーケンシングを使用したトランスポゼースアクセス可能クロマチンアッセイ（ＡＴＡＣ－ｅｓｑ）、ＣｙＴＯＦ／ＳＣｏＰ、Ｅ－ＭＳ／ＡＣｓｅｑ、ｍｉＲＮＡ－ｓｅｑ、ＣＩＴＥ－ｓｅｑ、質量分析（ＭＳ）、ガスクロマトグラフィ質量分析（ＧＣ－ＭＳ）、包括的二次元ガスクロマトグラフィ（ＧＣｘＧＣ）、ＧＣｘＧＣと併せた固相マイクロ抽出（ＳＰＭＥ）（ＳＰＭＥ－ＧＣｘＧＣ）、マトリックス支援レーザ脱離／イオン化（ＭＡＬＤＩ）、及びＭＡＬＤＩ－ＴＯＦからなる群から選択される１つ又は複数の解析を実行することによって特定される、請求項１～２８のいずれか１項に記載の方法。

【請求項30】

前記感染の予測尤度を返すことは、前記感染の予測尤度を閲覧ユーザに自動的に提示することを含む、請求項１～２９のいずれか１項に記載の方法。

【請求項31】

前記感染の予測尤度に基づいて感染リスクがある前記同じソースの植物生産物の集合の１つ又は複数の植物生産物を識別することを更に含む請求項１～３０のいずれか１項に記載の方法。

【請求項32】

前記感染の予測尤度に基づいて、前記同じソースの植物生産物の集合に対して抗菌剤投与を提供又は抗菌剤投与処理を処方することを更に含む請求項１～３１のいずれか１項に記載の方法。

【請求項33】

前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合を選択的に収穫することを更に含む請求項１～３２のいずれか１項に記載の方法。

【請求項34】

前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合についての品質保証を特定することを更に含む請求項１～３３のいずれか１項に記載の方法。

【請求項35】

前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合についての消費者及び地理的行先の少なくとも一方を識別することを更に含む請求項１～３４のいずれか１項に記載の方法。

【請求項36】

前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合へのエチレン処理を保留又は処方することを更に含む請求項１～３５のいずれか１項に記載の方法。

【請求項37】

前記エチレン処理は、外因性エチレンの適用、エチレンブロッカーの適用、又はエチレン阻害剤の適用を含む、請求項３６に記載の方法。

【請求項38】

前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合についての１つ又は複数の貯蔵条件を識別することを更に含み、前記貯蔵条件は貯蔵温度及び貯蔵湿度の少なくとも一方を含む、請求項１～３７のいずれか１項に記載の方法。

【請求項39】

前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合に対して収穫後処理を提供することを更に含む請求項１～３８のいずれか１項に記載の方法。

【請求項40】

前記方法は、前記感染の予測尤度に基づいてユーザに指示を提供することを更に含み、前記指示は、前記ユーザに請求項３３～３９のいずれか１項に記載のステップの１つ又は複数を実行するように指示する、請求項３３～３９のいずれか１項に記載の方法。

【請求項41】

コンピュータプログラム命令を記憶した非一時的コンピュータ可読記憶媒体であって、前記命令は、コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、
ｎ個の同じソースの植物生産物の集合における感染尤度を予測すること
を行わせ、ｎは１０よりも大きい整数であり、前記予測することは、
前記植物生産物の集合からｍ個の植物生産物の部分集合を選択することであって、ｍは１よりも大きく且つｎ／２よりも小さい整数である、選択することと、
前記部分集合の各植物生産物について１つ又は複数の感染バイオマーカの発現レベルを特定することと、
少なくとも前記部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの前記発現レベルに基づいて、前記植物生産物の部分集合についてのバイオマーカ発現統計の集合を特定することと、
少なくとも部分的に前記植物生産物の部分集合の前記バイオマーカ発現統計の集合に基づいて、前記植物生産物の集合における前記感染尤度を予測することと、
前記植物生産物の集合における前記予測感染尤度を返すこと、
を行うことによって行われる、非一時的コンピュータ可読記憶媒体。

【請求項42】

前記感染尤度を予測することは、前記部分集合のうちの各植物生産物についての１つ又は複数のハウスキーピングバイオマーカの発現レベルを特定することを更に含み、前記植物生産物の部分集合の前記バイオマーカ発現統計の集合は、少なくとも部分的に、前記部分集合のうちの各々についての前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて特定される、請求項４１に記載の非一時的コンピュータ可読記憶媒体。

【請求項43】

前記植物生産物の集合における前記感染尤度を予測することは、
前記植物生産物の部分集合の前記バイオマーカ発現統計の集合を機械学習感染予測モデルに入力すること
を含み、前記機械学習感染予測モデルは、
少なくとも部分的に、複数のトレーニングサンプルを含むトレーニングデータセットに基づいて識別される複数のパラメータであって、各トレーニングサンプルは、同じソースの植物生産物の遡及集合と関連付けられ、
前記植物生産物の遡及集合からの植物生産物の部分集合のバイオマーカ発現統計の集合であって、前記バイオマーカ発現統計の集合は、前記植物生産物の部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの発現レベルに基づく、前記植物生産物の遡及集合からの植物生産物の部分集合のバイオマーカ発現統計の集合及び
前記植物生産物の遡及集合における既知の感染率
を含む、複数のパラメータと、
前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合及び前記トレーニングデータセットに少なくとも部分的に基づいて識別される前記複数のパラメータに基づいて、前記機械学習感染予測モデルへの入力として受信される前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合と前記機械学習感染予測モデルの出力として生成される前記植物生産物の集合における前記予測感染尤度との間の関係を表す関数と、
を含む、請求項４２に記載の非一時的コンピュータ可読記憶媒体。

【請求項44】

前記機械学習感染予測モデルは、バイナリロジスティック回帰モデル、ロジスティックモデルツリー、ランダムフォレスト分類器、Ｌ２正則化、部分最小二乗分類、ナイーブベイズ分類器、多変量スパイン、１つ又は複数のニューラルネットワーク、及びｋ最近傍分類からなる群から選択される、請求項４３に記載の非一時的コンピュータ可読記憶媒体。

【請求項45】

前記機械学習感染予測モデルは、ｋ最近傍分類及びランダムフォレスト分類器の一方を含み、前記機械学習感染予測モデルは、少なくとも９０％の正解率、少なくとも８０％の再現率、及び少なくとも８０％の適合率の１つを有する少なくとも５％の閾値よりも大きいものとして、前記植物生産物の集合における前記感染尤度を予測する、請求項４４に記載の非一時的コンピュータ可読記憶媒体。

【請求項46】

前記部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて、前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合を特定することは、
前記植物生産物の部分集合のうちの各植物生産物について、
前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて、前記１つ又は複数の感染バイオマーカの正規化発現レベルを特定することと、
前記１つ又は複数の感染バイオマーカの前記正規化発現レベルに基づいて、前記１つ又は複数の感染バイオマーカの特徴スケーリング発現レベルを特定することと、
前記部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの前記特徴スケーリング発現レベルに基づいて、前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合を特定すること、
を含む、請求項４２～４５のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項47】

前記１つ又は複数の感染バイオマーカの前記発現レベル及び前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルに基づいて、前記１つ又は複数の感染バイオマーカの正規化発現レベルを特定することは、前記１つ又は複数の感染バイオマーカの前記発現レベルと前記１つ又は複数のハウスキーピングバイオマーカの前記発現レベルとの比率を特定することを含む、請求項４６に記載の非一時的コンピュータ可読記憶媒体。

【請求項48】

前記１つ又は複数の感染バイオマーカの前記正規化発現レベルに基づいて、前記１つ又は複数の感染バイオマーカの特徴スケーリング発現レベルを特定することは、前記１つ又は複数の感染バイオマーカの前記正規化感染レベルの最小最大正規化及び対数変換のうちの少なくとも一方を実行することを含む、請求項４６に記載の非一時的コンピュータ可読記憶媒体。

【請求項49】

前記部分集合のうちの各植物生産物についての前記１つ又は複数の感染バイオマーカの前記特徴スケーリング発現レベルに基づいて、前記植物生産物の部分集合についての前記バイオマーカ発現統計の集合を特定することは、
前記１つ又は複数の感染バイオマーカの前記特徴スケーリング発現レベルの平均、メジアン、最小、最大、標準偏差、５パーセンタイル、１０パーセンタイル、１５パーセンタイル、２０パーセンタイル、２５パーセンタイル、５０パーセンタイル、７５パーセンタイル、８０パーセンタイル、９０パーセンタイル、９５パーセンタイル、及び９９パーセンタイルの少なくとも１つを特定することと、
前記植物生産物の部分集合のうちの各植物生産物について、前記１つ又は複数の感染バイオマーカの少なくとも１つと前記特徴スケーリング発現レベルの前記１つ又は複数の感染バイオマーカの他の少なくとも１つの前記特徴スケーリング発現レベルとの比率及び前記１つ又は複数の感染バイオマーカの少なくとも１つの前記特徴スケーリング発現レベルと前記１つ又は複数の感染バイオマーカの他の少なくとも１つの前記特徴スケーリング発現レベルとの積を特定すること、
を含む、請求項４６に記載の非一時的コンピュータ可読記憶媒体。

【請求項50】

前記植物生産物の集合における前記感染尤度を予測することは、６時間未満を要する、請求項４２～４９のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項51】

前記感染は真菌感染を含む、請求項４２～５０のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項52】

前記感染は、コレトトリカム属（Colletotrichum）（即ちＣ．グロエオスポリオイデス（C. gloeosporioides）、Ｃ．アキュテータム（C. acutatum））、ドチオレラ属（Dothiorella）（即ちＤ．イベリカ（D. iＣerica）、Ｄ．グレガリア（D. gregaria）、Ｄ．アロマティカ（D. aromatica））、ネオフシコッカム属（Neofusicoccum）（即ちＮ．ルテウム（N. luteum）、Ｎ．パルバム（N. parvum）、Ｎ．アウストラーレ（N. australe））、ジアポルテ属（Diaporthe）（即ちＤ．ネオテイコラ（D. neotheicola）、Ｄ．シナモミ（D. cinnamomi））、ラシオディプロディア属（Lasiodiplodia）（即ちＬ．プセウドテオブロマ（L. pseudotheoＣromae）、Ｌ．テオブロマ（L. theoＣromae)、ディプロディア属（Diplodia）（即ちD. mutila, D. pseuodoseriata、Ｄ．セリアタ（D. seriata））、及びボトリスファエリア科（Ｃotryosphaeria）（即ちＣ．ドシデア（Ｃ. dothidea））からなる群から選択される１つ又は複数の病原体に起因する、請求項４２～５１のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項53】

前記感染は、軸腐病、かび病、又は導管／内部褐変症として現れる、請求項４２～５２のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項54】

前記植物生産物は収穫されている、請求項４２～５３のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項55】

前記植物生産物は未熟である、請求項４２～５４のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項56】

前記植物生産物は前記感染の可視症状を呈さない、請求項４２～５５のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項57】

前記１つ又は複数の感染バイオマーカは表１から選択される、請求項４２～５６のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項58】

前記１つ又は複数のハウスキーピングバイオマーカは表２から選択される、請求項４２～５７のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項59】

前記植物生産物は、アボカド、ザクロ、カキ、リンゴ、ナシ、ブドウ、柑橘類、パパイヤ、サクランボ、メロン、グァバ、マンゴー、又は核果類を含む、請求項４２～５８のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項60】

植物生産物についてのバイオマーカの発現レベルを特定することは、前記植物生産物の外果皮、中果皮、及び内果皮の１つ又は複数から材料を抽出し、前記抽出された材料に対してバイオマーカ解析を実行し、前記バイオマーカの前記発現レベルを特定することを含む、請求項４２～５９のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項61】

各バイオマーカは小分子であり、各バイオマーカの前記発現レベルは、前記対応する小分子の定量化量を含む、請求項４２～６０のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項62】

各バイオマーカは遺伝子であり、各バイオマーカの前記発現レベルは、前記遺伝子に関連付けられたＲＮＡ配列の発現レベルを含む、請求項４２～６１のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項63】

前記遺伝子に関連付けられた前記ＲＮＡ配列の前記発現レベルは、前記遺伝子に関連付けられた前記ＲＮＡ配列のコピー数を含む、請求項６２に記載の非一時的コンピュータ可読記憶媒体。

【請求項64】

１つ又は複数のバイオマーカの前記発現レベルは、ｑＰＣＲ、ＰＣＲ、ＲＴ－ＰＣＲ、リボ核酸（ＲＮＡ）シーケンシング（ＲＮＡ－ｓｅｑ）、タグ－ｓｅｑ、シーケンシングを使用したトランスポゼースアクセス可能クロマチンアッセイ（ＡＴＡＣ－ｅｓｑ）、ＣｙＴＯＦ／ＳＣｏＰ、Ｅ－ＭＳ／ＡＣｓｅｑ、ｍｉＲＮＡ－ｓｅｑ、ＣＩＴＥ－ｓｅｑ、質量分析（ＭＳ）、ガスクロマトグラフィ質量分析（ＧＣ－ＭＳ）、包括的二次元ガスクロマトグラフィ（ＧＣｘＧＣ）、ＧＣｘＧＣと併せた固相マイクロ抽出（ＳＰＭＥ）（ＳＰＭＥ－ＧＣｘＧＣ）、マトリックス支援レーザ脱離／イオン化（ＭＡＬＤＩ）、及びＭＡＬＤＩ－ＴＯＦからなる群から選択される１つ又は複数の解析を実行することによって特定される、請求項４２～６３のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項65】

前記感染の予測尤度を返すことは、前記感染の予測尤度を閲覧ユーザに自動的に提示することを含む、請求項４２～６４のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項66】

前記記憶されたコンピュータプログラム命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、前記感染の予測尤度に基づいて感染リスクがある前記同じソースの植物生産物の集合の１つ又は複数の植物生産物を識別する命令を返すことを更に行わせる、請求項４２～６５のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項67】

前記記憶されたコンピュータプログラム命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、前記感染の予測尤度に基づいて、前記同じソースの植物生産物の集合に対して抗菌剤投与を提供又は抗菌剤投与処理を処方する命令を返すことを更に行わせる、請求項４２～６６のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項68】

前記記憶されたコンピュータプログラム命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合を選択的に収穫する命令を返すことを更に行わせる、請求項４２～６７のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項69】

前記記憶されたコンピュータプログラム命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合についての品質保証を特定することを更に行わせる、請求項４２～６８のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項70】

前記記憶されたコンピュータプログラム命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合についての消費者及び地理的行先の少なくとも一方を識別することを更に行わせる、請求項４２～６９のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項71】

前記記憶されたコンピュータプログラム命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合へのエチレン処理を保留又は処方する命令を返すことを更に行わせる、請求項４２～７０のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項72】

前記エチレン処理は、エチレンブロッカー又は阻害剤の適用を含む、請求項７１に記載の非一時的コンピュータ可読記憶媒体。

【請求項73】

前記記憶されたコンピュータプログラム命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合についての１つ又は複数の貯蔵条件を識別することを更に行わせ、前記貯蔵条件は貯蔵温度及び貯蔵湿度の少なくとも一方を含む、請求項４２～７２のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項74】

前記記憶されたコンピュータプログラム命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、前記感染の予測尤度に基づいて前記同じソースの植物生産物の集合に対して収穫後処理を提供する命令を返すことを更に行わせる、請求項４２～７３のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項75】

前記記憶されたコンピュータプログラム命令は、前記コンピュータプロセッサによって実行されると、前記コンピュータプロセッサに、前記感染の予測尤度に基づいてユーザに指示を提供することを更に行わせ、前記指示は、前記ユーザに請求項６８～７４のいずれか１項に記載のステップの１つ又は複数を実行するように指示する、請求項４２～７４のいずれか１項に記載の非一時的コンピュータ可読記憶媒体。

【請求項76】

植物生産物の潜伏感染を識別する方法であって、
１つ又は複数のコンピュータにより、植物生産物における１つ又は複数の感染バイオマーカの発現レベルを記述するデータを取得することと、
前記１つ又は複数のコンピュータにより、機械学習モデルに入力するために前記取得されたデータをデータ構造に符号化することと、
前記１つ又は複数のコンピュータにより、前記符号化データ構造の処理に基づいて前記植物生産物が潜伏感染を有する尤度を示す出力データを生成するようにトレーニングされた前記機械学習モデルへの入力として、符号化データ構造を提供することと、
前記１つ又は複数のコンピュータにより、前記植物生産物が潜伏感染を有する尤度を示す前記生成された出力データを取得することと、
前記１つ又は複数のコンピュータにより、前記生成された出力データに基づいて前記植物生産物が潜伏感染を有すると判断することと、
前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行すること、
を含む方法。

【請求項77】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、１つ又は複数の他の同じソースの植物生産物に対して抗菌処理を処方すべきであると判断することを含む、請求項７６に記載の方法。

【請求項78】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、１つ又は複数の同じソースの植物生産物に抗菌処理を投与することを含む、請求項７６に記載の方法。

【請求項79】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、１つ又は複数の他の同じソースの植物生産物を輸送している車両を異なる行先にルート変更すべきであると判断することを含む、請求項７６に記載の方法。

【請求項80】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、ユーザデバイスによって処理されたとき、前記ユーザデバイスに、前記車両を異なる行先にルート変更すべきであることを前記ユーザデバイスのユーザに通知するアラートを出力させるアラートメッセージを生成することと、
前記１つ又は複数のコンピュータにより、前記生成されたアラートを前記ユーザデバイスに送信すること、
を含む、請求項７６に記載の方法。

【請求項81】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記出力データに基づいて、前記出力データに基づいて、ユーザデバイスにより処理されたとき、前記ユーザデバイスのユーザに、１つ又は複数の他の同じソースの植物生産物通知するアラートを出力させるアラートメッセージを生成することと、
前記１つ又は複数のコンピュータにより、前記アラートメッセージを前記ユーザデバイスに送信すること、
を含む、請求項７６に記載の方法。

【請求項82】

前記植物生産物における１つ又は複数の感染バイオマーカの発現レベルを記述するデータは、１つ又は複数のバリアントのリストを含み、前記１つ又は複数のバリアントは、前記植物生産物のリード配列と健康な植物生産物の基準ゲノムとの間の差を記述する、請求項７６に記載の方法。

【請求項83】

前記機械学習モデルは、バイナリロジスティック回帰モデル、ロジスティックモデルツリー、ランダムフォレスト分類器、Ｌ２正則化、部分最小二乗の１つ又は複数を含む、請求項７６に記載の方法。

【請求項84】

前記植物生産物は、感染のいかなる可視兆候も含まない、請求項７６に記載の方法。

【請求項85】

前記方法は、
前記１つ又は複数のコンピュータにより、前記植物生産物の集合からｍ個の植物生産物の部分集合を選択することであって、ｍは１よりも大きく且つｎ／２よりも小さい整数である、選択することと、
前記部分集合の各植物生産物について、前記１つ又は複数のコンピュータにより、１つ又は複数の感染バイオマーカの発現レベルを特定することと、
を更に含み、
前記１つ又は複数のコンピュータにより、植物生産物における１つ又は複数のバイオマーカの発現レベルを記述するデータを取得することは、
前記１つ又は複数のコンピュータにより、前記部分集合の各植物生産物について、前記１つ又は複数の感染バイオマーカの前記特定された発現レベルを記述するデータを取得することを含み、
前記１つ又は複数のコンピュータにより、機械学習モデルに入力するために前記取得されたデータをデータ構造に符号化することは、
前記機械学習モデルに入力するために、前記１つ又は複数のコンピュータにより、前記１つ又は複数の感染バイオマーカの前記特定された発現レベルを記述する、前記取得されたデータを１つ又は複数のデータ構造に符号化することを含む、請求項７６に記載の方法。

【請求項86】

植物生産物の潜伏感染を識別するシステムであって、
１つ又は複数のコンピュータと、命令を記憶した１つ又は複数の記憶装置とを備え、前記命令は、前記１つ又は複数のコンピュータによって実行されると、前記１つ又は複数のコンピュータに、
前記１つ又は複数のコンピュータにより、植物生産物における１つ又は複数の感染バイオマーカの発現レベルを記述するデータを取得することと、
前記１つ又は複数のコンピュータにより、機械学習モデルに入力するために前記取得されたデータをデータ構造に符号化することと、
前記１つ又は複数のコンピュータにより、前記符号化データ構造の処理に基づいて前記植物生産物が潜伏感染を有する尤度を示す出力データを生成するようにトレーニングされた前記機械学習モデルへの入力として、符号化データ構造を提供することと、
前記１つ又は複数のコンピュータにより、前記植物生産物が潜伏感染を有する尤度を示す前記生成された出力データを取得することと、
前記１つ又は複数のコンピュータにより、前記生成された出力データに基づいて前記植物生産物が潜伏感染を有すると判断することと、
前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行すること、
を含む動作を実行させる、システム。

【請求項87】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、１つ又は複数の他の同じソースの植物生産物に対して抗菌処理を処方すべきであると判断することを含む、請求項８６に記載のシステム。

【請求項88】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、１つ又は複数の同じソースの植物生産物に抗菌処理を投与することを含む、請求項８６に記載のシステム。

【請求項89】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、１つ又は複数の他の同じソースの植物生産物を輸送している車両を異なる行先にルート変更すべきであると判断することを含む、請求項８６に記載のシステム。

【請求項90】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、ユーザデバイスによって処理されたとき、前記ユーザデバイスに、前記車両を異なる行先にルート変更すべきであることを前記ユーザデバイスのユーザに通知するアラートを出力させるアラートメッセージを生成することと、
前記１つ又は複数のコンピュータにより、前記生成されたアラートを前記ユーザデバイスに送信すること、
を含む、請求項８６に記載のシステム。

【請求項91】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記出力データに基づいて、前記出力データに基づいて、ユーザデバイスにより処理されたとき、前記ユーザデバイスのユーザに、１つ又は複数の他の同じソースの植物生産物通知するアラートを出力させるアラートメッセージを生成することと、
前記１つ又は複数のコンピュータにより、前記アラートメッセージを前記ユーザデバイスに送信すること、
を含む、請求項８６に記載のシステム。

【請求項92】

前記植物生産物における１つ又は複数の感染バイオマーカの発現レベルを記述するデータは、１つ又は複数のバリアントのリストを含み、前記１つ又は複数のバリアントは、前記植物生産物のリード配列と健康な植物生産物の基準ゲノムとの間の差を記述する、請求項８６に記載のシステム。

【請求項93】

前記機械学習モデルは、バイナリロジスティック回帰モデル、ロジスティックモデルツリー、ランダムフォレスト分類器、Ｌ２正則化、部分最小二乗の１つ又は複数を含む、請求項８６に記載のシステム。

【請求項94】

前記植物生産物は、感染のいかなる可視兆候も含まない、請求項８６に記載のシステム。

【請求項95】

前記動作は
前記１つ又は複数のコンピュータにより、前記植物生産物の集合からｍ個の植物生産物の部分集合を選択することであって、ｍは１よりも大きく且つｎ／２よりも小さい整数である、選択することと、
前記部分集合の各植物生産物について、前記１つ又は複数のコンピュータにより、１つ又は複数の感染バイオマーカの発現レベルを特定することと、
を更に含み、
前記１つ又は複数のコンピュータにより、植物生産物における１つ又は複数のバイオマーカの発現レベルを記述するデータを取得することは、
前記１つ又は複数のコンピュータにより、前記部分集合の各植物生産物について、前記１つ又は複数の感染バイオマーカの前記特定された発現レベルを記述するデータを取得することを含み、
前記１つ又は複数のコンピュータにより、機械学習モデルに入力するために前記取得されたデータをデータ構造に符号化することは、
前記機械学習モデルに入力するために、前記１つ又は複数のコンピュータにより、前記１つ又は複数の感染バイオマーカの前記特定された発現レベルを記述する、前記取得されたデータを１つ又は複数のデータ構造に符号化することを含む、請求項８６に記載のシステム。

【請求項96】

１つ又は複数のコンピュータによって実行可能な命令を含むソフトウェアを記憶した非一時的コンピュータ可読媒体であって、そのような実行は、前記１つ又は複数のコンピュータに、
前記１つ又は複数のコンピュータにより、植物生産物における１つ又は複数の感染バイオマーカの発現レベルを記述するデータを取得することと、
前記１つ又は複数のコンピュータにより、機械学習モデルに入力するために前記取得されたデータをデータ構造に符号化することと、
前記１つ又は複数のコンピュータにより、前記符号化データ構造の処理に基づいて前記植物生産物が潜伏感染を有する尤度を示す出力データを生成するようにトレーニングされた前記機械学習モデルへの入力として、符号化データ構造を提供することと、
前記１つ又は複数のコンピュータにより、前記植物生産物が潜伏感染を有する尤度を示す前記生成された出力データを取得することと、
前記１つ又は複数のコンピュータにより、前記生成された出力データに基づいて前記植物生産物が潜伏感染を有すると判断することと、
前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することと、
を含む動作を実行させる、コンピュータ可読媒体。

【請求項97】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、１つ又は複数の他の同じソースの植物生産物に対して抗菌処理を処方すべきであると判断することを含む、請求項９６に記載のコンピュータ可読媒体。

【請求項98】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、１つ又は複数の同じソースの植物生産物に抗菌処理を投与することを含む、請求項９６に記載のコンピュータ可読媒体。

【請求項99】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、１つ又は複数の他の同じソースの植物生産物を輸送している車両を異なる行先にルート変更すべきであると判断することを含む、請求項９６に記載のコンピュータ可読媒体。

【請求項100】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記１つ又は複数のコンピュータにより、前記出力データに基づいて、ユーザデバイスによって処理されたとき、前記ユーザデバイスに、前記車両を異なる行先にルート変更すべきであることを前記ユーザデバイスのユーザに通知するアラートを出力させるアラートメッセージを生成することと、
前記１つ又は複数のコンピュータにより、前記生成されたアラートを前記ユーザデバイスに送信すること、
を含む、請求項９６に記載のコンピュータ可読媒体。

【請求項101】

前記１つ又は複数のコンピュータにより、前記植物生産物における前記潜伏感染を軽減するための１つ又は複数の動作を実行することは、
前記出力データに基づいて、前記出力データに基づいて、ユーザデバイスにより処理されたとき、前記ユーザデバイスのユーザに、１つ又は複数の他の同じソースの植物生産物通知するアラートを出力させるアラートメッセージを生成することと、
前記１つ又は複数のコンピュータにより、前記アラートメッセージを前記ユーザデバイスに送信すること、
を含む、請求項９６に記載のコンピュータ可読媒体。

【請求項102】

前記植物生産物における１つ又は複数の感染バイオマーカの発現レベルを記述するデータは、１つ又は複数のバリアントのリストを含み、前記１つ又は複数のバリアントは、前記植物生産物のリード配列と健康な植物生産物の基準ゲノムとの間の差を記述する、請求項９６に記載のコンピュータ可読媒体。

【請求項103】

前記機械学習モデルは、バイナリロジスティック回帰モデル、ロジスティックモデルツリー、ランダムフォレスト分類器、Ｌ２正則化、部分最小二乗の１つ又は複数を含む、請求項９６に記載のコンピュータ可読媒体。

【請求項104】

前記植物生産物は、感染のいかなる可視兆候も含まない、請求項９６に記載のコンピュータ可読媒体。

【請求項105】

前記動作は
前記１つ又は複数のコンピュータにより、前記植物生産物の集合からｍ個の植物生産物の部分集合を選択することであって、ｍは１よりも大きく且つｎ／２よりも小さい整数である、選択することと、
前記部分集合の各植物生産物について、前記１つ又は複数のコンピュータにより、１つ又は複数の感染バイオマーカの発現レベルを特定すること、
を更に含み、
前記１つ又は複数のコンピュータにより、植物生産物における１つ又は複数のバイオマーカの発現レベルを記述するデータを取得することは、
前記１つ又は複数のコンピュータにより、前記部分集合の各植物生産物について、前記１つ又は複数の感染バイオマーカの前記特定された発現レベルを記述するデータを取得することを含み、
前記１つ又は複数のコンピュータにより、機械学習モデルに入力するために前記取得されたデータをデータ構造に符号化することは、
前記機械学習モデルに入力するために、前記１つ又は複数のコンピュータにより、前記１つ又は複数の感染バイオマーカの前記特定された発現レベルを記述する、前記取得されたデータを１つ又は複数のデータ構造に符号化することを含む、請求項９６に記載のコンピュータ可読媒体。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
[0001] 本願は、全体的に参照により本明細書に援用される２０１９年１１月５日付けで出願された米国仮特許出願第６２／９３０，９９９号の利益を主張するものである。

【背景技術】

【0002】

背景
[0002] 多くの植物生産物、例えば果物は、高い感染率を有する。植物生産物の収穫前感染は、植物生産物が生長中に病原体に感染した場合、生じる。例えば、アボカド果樹園のアボカドの木ひいてはアボカドの木が生産するアボカドの概ね２０～４０％が炭疽病に感染していると推定されてきた。未熟の収穫前植物生産物は、そのような感染の無症状期であることが多い。しかしながら、植物生産物が収穫され、老化を経た後、植物生産物に症状が現れる。感染の症状は、軸腐病、かび病、導管／内部褐変症、及び植物生産物の品質の有害低下を生じさせる他の特徴を含むことができる。

【0003】

[0003] 植物生産物感染は、感染症状を示している植物生産物によって高度伝染性である。さらに、収穫後処理では、異なる取り扱い方法及び貯蔵条件により、植物生産物は植物生産物表面への攻撃に弱い。感染及びそれに関連する症状は、消費者に提供される植物生産物の品質に大きく影響する。その結果、感染した植物生産物は廃棄されることが多く、植物生産物の生物的攻撃は収穫後植物生産物の高廃棄率の大きな原因となっている。洗浄及び殺虫剤を含む多くの様々な技術が、感染からの植物生産物ロスを軽減するために開発されてきたが、供給者が植物生産物の収穫前感染に起因するロスを阻止ことは難しいままである。

【0004】

[0004] 植物生産物感染によって生じるこれらの問題の結果として、感染植物生産物が症状を現し、感染を他の植物生産物に伝染させる前に、感染植物生産物を識別する必要がある。感染植物生産物の早期検出は、感染植物生産物を処理し、非感染植物生産物から分離できるようにし、それにより、感染の拡大を低減し、植物生産物の廃棄を低減し、顧客による受納を改善する。植物生産物の廃棄を低減し、顧客による信頼を改善することにより、供給者はより高品質の植物生産物を保証することができ、それにより供給者は、市場における他の供給者との差別化を図ることが可能となる。

【発明の概要】

【発明が解決しようとする課題】

【0005】

[0005] 未熟で無症状の植物生産物の感染を識別する現在の方法は、感染を生じさせる病原体のバイオマーカ（例えばＤＮＡ、ＲＮＡ等）を定量化することによって感染を直接検出することを含む^１－４。しかしながら、感染を生じさせた病原体は一般に植物生産物内に微量で存在するため、病原体バイオマーカの定量化を介した植物生産物の感染の直接検出は難しく、信頼性が低いことがある。

【課題を解決するための手段】

【0006】

概要
[0006] 一態様では、本開示は、ｎ個の同じソースの植物生産物の集合における感染尤度を予測する方法を提供し、ｎは１０よりも大きい整数である。本方法は、植物生産物の集合からｍ個の植物生産物の部分集合を選択することを含み、ｍは１よりも大きく及びｎ／２よりも小さい整数である。次いで、選択された植物生産物の部分集合の各植物生産物について１つ又は複数の感染バイオマーカの発現レベルが特定される。選択された植物生産物の部分集合について、バイオマーカ発現統計の集合が、部分集合のうちの各植物生産物についての１つ又は複数の感染バイオマーカの特定された発現レベルに基づいて特定される。少なくとも部分的に植物生産物の部分集合に特定されたバイオマーカ発現統計の集合に基づいて、植物生産物の集合における感染尤度が予測される。最後に、植物生産物の集合における予測感染尤度が返される。

【0007】

[0007] 別の態様では、本開示は、ｎ個の同じソースの植物生産物（ｓｉｍｉｌａｒｌｙ ｓｏｕｒｃｅｄ ｐｌａｎｔ ｐｒｏｄｕｃｔ）の集合における感染尤度を予測する別の方法を提供し、ｎは１０よりも大きい整数である。本方法は、植物生産物の集合からｍ個の植物生産物の部分集合を選択することを含み、ｍは１よりも大きく及びｎ／２よりも小さい整数である。次いで部分集合のｍ個の植物生産物は、ｐ個のサブグループに分割され、ｐは１よりも大きく及びｍよりも小さい整数であり、ｐ個のサブグループの各々は、部分集合のうちの植物生産物の少なくとも１つを含む。次に、ｐ個のサブグループの各々について、サブグループのうちの植物生産物の各々からの植物体が組み合わせられて、プール植物体のグループが形成され、プール植物体のｐ個のグループは、プール植物体グループの集まりを形成する。次に、グループ植物体グループの集まりについて、植物体グループの集まりの各プール植物体グループについての１つ又は複数の感染バイオマーカの発現レベルに基づいて、バイオマーカ発現統計の集合が特定される。少なくとも部分的にプール植物体グループの集まりについてのバイオマーカ発現統計の集合に基づいて、植物生産物の集合における感染尤度が予測される。最後に、植物生産物の集合における予測感染尤度が返される。

【0008】

[0008] 本明細書に記載の任意の方法は、以下のステップ又は特徴の１つ又は複数を単独で又は互いと組み合わせて含むことができる。本方法は、部分集合の各植物生産物について又はプール植物体グループの各々についての１つ又は複数のハウスキーピングバイオマーカの発現レベルを特定することを更に含むことができ、植物生産物の部分集合又はプール植物体グループの集まりについてのバイオマーカ発現統計の集合は、少なくとも、部分集合のうちの各植物生産物についての１つ又は複数の感染バイオマーカの発現レベル及び１つ又は複数のハウスキーピングバイオマーカの発現レベルに基づいて特定される。１つ又は複数の感染バイオマーカは表１から選択することができる。１つ又は複数のハウスキーピングバイオマーカは表２から選択することができる。各バイオマーカは小分子であることができ、各バイオマーカの発現レベルは、対応する小分子の定量化量を含むことができ、又は定量化量である。

【0009】

[0009] 植物生産物の集合における感染尤度は、機械学習感染予測モデルによって予測することができる。機械学習感染予測モデルは、複数のパラメータ及び関数を含む。部分的に機械学習感染予測モデルを構成する関数は、機械学習感染予測モデルへの入力として受信される植物生産物の部分集合について又はプール植物生産物グループの集まりについてのバイオマーカ発現統計の集合と、機械学習感染予測モデルの出力として生成される１組の植物生産物における予測感染尤度との間の関係を表す。

【0010】

[0010] 機械学習感染予測モデルを使用して、植物生産物の集合における感染尤度を予測する前、機械学習感染予測モデルのパラメータは、１つ又は複数のトレーニングフェーズ中、学習される。具体的には、トレーニング中、感染予測モデルのパラメータは、少なくとも部分的に、複数のトレーニングサンプルを含むトレーニングデータセットに基づいて識別される。トレーニングデータセット内の各トレーニングサンプルは、同じソースの植物生産物の遡及集合と関連付けられ、同じソースの植物生産物の遡及集合からの植物生産物の部分集合について又はプール植物体グループの集まりについてのバイオマーカ発現統計の集合を含む。上述したように、バイオマーカ発現統計の集合は、植物生産物の遡及集合からの植物生産物の部分集合について又はプール植物体グループの集まりの各プール植物体グループについての１つ又は複数の感染バイオマーカの発現レベル及び任意選択的に１つ又は複数のハウスキーピングバイオマーカの発現レベルに基づく。さらに、トレーニングデータセット内の各トレーニングサンプルは、植物生産物の各集合における実際の既知の感染率を更に含む。トレーニングデータセットを使用した感染予測モデルのトレーニングについて更に詳細に以下考察する。

【0011】

[0011] 機械学習感染予測モデルのトレーニング、そして幾つかの実施態様では検証に続き、感染予測モデルを先に述べたように使用して、植物生産物の集合における感染尤度を予測することができる。植物生産物の集合における感染尤度を予測するために、植物生産物の部分集合について又はプール植物体グループの集まりについてのバイオマーカ発現統計の集合は、機械学習感染予測モデルに入力される。次いで植物生産物の集合における予測感染尤度が、少なくとも部分的に、植物生産物の部分集合又はプール植物体グループの集まりについてのバイオマーカ発現統計の集合と、少なくともトレーニングデータセットに基づくトレーニング中に識別された複数のパラメータとに基づいて、機械学習感染予測モデルによって出力される。

【0012】

[0012] 同じソースの植物生産物の集合における感染尤度が機械学習感染予測システムによって予測される実施態様では、機械学習感染予測システムの関数は、バイナリロジスティック回帰モデル、ロジスティックモデルツリー、ロジスティックモデルリグレッサ、ランダムフォレスト分類器、ロジスティックモデルリグレッサ、Ｌ２正則化、部分最小二乗分類、ナイーブベイズ分類器、多変量スパイン、１つ又は複数のニューラルネットワーク、及びｋ最近傍分類の１つ又は複数を含むことができる。機械学習感染予測モデルの関数がｋ最近傍分類及びランダムフォレスト分類器の一方を含む実施態様では、機械学習感染予測モデルは、少なくとも９０％の正解率、少なくとも８０％の再現率、及び少なくとも８０％の適合率の１つと共に少なくとも５％（例えば少なくとも１０％、１５％、２０％、２５％、３０％、３５％、４０％、４５％、５０％、５５％、６０％、６５％、７０％、７５％、８０％、８５％、９０％、又は９５％）の閾値よりも大きい植物生産物の集合における感染尤度を予測することが可能である。

【0013】

[0013] 植物生産物の部分集合についてのバイオマーカ発現統計の集合を特定することは、植物生産物の部分集合の各植物生産物について又はプール植物体グループの集まりの各プール植物体グループについて、１つ又は複数の感染バイオマーカの正規化発現レベルを特定し、１つ又は複数の感染バイオマーカの特徴スケーリング発現レベルを特定することを含むことができる。植物生産物について又はプール植物体グループについての１つ又は複数の感染バイオマーカの正規化発現レベルは、１つ又は複数の感染バイオマーカの発現レベル及び任意選択的に１つ又は複数のハウスキーピングバイオマーカの発現レベルに基づくことができる。例えば、幾つかの実施態様では、植物生産物について又はプール植物体グループについての１つ又は複数の感染バイオマーカの正規化発現レベルを特定することは、１つ又は複数の感染バイオマーカの発現レベルと１つ又は複数のハウスキーピングバイオマーカの発現レベルとの比率を特定することを含むことができる。そして植物生産物について又はプール植物体グループについての１つ又は複数の感染バイオマーカの特徴スケーリング発現レベルは、植物生産物について又はプール植物体グループについての１つ又は複数の感染バイオマーカの正規化発現レベルに基づく。幾つかの実施態様では、植物生産物について又はプール植物体グループについての１つ又は複数の感染バイオマーカの特徴スケーリング発現レベルを特定することは、植物生産物について又はプール植物体グループについての１つ又は複数の感染バイオマーカの正規化発現レベルの最小最大正規化^６及び対数変換の少なくとも一方を実行することを含むことができる。

【0014】

[0014] 植物生産物について又はプール植物体グループについてのバイオマーカ発現統計の集合は、部分集合における各植物生産物について又はプール植物体グループの集まりにおける各プール植物体グループについての１つ又は複数の感染バイオマーカの特徴スケーリング発現レベルに基づくことができる。例えば、幾つかの実施態様では、植物生産物の部分集合について又はプール植物体グループの集まりについてのバイオマーカ発現統計の集合は、植物生産物の部分集合のうちの植物生産物について又はプール植物体グループの集まりのうちのプール植物体グループについての１つ又は複数の感染バイオマーカの特徴スケーリング発現レベルの平均、メジアン、最小、最大、標準偏差、５パーセンタイル、１０パーセンタイル、１５パーセンタイル、２０パーセンタイル、２５パーセンタイル、５０パーセンタイル、７５パーセンタイル、８０パーセンタイル、９０パーセンタイル、９５パーセンタイル、及び９９パーセンタイルの少なくとも１つ及び植物生産物の部分集合における各植物生産物について又は各プール植物体グループについての１つ又は複数の感染バイオマーカのうちの少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルと１つ又は複数の感染バイオマーカのうちの少なくとも１つの他の感染バイオマーカの特徴スケーリング発現レベルとの比率及び／又は植物生産物の部分集合における各植物生産物について又は又はプール植物体グループの集まりにおける各プール植物体グループについての１つ又は複数の感染バイオマーカのうちの少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルと１つ又は複数の感染バイオマーカのうちの少なくとも１つの他の感染バイオマーカの特徴スケーリング発現レベルとの積を特定することによって特定される。

【0015】

[0015] 特定の実施態様では、感染は真菌感染を含む。そのような実施態様では、感染は、コレトトリカム属（Colletotrichum）（即ちＣ．グロエオスポリオイデス（C.gloeosporioides）、Ｃ．アキュテータム（C.acutatum））、ドチオレラ属（Dothiorella）（即ちＤ．イベリカ（D.iＣerica）、Ｄ．グレガリア（D.gregaria）、Ｄ．アロマティカ（D.aromatica））、ネオフシコッカム属（Neofusicoccum）（即ちＮ．ルテウム（N.luteum）、Ｎ．パルバム（N. parvum）、Ｎ．アウストラーレ（N.australe））、ジアポルテ属（Diaporthe）（即ちＤ．ネオテイコラ（D.neotheicola）、Ｄ．シナモミ（D.cinnamomi））、ラシオディプロディア属（Lasiodiplodia）（即ちＬ．プセウドテオブロマ（L.pseudotheoＣromae）、Ｌ．テオブロマ（L.theoＣromae)、ディプロディア属（Diplodia）（即ちD.mutila,D.pseuodoseriata、Ｄ．セリアタ（D.seriata））、及びボトリスファエリア科（Ｃotryosphaeria）（即ちＣ．ドシデア（Ｃ.dothidea））からなる群から選択される１つ又は複数の病原体に起因する。感染はとりわけ、例えば軸腐病、かび病、及び／又は導管／内部褐変症として現れることができる。

【0016】

[0016] 感染尤度が予測される同じソースの植物生産物の集合は、収穫された又は未収穫の植物生産物である。さらに、感染尤度が予測される同じソースの植物生産物の集合は、熟した又は未熟の植物生産物であることができる。幾つかの場合、植物生産物は感染の可視症状を呈さない。植物生産物はとりわけ、例えばアボカド、ザクロ、カキ、リンゴ、ナシ、ブドウ、柑橘類、パパイヤ、サクランボ、メロン、グァバ、マンゴー、又は核果類を含むことができる。

【0017】

[0017] 植物生産物におけるバイオマーカの発現レベルを特定するために、植物生産物の外果皮、中果皮、及び内果皮の１つ又は複数から材料を抽出することができ、抽出された材料に対してバイオマーカ解析を実行して、バイオマーカの発現レベルを特定することができる。さらに、バイオマーカの発現レベルの特定は例えば、ｑＰＣＲ、ＰＣＲ、ＲＴ－ＰＣＲ、リボ核酸（ＲＮＡ）シーケンシング（ＲＮＡ－ｓｅｑ）、タグ－ｓｅｑ、シーケンシングを使用したトランスポゼースアクセス可能クロマチンアッセイ（ＡＴＡＣ－ｅｓｑ）、ＣｙＴＯＦ／ＳＣｏＰ、Ｅ－ＭＳ／Ａｂｓｅｑ、ｍｉＲＮＡ－ｓｅｑ、ＣＩＴＥ－ｓｅｑ、質量分析（ＭＳ）、ガスクロマトグラフィ質量分析（ＧＣ－ＭＳ）、包括的二次元ガスクロマトグラフィ（ＧＣｘＧＣ）、ＧＣｘＧＣと併せた固相マイクロ抽出（ＳＰＭＥ）（ＳＰＭＥ－ＧＣｘＧＣ）、マトリックス支援レーザ脱離／イオン化（ＭＡＬＤＩ）、及びＭＡＬＤＩ－ＴＯＦからなる群から選択される１つ又は複数の解析を実行することによって特定することができる。

【0018】

[0018] バイオマーカは、例えば遺伝子であることができる。バイオマーカが遺伝子である実施態様では、バイオマーカの発現レベルは、上記遺伝子に関連付けられたＲＮＡ配列の発現レベルに対応することができる。そのような実施態様では、上記遺伝子に関連付けられたＲＮＡ配列の発現レベルは、上記遺伝子に関連付けられたＲＮＡ配列のコピー数を更に含むことができる。

【0019】

[0019] 本明細書に開示される任意の方法において、植物生産物の集合における感染尤度を予測することは、６時間未満（例えば５時間未満、４時間未満、３時間未満、２時間未満、又は１時間未満）を要し得る。植物生産物の集合における感染尤度の予測に続き、予測感染尤度は、予測感染尤度を閲覧ユーザに自動的に提示することによって返すことができる。さらに、同じソースの植物生産物の集合は、同じソースの植物生産物の集合について予測された感染尤度に基づいて処理を受けることができる。具体的には、感染の予測尤度に基づいて、感染リスクがある同じソースの植物生産物の集合の１つ又は複数の植物生産物を識別することができる。

【0020】

[0020] 本明細書に開示される任意の方法において、感染の予測尤度に基づいて、同じソースの植物生産物の集合に対して抗菌剤投与を提供又は抗菌剤投与処理を処方することができる。感染の予測尤度に基づいて同じソースの植物生産物の集合を選択的に収穫することができる。本明細書に開示される任意の方法において、感染の予測尤度に基づいて同じソースの植物生産物の集合についての品質保証を特定することができる。さらに、感染の予測尤度に基づいて同じソースの植物生産物の集合についての消費者及び地理的行先の少なくとも一方を識別することができる。さらに、感染の予測尤度に基づいて同じソースの植物生産物の集合へのエチレン処理を保留又は処方することができる。エチレン処理は例えば、外因性エチレンの適用、エチレンブロッカーの適用、又は化学的エチレン阻害剤（即ち１－ＭＣＰ）の適用を含むことができる。幾つかの場合、感染の予測尤度に基づいて同じソースの植物生産物の集合についての１つ又は複数の貯蔵条件を識別することができる。貯蔵条件は例えば、貯蔵温度及び貯蔵湿度の少なくとも一方を含むことができる。さらに、感染の予測尤度に基づいて同じソースの植物生産物の集合に対して収穫後処理を提供することができる。さらに、感染の予測尤度に基づいて、予測感染尤度に基づく上記植物処理方法のいずれか１つを実行するようにユーザに指示する指示を提供することができる。

【0021】

[0021] 別の態様では、本開示は、コンピュータプログラム命令を記憶した非一時的コンピュータ可読記憶媒体を提供し、命令は、コンピュータプロセッサによって実行されると、コンピュータプロセッサに、上記方法ステップの任意の組合せを実行することによって同じソースの植物生産物の集合における感染尤度を予測させる。

【0022】

[0022] 別の態様では、本開示は、植物生産物の潜伏感染を識別する方法を含むことができる。幾つかの実施態様では、本方法は、１つ又は複数のコンピュータにより、植物生産物における１つ又は複数の感染バイオマーカの発現レベルを記述するデータを取得する動作と、１つ又は複数のコンピュータにより、機械学習モデルに入力するために取得されたデータをデータ構造に符号化する動作と、１つ又は複数のコンピュータにより、符号化データ構造の処理に基づいて植物生産物が潜伏感染を有する尤度を示す出力データを生成するようにトレーニングされた機械学習モデルへの入力として、符号化データ構造を提供する動作と、１つ又は複数のコンピュータにより、植物生産物が潜伏感染を有する尤度を示す生成された出力データを取得する動作と、１つ又は複数のコンピュータにより、生成された出力データに基づいて植物生産物が潜伏感染を有すると判断する動作と、１つ又は複数のコンピュータにより、植物生産物における潜伏感染を軽減するための１つ又は複数の動作を実行する動作とを含むことができる。

【0023】

[0023] 他の態様は、コンピュータ可読記憶装置に符号化された命令によって定義される、本明細書に開示される方法の行為を実行するためのシステム、装置、及びコンピュータプログラムを含む。

【0024】

[0024] これら及び他の態様は任意選択的に、以下の特徴の１つ又は複数を含み得る。幾つかの実施態様では、１つ又は複数のコンピュータにより、植物生産物における潜伏感染を軽減するための１つ又は複数の動作を実行することは、１つ又は複数のコンピュータにより、出力データに基づいて、１つ又は複数の他の同じソースの植物生産物に対して抗菌処理を処方すべきであると判断することを含むことができる。

【0025】

[0025] 幾つかの実施態様では、１つ又は複数のコンピュータにより、植物生産物における潜伏感染を軽減するための１つ又は複数の動作を実行することは、１つ又は複数のコンピュータにより、出力データに基づいて、１つ又は複数の同じソースの植物生産物に抗菌処理を投与することを含むことができる。

【0026】

[0026] 幾つかの実施態様では、１つ又は複数のコンピュータにより、植物生産物における潜伏感染を軽減するための１つ又は複数の動作を実行することは、１つ又は複数のコンピュータにより、出力データに基づいて、１つ又は複数の他の同じソースの植物生産物を輸送している車両（vehicle）を異なる行先にルート変更すべきであると判断することを含むことができる。

【0027】

[0027] 幾つかの実施態様では、１つ又は複数のコンピュータにより、植物生産物における潜伏感染を軽減するための１つ又は複数の動作を実行することは、１つ又は複数のコンピュータにより、出力データに基づいて、ユーザデバイスによって処理されたとき、ユーザデバイスに、車両を異なる行先にルート変更すべきであることをユーザデバイスのユーザに通知するアラートを出力させるアラートメッセージを生成することと、１つ又は複数のコンピュータにより、生成されたアラートをユーザデバイスに送信することとを含むことができる。

【0028】

[0028] 幾つかの実施態様では、１つ又は複数のコンピュータにより、植物生産物における潜伏感染を軽減するための１つ又は複数の動作を実行することは、出力データに基づいて、出力データに基づいて、ユーザデバイスにより処理されたとき、ユーザデバイスのユーザに、１つ又は複数の他の同じソースの植物生産物通知するアラートを出力させるアラートメッセージを生成することと、１つ又は複数のコンピュータにより、アラートメッセージをユーザデバイスに送信することとを含むことができる。

【0029】

[0029] 幾つかの実施態様では、植物生産物における１つ又は複数の感染バイオマーカの発現レベルを記述するデータは、１つ又は複数のバリアントのリストを含むことができ、１つ又は複数のバリアントは、植物生産物のリード配列と健常な植物生産物の基準ゲノムとの間の差を記述する。

【0030】

[0030] 幾つかの実施態様では、機械学習モデルは、バイナリロジスティック回帰モデル、ロジスティックモデルツリー、ランダムフォレスト分類器、Ｌ２正則化、部分最小二乗の１つ又は複数を含むことができる。

【0031】

[0031] 幾つかの実施態様では、植物生産物は、感染のいかなる可視兆候も含まない。

【0032】

[0032] 幾つかの実施態様では、本方法は、１つ又は複数のコンピュータにより、植物生産物の集合からｍ個の植物生産物の部分集合を選択することであって、ｍは１よりも大きく及びｎ／２よりも小さい整数である、選択することと、部分集合の各植物生産物について、１つ又は複数のコンピュータにより、１つ又は複数の感染バイオマーカの発現レベルを特定することとを含むことができる。そのような実施態様では、１つ又は複数のコンピュータにより、植物生産物における１つ又は複数のバイオマーカの発現レベルを記述するデータを取得することは、１つ又は複数のコンピュータにより、部分集合の各植物生産物について、１つ又は複数の感染バイオマーカの特定された発現レベルを記述するデータを取得することを含むことができいる。同様に、そのような実施態様では、１つ又は複数のコンピュータにより、機械学習モデルに入力するために取得されたデータをデータ構造に符号化することは、機械学習モデルに入力するために、１つ又は複数のコンピュータにより、１つ又は複数の感染バイオマーカの特定された発現レベルを記述する、取得されたデータを１つ又は複数のデータ構造に符号化することを含むことができる。

【0033】

図面の簡単な説明
[0033] 本発明のこれら及び他の特徴、態様、及び利点は、以下の説明及び添付図面に関連してよりよく理解されるようになる。

【図面の簡単な説明】

【0034】

【図1】同じソースの植物生産物の集合における感染尤度を予測する方法のフローチャートである。

【図2A】植物生産物の集合における感染尤度の予測に使用する植物生産物の部分集合が、植物生産物の集合から選択されるシステム環境のブロック図である。

【図2B】同じソースの植物生産物の感染尤度が予測されるシステム環境のブロック図である。

【図2C】[0037]植物生産物の部分集合についてのバイオマーカ発現統計の集合が特定されるシステム環境のブロック図である。

【図2D】[0038]植物生産物の部分集合についてのバイオマーカ発現統計の集合が特定されるシステム環境のブロック図である。

【図3】[0039]同じソースの植物生産物の集合における感染尤度を予測するように構成された感染予測システムのシステム環境のブロック図である。

【図4】[0040]同じソースの植物生産物の集合における感染尤度を予測するように構成された感染予測システムのアーキテクチャのブロック図である。

【図5A】[0041]感染予測システムがトレーニング、検証、使用されるシステム環境のブロック図である。

【図5B】[0042]感染予測システムがトレーニングされるシステム環境のブロック図である。

【図5C】[0043]感染予測システムが検証されるシステム環境のブロック図である。

【図5D】[0044]感染予測システムが使用されるシステム環境のブロック図である。

【図6】[0045]感染した複数のアボカド及び複数のコントロールアボカドについての各感染バイオマーカ候補の平均正規化された発現レベルを示すグラフである。

【図7A】[0046]アボカドの各ロットＡ～Ｋ中の軸腐病の発生率を示すグラフである。

【図7B】[0047]アボカドの各ロットからテストされた６個のアボカドのうちの各アボカドでのＰＡＬ遺伝子の正規化発現レベルを、そのアボカドのロット内の軸枯病発生率と比較したグラフである。

【図8】[0048]アボカドのＭＸ２８ロット及びＭＸ２９ロットの両方での梱包後７日～１２日の各日でテストされた６個のアボカドの各々のＰＡＬ遺伝子の正規化発現レベルを示すグラフである。

【図9】[0049]感染予測システムの予測性能を示すグラフである。

【図10A】[0050]感染予測システムをトレーニング、検証、テストする例示的なデータパイプラインの全体図のブロック図である。

【図10B】[0051]同じソースの植物生産物の集合が５％を超える感染尤度を有するか、それとも５％未満の感染尤度を有するかを予測するように構成された感染予測システムをトレーニング、検証、テストする例示的なデータパイプラインのブロック図である。

【図10C】[0052]感染予測システムの性能をテストし査定する例示的な方式のブロック図である。

【図11】[0053]図１に示す方法を実施するコンピュータ例を示す。

【図12】[0054]同じソースの植物生産物の集合における感染尤度を予測する方法のフローチャートである。

【図13】[0055]同じソースの植物生産物の集合の感染尤度が予測されるシステム環境のブロック図である。

【発明を実施するための形態】

【0035】

詳細な説明
[0056] 本開示は、植物の潜伏感染を検出するシステム、方法、及びコンピュータプログラムに関する。一態様では、本開示は、植物生産物の特徴を表す入力データの機械学習モデル処理に基づいて、植物生産物が潜伏感染を有する尤度を示す出力データを生成することができるトレーニング済み機械学習モデルに関する。幾つかの実施態様では、植物生産物の特徴は、植物生産物サンプル内で検出される１つ又は複数のバイオマーカの発現レベルを表すデータを含むことができる。本開示は、生成された出力データに基づいて、植物生産物が潜伏感染を有すると判断する場合、検出された潜伏感染を軽減するように設計された１つ又は複数の動作を実行させることができる。

【0036】

[0057] 本開示は多くの技術的利点を提供する。例えば、幾つかの実施態様では、本開示は、同じソースの植物生産物の集合の部分集合のみをサンプリングすることにより、同じソースの植物生産物の集合における潜伏感染を検出するために破壊する必要がある植物生産物量を低減することができる。これら又は他の実施態様では、本開示は、潜伏感染を検出し、１つ又は複数の治療対策を開始して、感染が現れる前に潜伏感染を軽減、さらにはなくし、それにより、植物生産物を販売できるようにすることで、植物生産物を節減する利点も提供する。

【0037】

Ｉ．定義
[0058] 一般に、特許請求の範囲及び本明細書で使用される用語は、当業者によって理解される明白な意味を有するものとして解釈されることが意図される。特定の用語を以下に定義して、更なる明確性を提供する。明白な意味と提供される定義とが競合する場合、提供される定義が使用されるべきである。

【0038】

[0059] 本明細書で直接定義されない任意の用語は、本開示の技術分野内で理解されるように、一般にそれらの用語に関連付けられる意味を有すると理解されるものとする。特定の用語は本明細書において、本開示の態様の構成要素、デバイス、方法等及びそれらの使用方法を説明するに当たり実施者に追加の指針を提供するために考察される。同じことを２つ以上の方法で言うことができることが理解されよう。したがって、本明細書で考察される用語の任意の１つ又は複数に代替の用語及び同義語が使用され得る。用語が本明細書で述べられる又は考察されるか否かは重要ではない。幾つかの同義又は置換可能な方法、材料等が提供される。１つ又は少数の同義語又は均等物の記載は、明確に述べられる場合を除き、他の同義語又は均等物の使用を除外しない。用語例を含む例の使用は、例示のみを目的とし、本明細書における本開示の態様の範囲及び意味を限定しない。

【0039】

[0060] 本明細書で参照されるように、「植物生産物」という用語は、植物によって生産される任意の産物を指す。植物生産物は、例えば、果物、野菜、種子、花、塊茎、球根、及び植物の任意の他の産物を含む。例えば、幾つかの実施態様では、植物生産物は、アボカド、ザクロ、カキ、リンゴ、ナシ、ブドウ、柑橘類、パパイヤ、サクランボ、メロン、グァバ、マンゴー、又は核果類を含み得る。

【0040】

[0061] 先に触れたように、本開示は、同じソースの植物生産物の集合における感染予測を考察する。同じソースの植物生産物の集合は、複数（即ち２つ以上）の植物生産物を含む。先に手短に触れたように、植物生産物に関する「同じソース」という用語は、同じ地理的エリアにある複数の植物生産物を指す。地理的エリアの境界は様々であり得る。例えば先に考察したように、同じソースの植物生産物の集合は、同じ果樹園で育った植物生産物を含み得る。別の例では、同じソースの植物生産物の集合は、同じトラックで輸送された植物生産物の集合を含むことができる。更に別の例では、同じソースの植物生産物の集合は、同じ食料品店で販売された植物生産物を含み得る。別の例では、同じソースの植物生産物の集合は、同じ商業ロットに属する植物生産物の集合を含むことができる。同じソースの植物生産物のこの地理的定義のベースは、植物生産物の収穫前又は収穫後のいずれかで同じ感染にかかる可能性がある植物生産物を一緒にまとめることである。

【0041】

[0062] 本明細書で参照するように、同じソースのｎ個の植物生産物の集合からの植物生産物のサンプリングに関する「部分集合」という用語は、ｍ個の植物生産物の代表的なサンプルを指し、ｎは１０よりも大きい整数であり、ｍは１よりも大きく及びｎ／２よりも小さい整数である。この部分集合は、部分集合の測定されるバイオマーカ統計が集合に一般化可能であるように、植物生産物の集合からランダムに選択される。

【0042】

[0063] 本明細書で使用される場合、「植物体」という用語は、例えば果物（植物学的意味では果皮及び果肉を含む）、野菜、葉、茎、樹皮、種子、花、皮、ナッツ、核、葉肉、又は根を含め、植物の任意の部分を指す。植物体は、例えば収穫された果物及び野菜、収穫された根及び液果類、及び摘まれた花を含め、収穫前の植物又はその部分並びに収穫後の植物又はその部分を含む。

【0043】

[0064] 本明細書で参照される場合、植物生産物に関する「感染」という用語は、植物生産物に存在する任意の病原性感染を指す。幾つかの実施態様では、植物生産物感染は、感染植物生産物が感染の可視症状を呈さないような潜伏感染であることができる。代替の実施態様では、植物生産物感染は、後述するものを含め、可視症状を示すことができる。

【0044】

[0065] 植物生産物感染は、任意の病原体によって生じ得、例えば、細菌感染、ウイルス感染、真菌感染、及び卵菌感染、又はそれらの任意の組合わせを含むことができる。植物生産物感染が真菌感染を含む実施態様では、真菌感染は例えば、コレトトリカム属（Colletotrichum）（即ちＣ．グロエオスポリオイデス（C.gloeosporioides）、Ｃ．アキュテータム（C.acutatum））、ドチオレラ属（Dothiorella）（即ちＤ．イベリカ（D.iberica）、Ｄ．グレガリア（D. gregaria）、Ｄ．アロマティカ（D.aromatica））、ネオフシコッカム属（Neofusicoccum）（即ちＮ．ルテウム（N.luteum）、Ｎ．パルバム（N.parvum）、Ｎ．アウストラーレ（N.australe））、ジアポルテ属（Diaporthe）（即ちＤ．ネオテイコラ（D.neotheicola）、Ｄ．シナモミ（D.cinnamomi））、ラシオディプロディア属（Lasiodiplodia）（即ちＬ．プセウドテオブロマ（L. pseudotheobromae）、Ｌ．テオブロマ（L.theobromae)、ディプロディア属（Diplodia）（即ちD.mutila,D.pseuodoseriata、Ｄ．セリアタ（D.seriata））、及びボトリスファエリア科（Botryosphaeria）（即ちＢ．ドシデア（B.dothidea））、及び任意の他の真菌病原体からなる群から選択される病原に起因し得る。

【0045】

[0066] 植物生産物感染は、いかなる形でも現れ得る。例えば、幾つかの実施態様では、植物生産物感染は、軸腐病、かび病、及び／又は導管／内部褐変症として現れ得る。具体例として、幾つかの実施態様では、感染はアボカド、リンゴ、ナシ、及び／又は核果類において導管／内部褐変症として現れ得る。別の例として、幾つかの実施態様では、感染はアボカド及び／又はマンゴーにおいて軸腐病として現れ得る。

【0046】

[0067] 先に考察したように、植物生産物感染は、感染植物生産物が長期間にわたり感染の可視症状を呈さないような潜伏感染であり得る。この潜伏期間が終わると、植物生産物感染は、軸腐病、かび病、及び／又は導管／内部褐変症の１つとして現れ得る。具体例として、幾つかの実施態様では、コレトトリカム属（Colletotrichum）からの真菌の潜伏感染はアボカド及び／又はマンゴーにおいて軸腐病として現れ得る。

【0047】

[0068] 本明細書で参照される場合、１つ又は複数の植物生産物に関する「感染尤度」という用語は、１つ又は複数の植物生産物における感染尤度の予測を指す。逆に、本明細書で参照される場合、１つ又は複数の植物生産物に関する「感染率」という用語は、１つ又は複数の植物生産物における感染の実際の既知の発生率を指す。更に詳細に以下考察するように、植物生産物における感染率は部分的に、他の植物生産物における感染尤度を予測するように感染予測モデルをトレーニングするのに使用することができる。

【0048】

[0069] 本明細書に記載の任意の実施態様では、植物生産物の感染尤度は、植物生産物のライフサイクルの任意の段階での同じソースの植物生産物の集合について予測することができる。例えば、感染尤度は、収穫された又はまだ収穫されていない植物生産物の集合について予測することができる。別の例として、感染尤度は、熟した又は未熟の植物生産物の集合について予測することができる。未熟の植物生産物についての感染予測は、感染は多くの場合、未熟の植物生産物では潜伏であり、植物生産物が熟すまで視覚的に検出することができないため、特に有用であることができる。したがって、未熟の植物生産物における感染予測は、感染が視覚的に検出可能になる前に感染を暴露することができる。

【0049】

[0070] 本明細書で参照される場合、植物生産物に関する用語「バイオマーカ」は、植物生産物に存在する任意の分子を指す。例えば、バイオマーカは、ＤＮＡ、修飾（例えばメチル化）ＤＮＡ、ｃＤＮＡ、及びコーディング（例えばｍＲＮＡ、ｔＲＮＡ）ＲＮＡ及びノンコーディングＲＮＡ（例えばｓｎｃＲＮＡ、ｍｉＲＮＡ、ｐｉＲＮＡ、ＩｎｃＲＮＡ）を含むＲＮＡを含む核酸、転写後修飾タンパク質（例えばリン酸化、グリコシル化、ミリストイル化等のタンパク質）を含むタンパク質、環状アデノシン一リン酸（ｃＡＭＰ）及び環状グアノシン一リン酸（ｃＧＭＰ）等の環状ヌクレオチドを含むヌクレオチド（例えばアデノシン三リン酸（ＡＴＰ）、アデノシン二リン酸（ＡＤＰ）、及びアデノシン一リン酸（ＡＭＰ））、生物学的ＡＤＣ、酸化型及び還元型のニコチンアミドアデニンジヌクレオチド（ＮＡＤＰ／ＮＡＤＰＨ）等の小分子、揮発性化合物、並びにそれらの任意の組合せを含み得る。

【0050】

[0071] 本明細書で参照されるように、バイオマーカに関する「発現レベル」という用語は、バイオマーカの発現の代理として機能する任意の物質の尺度を指す。尺度は定量的、定性的、絶対、及び／又は相対であることができる。例えば、バイオマーカが遺伝子を含む実施態様では、バイオマーカの発現レベルは、遺伝子に関連付けられたＲＮＡ転写物の定量化を含むことができる。バイオマーカ発現レベルの特定について更に詳細に後述する。

【0051】

[0072] 本明細書で使用される場合、「感染バイオマーカ」という用語は、非感染植物生産物と比較して感染植物生産物において差次的に発現することが特定されているバイオマーカを含め、植物生産物における感染尤度を予測するのに適した任意のバイオマーカを指す。換言すれば、植物生産物における感染尤度の予測に適した感染バイオマーカは、植物生産物の感染と相関することが特定されているバイオマーカを含む。感染バイオマーカは例えば、非感染植物生産物と比較して感染植物生産物で閾値割合によって差次的に発現するバイオマーカを含むことができる。例えば、感染バイオマーカは、少なくとも０．１倍率変化（例えば少なくとも０．２、０．３、０．４、０．５、０．６、０．７、０．８、０．９、１、２、３、４、５、１０、又は２０倍率変化）分、非感染植物生産物と比較して感染植物生産物で差次的に発現することが特定されているバイオマーカを含むことができる。表１は、例示的な感染バイオマーカの例のリストを含む。

【0052】

[0073] 本明細書で使用される場合、「ハウスキーピングバイオマーカ」は、植物生産物の感染と相関しないことが特定されている、植物生産物に適したバイオマーカを指す。換言すれば、ハウスキーピングバイオマーカ発現は、感染植物生産物及び非感染植物生産物の両方にわたって均一である（例えば、０．５、０．４、０．３、０．２、又は０．１未満の倍率変化を示す）。

【0053】

[0074] 本明細書で使用される場合、植物生産物に関する「エチレン処理」という用語は、収穫後植物生産物におけるエチレンの組成、消費、又は検出を変更するか、又は変更を目的とする任意の産物の適用又は使用を指す。幾つかの実施態様では、エチレン処理は、外因性ガスエチレンを収穫後植物生産物に適用して、成熟速度をコントロールすることを含む。他の実施態様では、エチレン処理は、エチレン阻害剤、エチレンブロッカー、又はエチレン吸収剤（例えば１－メチルシクロプペン、本明細書では「１－ＭＣＰ」）を収穫後植物生産物に適用して、植物生産物の成熟率をコントロールし、又は日持ちをよくすることを含む。

【0054】

ＩＩ．方法概説
[0075] 図１は、同じソースの植物生産物の集合における感染尤度を予測する例示的な方法１００のフローチャートである。幾つかの実施形態では、植物生産物の閾値数よりも多い同じソースの植物生産物の彼集合。例えば、幾つかの実施態様では、植物生産物の閾値数は１０よりも多い数であり得る。しかしながら、本開示はそのような閾値数に限定されず、同じソースの植物生産物の集合は１０未満の植物生産物を含んでもよい。特定のステップは特定の順序で行われるように示されているが、方法のステップは幾つかの場合、図１と併せて説明されるものとは異なる順序で実行されてもよい。さらに、幾つかの場合、特定のステップは省略してもよく及び／又は他のステップで置換されてもよく、及び／又は追加のステップを追加してもよい。

【0055】

[0076] 図１に示すように、同じソースの植物生産物の集合における感染尤度を予測するために、植物生産物の部分集合が、同じソースの植物生産物の集合から選択される（１０１）。部分集合は典型的には、少なくとも２つ及び同じソースの植物生産物の集合における産物の総数の１／２未満の植物生産物を含む。同じソースの植物生産物の集合からの植物生産物の部分集合の選択１０１について図２Ａに関して以下に更に詳細に考察する。

【0056】

[0077] 少なくとも１つの感染バイオマーカ及び任意選択的に少なくとも１つのハウスキーピングバイオマーカの発現レベルが、植物生産物の選択された部分集合の各植物生産物について特定される（１０２）。植物生産物における感染尤度の予測に適した感染バイオマーカ及びハウスキーピングバイオマーカの識別について以下更に詳細に考察する。しかしながら、手短に、植物生産物における感染尤度の予測に適した感染バイオマーカは、非感染植物生産物と比較して感染植物生産物において差次的に発現することが特定されているバイオマーカを含む。換言すれば、植物生産物における感染尤度の予測に適した感染バイオマーカは、植物生産物の感染と相関することが特定されているバイオマーカを含む。好ましい実施態様では、感染バイオマーカは例えば、非感染植物生産物と比較して感染植物生産物で閾値割合によって差次的に発現するバイオマーカを含む。例えば、感染バイオマーカは、少なくとも０．１倍率変化（例えば少なくとも０．２、０．３、０．４、０．５、０．６、０．７、０．８、０．９、１、２、３、４、５、１０、又は２０倍率変化）分、非感染植物生産物と比較して感染植物生産物で差次的に発現することが特定されているバイオマーカを含むことができる。

【0057】

[0078] 植物生産物における感染尤度の予測に適したハウスキーピングバイオマーカは、植物生産物の感染と相関しないことが特定されているバイオマーカを含む。換言すれば、ハウスキーピングバイオマーカ発現は、感染植物生産物及び非感染植物生産物の両方にわたって均一である（例えば、０．５、０．４、０．３、０．２、又は０．１未満の倍率変化を示す）。詳細に以下考察するように、ハウスキーピングバイオマーカ発現は、感染植物生産物と非感染植物生産物との間で感染バイオマーカ発現を正規化するのに使用することができる。

【0058】

[0079] 幾つかの実施態様では、植物生産物でのバイオマーカ発現レベルは、植物生産物におけるバイオマーカ発現レベルを検出するように構成されたアレイ及び／又はキットを使用して植物生産物をテストすることによって特定することができる。幾つかの更なる実施態様では、植物生産物におけるバイオマーカ発現レベルを特定することは、バイオマーカ解析に向けて植物生産物を準備することを含むこともできる。例えば、植物生産物におけるバイオマーカ発現レベルを特定することは、バイオマーカ解析に向けて植物生産物から材料を抽出することを含むことができる。バイオマーカ解析に向けた植物生産物の準備について詳細に以下考察する。

【0059】

[0080] 次に、植物生産物の部分集合についてのバイオマーカ発現統計の集合が、部分集合中の各植物生産物についての少なくとも１つの感染バイオマーカの特定された発現レベル及び任意選択的に少なくとも１つのハウスキーピングバイオマーカの特定された発現レベルに基づいて特定される（１０３）。図２Ｃに関して詳細に以下考察するように、幾つかの実施態様では、植物生産物の部分集合についての２組のバイオマーカ発現統計は、植物生産物の部分集合中の各植物生産物についての少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルに基づいて特定され、そして特徴スケーリング発現レベルは、植物生産物の部分集合中の各植物生産物についての少なくとも１つの感染バイオマーカの正規化発現レベルに基づいて特定される。さらに、図２Ｄに関して詳細に以下考察するように、植物生産物の部分集合についてのバイオマーカ発現統計の集合は、少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルの平均、メジアン、最小、最大、標準偏差、５パーセンタイル、１０パーセンタイル、１５パーセンタイル、２０パーセンタイル、２５パーセンタイル、５０パーセンタイル、７５パーセンタイル、８０パーセンタイル、９０パーセンタイル、９５パーセンタイル、及び９９パーセンタイル、植物生産物の部分集合の各植物生産物についての少なくとも１つの感染バイオマーカのうちの少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルと少なくとも１つの感染バイオマーカのうちの少なくとも１つの他の感染バイオマーカの特徴スケーリング発現レベルとの比率、並びに植物生産物の部分集合の各植物生産物についての少なくとも１つの感染バイオマーカのうちの少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルと少なくとも１つの感染バイオマーカのうちの少なくとも１つの他の感染バイオマーカの特徴スケーリング発現レベルとの積の少なくとも１つを含むことができる。

【0060】

[0081] 最後に、同じソースの植物生産物の集合における感染尤度が、少なくとも部分的に植物生産物の部分集合について特定されたバイオマーカ発現統計の集合に基づいて予測される（１０４）。幾つかの実施態様では、図３～図５Ｄに関して詳細に以下考察するように、同じソースの植物生産物の集合における感染尤度は、機械学習感染予測システムを使用して、少なくとも部分的に植物生産物の部分集合について特定されたバイオマーカ発現統計の集合に基づいて予測することができる。特定の実施態様では、同じソースの植物生産物の集合における感染尤度の予測は、６時間未満で完了することができる。

【0061】

[0082] 同じソースの植物生産物の集合における予測された感染尤度が次いで返され、幾つかの実施態様では、同じソースの植物生産物の集合の意図的な処理に利用される。例えば、同じソースの植物生産物の集合における、予測された潜伏感染尤度を使用して、植物生産物の集合をいつどこで販売するかを決定することができる。感染予測に基づく植物生産物処理の更なる実施態様について詳細に以下考察する。

【0062】

ＩＩＩ．バイオマーカ解析する植物生産物の選択
[0083] 図２Ａを参照すると、図２Ａは、植物生産物の集合２０１から、植物生産物の集合２０１における感染尤度の予測に使用する植物生産物の部分集合２０２が選択される例示的なシステム環境２００Ａのブロック図である。

【0063】

[0084] 幾つかの実施態様では、同じソースの植物生産物の集合は合計でｎ個の植物生産物を含み、ｎは１０よりも大きい整数である。例えば、図２Ａに示すように、感染尤度が予測される植物生産物の集合２０１は、１６の個々の植物生産物を含み、個々の各植物生産物は正方形で表されている。しかしながら、代替の実施態様では、同じソースの植物生産物の集合は任意の数量の個々の植物生産物を含むことができる。

【0064】

[0085] 更なる実施態様では、同じソースの植物生産物の集合から選択された植物生産物の部分集合は、ｍ個の植物生産物を含むことができ、ｍは１よりも大きく及びｎ／２よりも小さい整数である。幾つかの実施態様では、同じソースの植物生産物の集合から選択された植物生産物の部分集合は、ランダムに選択することができる。例えば、図２Ａに示すように、植物生産物の部分集合２０２は、同じソースの植物生産物の集合２０１からランダムに選択され、４つの個々の植物生産物を含む。しかしながら、代替の実施態様では、同じソースの植物生産物の集合から選択される植物生産物の部分集合は、任意の数量の個々の植物生産物を含むことができる。

【0065】

[0086] 同じソースの植物生産物の集合２０１からのｍ個の植物生産物の代表的な部分集合２０２を解析して（ｍは１よりも大きく及びｎ／２よりも小さい整数である）、ｎ個の植物生産物の集合全体における感染尤度を予測することにより、ｎ個の植物生産物の集合における感染を予測するのにかかる時間及びリソースが少なくなる。例えば、ｍ個の植物生産物の部分集合を解析することにより、この予測を行うために犠牲になる植物生産物の数が少なくなり、それによりより高い生産物の品質で、なおかつ高い生産物の収率を実現することが可能となる。

【0066】

ＩＶ．バイオマーカ解析に向けた植物生産物の準備
[0087] 先に示唆したように、同じソースの植物生産物の集合から植物生産物の部分集合が選択された後、植物生産物の集合における感染尤度を予測するために、植物生産物の部分集合のうちの個々の各植物生産物における感染バイオマーカ及び任意選択的にハウスキーピングバイオマーカの発現が特定される。しかしながら、これもまた先に示唆したように、幾つかの場合、部分集合中の各植物生産物でのバイオマーカ発現レベルを特定する前に、部分集合の各植物生産物はバイオマーカ解析に向けて準備される。

【0067】

[0088] バイオマーカ解析に向けた植物生産物の準備は、測定される特定のバイオマーカに依存することができる。測定される特定のバイオマーカに応じて、植物生産物におけるバイオマーカ発現を多くの様々な方法に従って特定することができる。例えば、バイオマーカ発現は、ポリメラーゼ連鎖反応（ＰＣＲ）、定量的ポリメラーゼ連鎖反応（ｑＰＣＲ）、逆転写ポリメラーゼ連鎖反応（ＲＴ－ＰＣＲ）、逆転写定量的ポリメラーゼ連鎖反応（ＲＴ－ｑＰＣＲ）、リボ核酸（ＲＮＡ）シーケンシング（ＲＮＡ－ｓｅｑ）、Ｔａｇ－ｓｅｑ、シーケンシングを使用したトランスポゼースアクセス可能クロマチンアッセイ（ＡＴＡＣ－ｓｅｑ）、ＣｙＴＯＦ／ＳＣｏＰ、Ｅ－ＭＳ／Ａｂｓｅｑ、ｍｉＲＮＡ－ｓｅｑ、ＣＩＴＥ－ｓｅｑ、質量分析（ＭＳ）、ガスクロマトグラフィ質量分析（ＧＣ－ＭＳ）、包括的二次元ガスクロマトグラフィ（ＧＣｘＧＣ）、ＧＣｘＧＣと併せた固相マイクロ抽出（ＳＰＭＥ）（ＳＰＭＥ－ＧＣｘＧＣ）、マトリックス支援レーザ脱離／イオン化（ＭＡＬＤＩ）、ＭＡＬＤＩ－ＴＯＦ、及びそれらの任意の組合せによって測定することができる。測定方法は、測定されるバイオマーカに基づいて選択することができる。例えば、ＰＣＲ及びｑＰＣＲはＤＮＡ発現を測定する。ＲＴ－ＰＣＲ、ＲＴ－ｑＰＣＲ、ＲＮＡ－ｓｅｑ、タグ－ｓｅｑ、及びｍｉＲＮＡ－ｓｅｑはＲＮＡ発現を測定する。具体的には、ＲＴ－ＰＣＲ、ＲＴ－ｑＰＣＲ、及びＲＮＡ－ｓｅｑはＲＮＡ転写物の発現を測定し、タグ－ｓｅｑは希少ｍＲＮＡ種の検出を可能にし、ｍｉＲＮＡ－ｓｅｑはマイクロＲＮＡの発現を測定する。ＣｙＴＯＦ／ＳＣｏＰ及びＥ－ＭＳ／Ａｂｓｅｑはタンパク質発現を測定する。ＣＩＴＥ－ｓｅｑは核酸発現及びタンパク質発現の両方を同時に測定する。そしてＡＴＡＣ－ｓｅｑはクロマチン立体配座を測定する。

【0068】

[0089] 植物生産物は、測定されているバイオマーカ及びバイオマーカ測定方法に従ってバイオマーカ解析に向けて準備することができる。より具体的には、標的バイオマーカ及び標的バイオマーカ測定方法に基づいて、バイオマーカ測定のための材料（例えば植物生産物）を植物生産物から抽出することができる。例えば、バイオマーカが遺伝子を含み、ＲＴ－ｑＰＣＲが植物生産物の遺伝子のＲＮＡ発現の定量化に使用される場合、ＲＴ－ｑＰＣＲを使用してシーケンシングする前、１つ又は複数のＲＮＡ抽出方法を使用して植物生産物からＲＮＡを抽出することができる。

【0069】

[0090] さらに、バイオマーカ解析を受けている植物生産物のタイプに応じて、バイオマーカ測定のために植物体材料を植物生産物の特定の部分から抽出することができる。例えば、幾つかの実施態様では、バイオマーカ測定のために、材料は植物生産物の外果皮、中果皮、及び内果皮の１つ又は複数から抽出することができる。

【0070】

Ｖ．植物生産物のバイオマーカ解析
[0091] 次に図２Ｂを参照すると、図２Ｂは、同じソースの植物生産物の集合についての感染尤度２０６が予測されるシステム環境２００Ｂのブロック図である。図２Ｂは図２Ａの拡張である。具体的には、図２Ｂに示される植物生産物の部分集合２０２は、図２Ａにおける同じソースの植物生産物の集合２０１から選択された植物生産物の部分集合２０２である。したがって、図２Ｂは、図２Ａの同じソースの植物生産物の集合についての感染尤度２０６が予測されるシステム環境２００Ｂのブロック図である。

【0071】

[0092] 図２Ｂに示すように、明確にするために、植物生産物の部分集合２０２の個々の各植物生産物は、植物生産物２０２Ａ、植物生産物２０２Ｂ、植物生産物２０２Ｃ、及び植物生産物２０２Ｄの１つとして記される。さらに、植物生産物の部分集合２０２における各植物生産物についての少なくとも１つの感染バイオマーカの発現レベル及び任意選択的に少なくとも１つのハウスキーピングバイオマーカの発現レベルが特定される。具体的には、植物生産物２０２Ａについての感染バイオマーカ発現２０３Ａ及び任意選択的にハウスキーピングバイオマーカ発現２０４Ａが特定され、植物生産物２０２Ｂについての感染バイオマーカ発現２０３Ｂ及び任意選択的にハウスキーピングバイオマーカ発現２０４Ｂが特定され、植物生産物２０２Ｃについての感染バイオマーカ発現２０３Ｃ及び任意選択的にハウスキーピングバイオマーカ発現２０４Ｃが特定され、植物生産物２０２Ｄについての感染バイオマーカ発現２０３Ｄ及び任意選択的にハウスキーピングバイオマーカ発現２０４Ｄが特定される。

【0072】

[0093] 簡単に上述したように、バイオマーカの発現は、任意の測定方法に従ってバイオマーカの発現の代理として機能する任意の物質を測定することによって特定することができる。例えば、バイオマーカが遺伝子を含む場合、その遺伝子のＲＮＡ転写物のコピー数がその遺伝子の発現の代理であることができ、ＲＴ－ｑＰＣＲを使用して、その遺伝子のＲＮＡ転写物のコピー数を定量化することができる。幾つかの更なる実施態様では、バイオマーカ発現は、バイオマーカ発現を検出するように構成されたアレイ及び／又はキットを使用して特定することができる。したがって、植物生産物の部分集合２０２の各植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカ及び任意選択的に少なくとも１つのハウスキーピングバイオマーカの発現レベルは、任意の適した測定方法を使用してバイオマーカ発現の代理として機能する任意の物質を測定することによって特定される。各植物生産物で発現レベルが測定される少なくとも１つの感染バイオマーカ及び任意選択的に少なくとも１つのハウスキーピングバイオマーカの識別について詳細に以下考察する。

【0073】

[0094] 簡単に図２Ｂの例を参照すると、植物生産物２０２Ａ～Ｄについての感染バイオマーカ発現２０３Ａ～Ｄ及び任意選択的にハウスキーピングバイオマーカ発現の特定に続き、植物生産物の部分集合２０２についてのバイオマーカ発現統計の集合２０５が、植物生産物の部分集合２０２中の各植物生産物２０２Ａ～Ｄについての感染バイオマーカ発現２０３Ａ～Ｄ及び任意選択的にハウスキーピングバイオマーカ発現２０４Ａ～Ｄに基づいて特定される。先に触れたように、植物生産物の部分集合２０２についてのバイオマーカ発現統計の集合２０５の特定について図２Ｃ及び図２Ｄに関して詳細に以下考察する。

【0074】

[0095] 最後に、図２Ｂに示すように、少なくとも部分的に植物生産物の部分集合２０２について特定されたバイオマーカ発現統計の集合２０５に基づいて，図２Ａの同じソースの植物生産物の集合２０１についての感染尤度２０６が予測される。先に触れたように、感染尤度２０６の予測について図３～図５Ｄに関して更に詳細に以下考察する。

【0075】

[0096] 植物生産物の集合の部分集合についてのバイオマーカ発現データ（例えばバイオマーカ発現レベル）、植物生産物の集合の部分集合のバイオマーカ発現統計の集合、及び植物生産物の集合の感染尤度は各々、場所の任意の組合せで特定することができる。一例として、植物生産物の集合の部分集合についてのバイオマーカ発現データ（例えばバイオマーカ発現レベル）、植物生産物の集合の部分集合についてのバイオマーカ発現統計の集合、及び植物生産物の集合の感染尤度は全て、植物生産物の場所で特定することができる。別の例では、植物生産物の集合の部分集合についてのバイオマーカ発現データ（例えばバイオマーカ発現レベル）は植物生産物の場所で特定することができ、次いで別の場所（例えばリモート計算システム）に送信されて、植物生産物の集合の部分集合についてのバイオマーカ発現統計の集合及び植物生産物の集合の感染尤度を特定することができる。代替の実施態様では、植物生産物の集合における感染尤度の予測は、場所の任意の代替の組合せで特定することができる。

【0076】

Ｖ．Ａ．感染バイオマーカ
[0097] 本開示全体を通して考察するように、同じソースの植物生産物の集合から選択された植物生産物の部分集合のうちの各植物生産物における感染バイオマーカ及びハウスキーピングバイオマーカの発現レベルは、植物生産物の集合における感染尤度を予測するのに使用される。これもまた図に関して手短に先に考察したように、感染バイオマーカは、非感染植物生産物と比較して感染植物生産物において差次的に発現すると特定されているバイオマーカを含む。そして更に好ましい実施態様では、感染バイオマーカは、非感染植物生産物と比較して感染植物生産物において閾値パーセント分、差次的に発現するバイオマーカを含む。例えば、好ましい実施態様では、感染バイオマーカは、非感染植物生産物と比較して感染植物生産物において少なくとも０．１倍分、差次的に発現すると特定されているバイオマーカを含む。

【0077】

[0098] 以下示すように、表１は、差次的表現のこの基準を満たす例示的な１組のバイオマーカを示す。具体的には、表１は、感染植物生産物における発現が、非感染植物生産物での発現と比較して異なる１組の遺伝子を示す。さらに、幾つかの実施態様では、表１に列記された遺伝子は、感染植物生産物と非感染植物生産物との間での少なくとも０．１倍という閾値割合による差次的発現の好ましい基準も満たす。表１は、各遺伝子の経路／応答及び簡略表記も示す。遺伝子の経路／応答は、遺伝子が寄与する代謝経路又は遺伝子発現の下流への影響を示す。遺伝子の簡略表記は、遺伝子名の頭字語を示す。表１に列記された感染バイオマーカは、同じソースの植物生産物の集合における感染尤度を予測するために、単独で又はハウスキーピングバイオマーカと一緒に使用することができる。

【0078】

【表1】

【0079】

【表2】

【0080】

[0099] 実施例１において以下に更に詳細に考察するように、植物生産物間のバイオマーカ発現のばらつきを考慮に入れるために、感染バイオマーカ及びハウスキーピングバイオマーカの発現レベル又は感染バイオマーカ及び別の感染バイオマーカの発現レベルに基づいて、感染バイオマーカの正規化発現レベルを特定することができる。ハウスキーピングバイオマーカの発現又は別の感染バイオマーカの発現に対して感染バイオマーカ発現を正規化することにより、植物生産物間のベースライン感染バイオマーカ発現のばらつきをコントロールすることができる。

【0081】

[00100] 幾つかの実施態様では、特定の植物生産物についての表１の感染バイオマーカの特定の部分集合の発現レベルを検出し得る。例えば、潜伏感染について評価する植物又は植物の部分集合がアボカドを含む場合、表１中の感染バイオマーカの第１の特定の部分集合の発現レベルは、潜伏感染の存在を示し得る。幾つかの実施態様では、感染バイオマーカの第１の特定の部分集合は、ＰＡＬ、ＧＳＴ、ＣＯＭＴ、ＷＲＫＹ７５、Ｆ３Ｈ、ＰＲ６、ＰＲ５、ＬＯＸ、Ｐｒｂｌ－２、又はカタラーゼ遺伝子の１つ又は複数を含むことができる。別の例として、潜伏感染について評価する植物又は植物の部分集合が、アプリケーションを含む場合、表１中の感染バイオマーカの第２の特定の部分集合の発現レベルの検出は、潜伏感染の有無を示し得る。幾つかの実施態様では、表１中の感染バイオマーカの第２の部分集合は、αファルネセン、ＦＡハイパーオキシドリアーゼ、エチレン応答センサ１、エチレン応答転写因子１、ＴＩＮＹ、ＡＣシンターゼ、ＡＣオキシダーゼ、ＰＲ１０、レセプター様タンパク質キナーゼ７キチンエリシタ、リンゴ酸デヒドロゲナーゼ、ピュルビン酸デカルボキシラーゼ、フマル酸リアーゼ、ＰＡＬ、又はＣ４Ｈの１つ又は複数を含むことができる。他の実施態様では、表１中の感染バイオマーカの第２の部分集合は、植物Ｕ－ｂｏｘ２９、キタナーゼ、シンタキシン１２１、フェルラ酸５－ヒドロキシラーゼ１、シンナマート－４－ヒドロキシラーゼ、フェニルアラニンアンモニアリアーゼ、エクスパンシンＡ８、９－ｃｉｓ－エポキシカロテノイドジオキシゲナーゼ９、ＷＲＫＹ３１、ＬＯＸ５、ＡＣＳ１、ＡＣＯ５、又はＡＰ２の１つ又は複数を含むことができる。

【0082】

[00101] 表１中の感染バイオマーカのリスト及びバイオマーカの上記部分集合は非網羅的である。具体的には、非感染植物生産物と比較して感染植物生産物での異なる発現の基準を満たす追加のバイオマーカを表１に含めることができる。

【0083】

[00102] 幾つかの実施態様では、非感染植物の遺伝子の発現と異なる感染植物生産物の遺伝子の集合は、核酸シーケンサによって生成されたリード配列に対してバリアントコール解析を実行することによって識別することができる。例えば、核酸配列を使用して、植物生産物の集合から取得したサンプルをシーケンシングすることができる。取得されたサンプルに基づいて核酸シーケンサによって生成されたリード配列は、健康な植物の基準配列とアライメントすることができる。次いで、アライメントされたリード配列と基準配列との間のバリアント又は差を取得することができ、これは、非感染植物の遺伝子集合の発現と異なる感染植物の遺伝子集合の発現として機能する。

【0084】

Ｖ．Ｂ．ハウスキーピングバイオマーカ
[00103] 次に、図１に関して手短に先に考察したように、植物生産物における感染尤度の予測に使用されるハウスキーピングバイオマーカを参照すると、ハウスキーピングバイオマーカは、植物生産物における感染と相関しないと特定されているバイオマーカを含む。換言すれば、ハウスキーピングバイオマーカ発現の変化は、感染及び非感染植物生産物において０．５、０．４、０．３、０．２、又は０．１倍未満である。したがって、ハウスキーピングバイオマーカ発現を使用して、感染植物生産物と非感染植物生産物との間で感染バイオマーカ発現を正規化することができる。具体的には、ハウスキーピングバイオマーカ発現は、植物生産物間のベースライン代謝活性のばらつきをコントロールするのに使用することができる。

【0085】

[00104] 多くの植物生産物ハウスキーピングバイオマーカが当業者に既知である。以下の表２は、植物生産物においてハウスキーピングバイオマーカであることが知られており、感染植物生産物と非感染植物生産物との間で感染バイオマーカ発現を正規化するのに使用することができる遺伝子の集合を示す。表２は、各遺伝子の経路／応答及び簡略表記も示す。遺伝子の経路／応答は、遺伝子が寄与する代謝経路又は遺伝子発現の下流への影響を示す。遺伝子の簡略表記は、遺伝子名の頭字語を示す。

【0086】

【表3】

【0087】

[00105] 表２に列記した既知のハウスキーピングバイオマーカに加えて、任意の他のハウスキーピングバイオマーカが、本開示全体を通して考察される植物生産物における感染予測に使用することができる。追加のハウスキーピングバイオマーカを識別する方法も当業者に既知である。例えば、以下の公開物は、植物生産物におけるハウスキーピング遺伝子を識別する既知の方法について考察している：Chandna R,Augustine R,Bisht NC(2012)Evaluation of Candidate Reference Genes for Gene Expression Normalization in Brassica juncea Using Real Time Quantitative RT-PCR.PLoS ONE 7(5):e36918.https//doi.org/10.1371/journal.pone.0036918。この公開物は、同様の公開物と共に、植物生産物における感染予測に使用するための、表２に列記されたものとは別の追加のハウスキーピングバイオマーカを識別するのに使用することができる。

【0088】

[00106] 表２に列記されたハウスキーピングバイオマーカ及び既知の方法に従って識別された追加のハウスキーピングバイオマーカは、上記考察した感染バイオマーカと一緒に使用して、同じソースの植物生産物の集合における感染尤度を予測することができる。

【0089】

ＶＩ．バイオマーカ発現の統計解析
[00107] 同じソースの植物生産物の集合から選択された植物生産物の部分集合のうちの各植物生産物における少なくとも１つの感染バイオマーカ及び任意選択的に少なくとも１つのハウスキーピングバイオマーカの発現レベルの特定に続き、これらのバイオマーカ発現レベルの統計解析が実行される。具体的には、図２Ｂに関して手短に先に考察したように、植物生産物の部分集合２０２についてのバイオマーカ発現統計の集合２０５が、植物生産物の部分集合２０２中の各植物生産物２０２Ａ～Ｄについての感染バイオマーカ発現２０３Ａ～Ｄ及び任意選択的にハウスキーピングバイオマーカ発現２０４Ａ～Ｄに基づいて特定される。このバイオマーカ発現統計の集合２０５を使用して、図３～図５Ｄに関して詳細に以下考察するように、同じソースの植物生産物の集合における感染尤度２０６を予測する。

【0090】

[00108] 代替的には、幾つかの実施態様において、１つ又は複数のバイオマーカの絶対定量は、例えば、真正濃度標準、内部標準、又は既知の濃度の準備標準曲線の使用を採用して特定される。これらの場合、ハウスキーピングバイオマーカ発現は特定する必要がないことがある。

【0091】

ＶＩ．Ａ．バイオマーカ発現統計の集合
[00109] 図２Ｃは、植物生産物の部分集合についてのバイオマーカ発現統計の集合が特定される例示的なシステム環境２００Ｃのブロック図である。図２Ｃは、植物生産物の部分集合のうちの各植物生産物についての１つ又は複数のハウスキーピングバイオマーカの発現が測定される図２Ａ及び図２Ｂの適用の拡張である。具体的には、図２Ｃに示されている植物生産物の部分集合２０２並びに植物生産物の部分集合２０２のうちの各植物生産物２０２Ａ～Ｄについて特定された関連する感染バイオマーカ発現２０３Ａ～Ｄ及びハウスキーピングバイオマーカ発現２０４Ａ～Ｄは、図２Ｂから持ち越されている。したがって、図２Ｃは、図２Ａ及び図２Ｂの植物生産物の部分集合２０２についてのバイオマーカ発現統計の集合２０５が特定されるシステム環境２００Ｃのブロック図である。

【0092】

[00110] 図２Ｃに示すように、幾つかの実施態様では、植物生産物の部分集合２０２のバイオマーカ発現統計の集合２０５は、植物生産物の部分集合２０２の各２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカの正規化発現レベルを特定し、次いで植物生産物の部分集合２０２の各植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルを特定することによって特定される。具体的には、図２Ｃに示す例示的な実施態様では、植物生産物の部分集合２０２の各植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ａ～Ｄは、各植物生産物２０２Ａ～Ｄについて特定された感染バイオマーカ発現２０３Ａ～Ｄ及びハウスキーピングバイオマーカ発現２０４Ａ～Ｄに基づいて特定される。特に、植物生産物２０２Ａについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ａは、植物生産物２０２Ａについての感染バイオマーカ発現２０３Ａ及びハウスキーピングバイオマーカ発現２０４Ａに基づいて特定される。同様に、植物生産物２０２Ｂについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ｂは、植物生産物２０２Ｂについての感染バイオマーカ発現２０３Ｂ及びハウスキーピングバイオマーカ発現２０４Ｂに基づいて特定される。植物生産物２０２Ｃについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ｃは、植物生産物２０２Ｃについての感染バイオマーカ発現２０３Ｃ及びハウスキーピングバイオマーカ発現２０４Ｃに基づいて特定される。そして最後に、植物生産物２０２Ｄについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ｄは、植物生産物２０２Ｄについての感染バイオマーカ発現２０３Ｄ及びハウスキーピングバイオマーカ発現２０４Ｄに基づいて特定される。

【0093】

[00111] 特定の実施態様では、植物生産物の感染バイオマーカの正規化発現レベルは、植物生産物における感染バイオマーカの発現レベルとハウスキーピングバイオマーカの発現レベルとの比率を特定することによって特定することができる。例えば、感染バイオマーカが表１に示されるＰＡＬ遺伝子を含み、ハウスキーピングバイオマーカが表２に示されるアクチン遺伝子を含む一実施態様では、植物生産物のＰＡＬ遺伝子の正規化発現レベルは、植物生産物におけるＰＡＬ遺伝子の発現レベルと植物生産物におけるアクチン遺伝子の発現レベルとの比率を含むことができる。先に手短に考察したように、ハウスキーピングバイオマーカに対して感染バイオマーカの発現レベルを正規化することにより、植物生産物間のベースライン代謝活性のばらつきをコントロールすることができる。

【0094】

[00112] 植物生産物の部分集合２０２の各植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ａ～Ｄの特定後、植物生産物の部分集合２０２の各植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル２０８Ａ～Ｄを特定することができる。具体的には、図２Ｃに示す実施態様では、植物生産物の部分集合２０２の各植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル２０８Ａ～Ｄは、各植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ａ～Ｄに基づいて特定される。特に、植物生産物２０２Ａについての少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル２０８Ａは、植物生産物２０２Ａについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ａに基づいて特定される。同様に、植物生産物２０２Ｂについての少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル２０８Ｂは、植物生産物２０２Ｂについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ｂに基づいて特定される。植物生産物２０２Ｃについての少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル２０８Ｃは、植物生産物２０２Ｃについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ｃに基づいて特定される。そして最後に、植物生産物２０２Ｄについての少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル２０８Ｄは、植物生産物２０２Ｄについての少なくとも１つの感染バイオマーカの正規化発現レベル２０７Ｄに基づいて特定される。

【0095】

[00113] 一般に、植物生産物についての感染バイオマーカの特徴スケーリング発現レベルは、例えば、植物生産物の感染バイオマーカの正規化発現レベルの最小最大正規化^６及び対数変換のうちの少なくとも一方を実行することによって特定することができる。

【0096】

[00114] 最後に、図２Ｃに示すように、植物生産物の部分集合２０２についてのバイオマーカ発現統計の集合２０５が、各植物生産物２０２Ａ～Ｄの少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル２０８Ａ～Ｄに基づいて特定される。バイオマーカ発現統計の集合２０５のこの特定の一実施態様について図２Ｄに関して示し考察する。

【0097】

[00115] 図２Ｄは、植物生産物の部分集合についてのバイオマーカ発現統計の集合が特定される例示的なシステム環境２００Ｄのブロック図である。図２Ｄは図２Ａ～図２Ｃの拡張である。具体的には、図２Ｄに示される植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル２０８Ａ～Ｄは、図２Ｃから持ち越されている。したがって、図２Ｄは、図２Ａ～図２Ｄの植物生産物の部分集合２０２についてのバイオマーカ発現統計の集合２０５が特定されるシステム環境２００Ｄのブロック図である。

【0098】

[00116] 図２Ｄに示し、図２Ｃに関して先に考察したように、幾つかの実施態様では、植物生産物の部分集合２０２についてのバイオマーカ発現統計の集合２０５は、各植物生産物２０２Ａ～Ｄの少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル２０８Ａ～Ｄに基づいて特定される。さらに、図２Ｄに示す実施態様では、植物生産物の部分集合２０２について特定されるバイオマーカ発現統計の集合２０５は、少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル２０８Ａ～Ｄの平均、メジアン、最小、最大、標準偏差、５パーセンタイル、１０パーセンタイル、１５パーセンタイル、２０パーセンタイル、２５パーセンタイル、５０パーセンタイル、７５パーセンタイル、８０パーセンタイル、９０パーセンタイル、９５パーセンタイル、及び９９パーセンタイル（図２Ｄにおける２０９）、植物生産物の部分集合２０２の各植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカのうちの少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルと少なくとも１つの感染バイオマーカのうちの少なくとも１つの他の感染バイオマーカの特徴スケーリング発現レベルとの比率２１０、及び植物生産物の部分集合２０２の各植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカのうちの少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルと少なくとも１つの感染バイオマーカのうちの少なくとも１つの他の感染バイオマーカの特徴スケーリング発現レベルとの積２１０の少なくとも１つを含む。

【0099】

[00117] 例えば、感染バイオマーカが表１に示されるＰＡＬ遺伝子及びＦ３Ｈ遺伝子を含む図２Ｄの一実施態様では、植物生産物の部分集合２０２のバイオマーカ発現統計の集合２０５は、ＰＡＬ遺伝子の特徴スケーリング発現レベル２０８Ａ～Ｄの平均２０９、Ｆ３Ｈ遺伝子の特徴スケーリング発現レベル２０８Ａ～Ｄの平均２０９、植物生産物２０２ＡでのＰＡＬ遺伝子の特徴スケーリング発現レベル２０８ＡとＦ３Ｈ遺伝子の特徴スケーリング発現レベル２０８Ａとの比率２１０、植物生産物２０２ＢでのＰＡＬ遺伝子の特徴スケーリング発現レベル２０８ＢとＦ３Ｈ遺伝子の特徴スケーリング発現レベル２０８Ｂとの比率２１０、植物生産物２０２ＣでのＰＡＬ遺伝子の特徴スケーリング発現レベル２０８ＣとＦ３Ｈ遺伝子の特徴スケーリング発現レベル２０８Ｃとの比率２１０、及び植物生産物２０２ＤでのＰＡＬ遺伝子の特徴スケーリング発現レベル２０８ＤとＦ３Ｈ遺伝子の特徴スケーリング発現レベル２０８Ｄとの比率２１０を含むことができる。

【0100】

[00118] 代替の実施態様では、植物生産物の部分集合２０２についてのバイオマーカ発現統計の集合２０５は、植物生産物２０２Ａ～Ｄの感染バイオマーカ発現２０３Ａ～Ｄ及びハウスキーピングバイオマーカ発現２０４Ａ～Ｄ及び／又は植物生産物２０２Ａ～Ｄの少なくとも１つの感染バイオマーカの特徴スケーリング発現２０８Ａ～Ｄに基づく任意の統計を含むことができる。

【0101】

[00119] 更なる実施態様では、植物生産物の部分集合２０２についてのバイオマーカ発現統計の集合２０５は、植物生産物２０２Ａ～Ｄの感染バイオマーカ発現２０３Ａ～Ｄ及びハウスキーピングバイオマーカ発現２０４Ａ～Ｄに基づく統計、植物生産物２０２Ａ～Ｄについての少なくとも１つの感染バイオマーカの特徴スケーリング発現２０８Ａ～Ｄに基づく統計、及び／又は例えば内部標準又は既知の濃度の準備標準曲線を使用して特定される絶対発現値に基づく統計の組合せを含むことができる。

【0102】

[00120] 最後に、図２Ｄに示すように、植物生産物の部分集合２０２についてのバイオマーカ発現統計の集合２０５を使用して、同じソースの植物生産物の集合２０１についての感染尤度２０６を予測する。感染尤度２０６のこの予測について図３～図５Ｄに関して詳細に以下考察する。

【0103】

ＶＩＩＩ．追加の方法の概説
[00121] 同じソースの植物生産物の集合における感染尤度を予測する別の方法１２００を図１２のフローチャートに概略的に示す。同じソースの植物生産物の集合は典型的には、本明細書に記載の解析方法を統計学的に有効することができるように十分に大きな数の植物生産物（例えば１０を超える植物生産物）を含む。特定のステップが特定の順序で行われるように示されているが、幾つかの場合、方法のステップは、図１２と併せて説明したものとは異なる順序で実行することができる。さらに、幾つかの場合、特定のステップは省略されてもよく、及び／又は他のステップで置換されてもよく、及び／又は追加のステップを追加してもよい。

【0104】

[00122] 図１２に示すように、同じソースの植物生産物の集合における感染尤度を予測するために、植物生産物の部分集合が、同じソースの植物生産物の集合から選択される（１２０１）。部分集合は典型的には、少なくとも３つ及び同じソースの植物生産物の集合における産物の総数の１／２未満の植物生産物を含む。同じソースの植物生産物の集合からの植物生産物の部分集合の選択１２０１は、図１の方法１００を参照して先に考察したプロセスと同じプロセスを辿ることができる。次いで、部分集合の植物生産物はサブグループに分割され、各サブグループは、部分集合の植物生産物の１つ又は複数を含む（ステップ１２０２）。次いで、各サブグループについて、サブグループの各植物生産物からの植物体が組み合わせられて、プール植物体のグループを形成する（ステップ１２０３）。サブグループの各植物生産物からの植物体を組み合わせることは、例えば、サブグループの全ての植物生産物をブレンダーに一緒に入れ、それらをブレンドしてプール植物体のグループを形成することを含むことができる。

【0105】

[00123] 次いで、各プール植物体グループについての少なくとも１つの感染バイオマーカ及び任意選択的に少なくとも１つのハウスキーピングバイオマーカの発現レベルが特定される（ステップ１２０４）。バイオマーカ解析に向けた植物体の準備並びに植物生産物における感染尤度の予測に適した感染バイオマーカ及びハウスキーピングバイオマーカの識別は、図１の方法１００を参照して先に説明したものと同じプロセスを辿ることができる。

【0106】

[00124] 次に、プール植物体グループの集まりについてのバイオマーカ発現統計の集合が、各プール植物体グループについての少なくとも１つの感染バイオマーカ及び任意選択的に少なくとも１つのハウスキーピングバイオマーカの特定された発現レベルに基づいて特定される（ステップ１２０５）。詳細に上述した方法１００におけるバイオマーカ発現統計の集合の特定に使用されるものと同じ方法及びメトリックが、図１２の方法１２００と併用可能である。

【0107】

[00125] 最後に、同じソースの植物生産物の集合における感染尤度が、少なくとも部分的に、プール植物体グループの集まりについて特定されたバイオマーカ発現統計の集合に基づいて予測される（ステップ１２０６）。同じソースの植物生産物の集合における感染尤度の予測は、図１の方法１００を参照して上述したものと同じプロセス及びメトリックに従うことができる。次いで、同じソースの植物生産物の集合における予測感染尤度を返すことができ、幾つかの実施態様では、それを利用して、同じソースの植物生産物の集合を意図的に処理することができる。例えば、同じソースの植物生産物の集合における予測潜伏感染尤度を使用して、植物生産物の集合をいつどこで販売するかを決定することができる。

【0108】

[00126] 図１３は、図１２の方法１２００に基づいて、同じソースの植物生産物の集合の感染尤度１３０６が予測されるシステム環境１３００のブロック図である。具体的には、図１３に示される植物生産物の部分集合１３０２は、図１２のステップ１２０１において同じソースの植物生産物の集合から選択される植物生産物の部分集合に対応する。図１３に示すように、明確にするために、植物生産物の部分集合１３０２の個々の各植物生産物は、植物生産物１３０２Ａ、植物生産物１３０２Ｂ、植物生産物１３０２Ｃ、及び植物生産物１３０２Ｄの１つとして記される。図１３における植物生産物の部分集合１３０２は４つの植物生産物を含んで示されているが、部分集合は３、４、又は５以上の植物生産物を含むことができる。

【0109】

[00127] なお図１３を参照すると、図１２のステップ１２０２に対応して、植物生産物１３０２Ａ及び１３０２Ｂは次いで第１のサブグループ１３０８Ａにグループ化され、植物生産物１３０２Ｃ及び１３０２Ｄは次いで第２のサブグループ１３０８Ｂにグループ化される。図１３では、各サブグループは同数の植物生産物を含むが、一般に、サブグループは同数の植物生産物を有する必要はなく、各サブグループは、部分集合１３０２のうちの少なくとも１つの植物生産物を含むべきである。図１２におけるステップ１２０３に対応して、各サブグループ（例えば１３０８Ａ及び１３０８Ｂ）について、サブグループ内の各植物生産物からの植物体が次いで組み合わせられて、プール植物体のグループ１３１０Ａ及び１３１０Ｂをそれぞれ形成する。例えば、サブグループ１３０８Ａの植物生産物１３０２Ａ及び１３０２Ｂはブレンダーに配置され、ブレンドされてプール植物体グループ１３１０Ａを形成することができ、サブグループ１３０８Ｂの植物生産物１３０２Ｃ及び１３０２Ｄは別のブレンダーに配置され、ブレンドされてプール植物体グループ１３１０Ｂを形成することができる。

【0110】

[00128] 次に、図１２のステップ１２０４に対応して、プール植物体グループ１３１０Ａ及び１３１０Ｂの各々について、少なくとも１つの感染バイオマーカの発現レベル及び任意選択的に少なくとも１つのハウスキーピングバイオマーカの発現レベルが特定される。具体的には、プール植物体グループ１３１０Ａについての感染バイオマーカ発現１３０３Ａ及び任意選択的なハウスキーピングバイオマーカ発現１３０４Ａが特定され、プール植物体グループ１３１０Ｂについての感染バイオマーカ発現１３０３Ｂ及び任意選択的なハウスキーピングバイオマーカ発現１３０４Ｂが特定される。先に考察したように、バイオマーカの発現は、任意の測定方法により、バイオマーカの発現の代理として機能する任意の物質を測定することによって特定することができる。例えば、バイオマーカが遺伝子を含む場合、遺伝子のＲＮＡ転写物のコピー数が遺伝子の発現の代理であることができ、ＲＴ－ｑＰＣＲを使用して、遺伝子のＲＮＡ転写物のコピー数を定量化することができる。幾つかの更なる実施態様では、バイオマーカ発現は、バイオマーカ発現を検出するように構成されたアレイ及び／又はキットを使用して特定することができる。したがって、各プール植物体グループ１３１０Ａ及び１３１０Ｂについての少なくとも１つの感染バイオマーカ及び任意選択的に少なくとも１つのハウスキーピングバイオマーカの発現レベルは、任意の適した測定方法を使用して、バイオマーカの発現の代理として機能する任意の物質を測定することによって特定される。

【0111】

[00129] プール植物体グループ１３１０Ａ及び１３１０Ｂについての感染バイオマーカ発現１３０３Ａ及び１３０３Ｂ並びに任意選択的なハウスキーピングバイオマーカ発現１３０４Ａ及び１３０４Ｂの特定に続き、図１２におけるステップ１２０５に対応して、プール植物体グループの集まりについてのバイオマーカ発現統計の集合１３０５が、感染バイオマーカ発現１３０３Ａ及び１３０３Ｂ並びに任意選択的にハウスキーピングバイオマーカ発現１３０４Ａ及び１３０４Ｂに基づいて特定される。最後に、図１２におけるステップ１２０６に対応して、少なくとも部分的に、植物生産物の部分集合１３０２について特定されたバイオマーカ発現統計の集合１３０５に基づいて、部分集合１３０２の植物生産物が選択された同じソースの植物生産物の集合の感染尤度１３０６が予測される。

【0112】

ＩＸ．感染予測システム
[00130] 先に触れたように、同じソースの植物生産物の集合における感染尤度は、機械学習感染予測システムを使用して、同じソースの植物生産物の集合から選択された植物生産物の部分集合についてのバイオマーカ発現統計の集合に基づいて予測することができる。図３は、同じソースの植物生産物の集合における感染尤度３０３を予測するように構成された感染予測システム３０２のシステム環境３００のブロック図である。図４に関して更に詳細に以下考察するように、感染予測システム３０２は少なくとも部分的に機械学習感染予測モデルを含む。代替の構成では、異なる構成要素及び／又は追加の構成要素がシステム環境３００に含まれ得る。

【0113】

[00131] 図３に示すように、感染予測システム３０２は、同じソースの植物生産物の集合から選択された植物生産物の部分集合についてのバイオマーカ発現統計の集合３０１の入力を受信する。バイオマーカ発現統計の集合は、上述した実施態様の１つに従って特定することができる。

【0114】

[00132] 幾つかの実施態様では、感染予測システム３０２を含む感染予測モデルにバイオマーカ発現統計の集合３０１を入力する前、バイオマーカ発現統計の集合３０１は符号化される。具体的には、幾つかの実施態様では、感染予測システム３０２に入力される前、バイオマーカ発現統計の集合３０１は符号化される。代替の実施態様では、感染予測システム３０２は符号化モジュールを含み、バイオマーカ発現統計の集合３０１は、感染予測システム３０２への入力後であるが、感染予測システム３０２の感染予測モデルに入力される前、符号化モジュールによって符号化される。幾つかの実施態様では例えば、バイオマーカ発現統計の集合３０１は、ビットアレイを含むデータ構造に符号化することができる。例えば、２００，０００コピーというある遺伝子のＲＮＡ転写物のメジアン特徴スケーリング発現レベルを含むバイオマーカ発現統計の集合は、［１１００００１１０１０１００００００］としてビットアレイに符号化することができる。感染予測システム３０２の感染予測モデルに入力される前、バイオマーカ発現統計の集合３０１を符号化する代替の方法が使用されてもよい。

【0115】

[00133] バイオマーカ発現統計の集合３０１の入力は、感染予測システム３０２によって処理されて、同じソースの植物生産物の集合における感染尤度３０３を生成、出力する。感染予測システム３０２によって出力される感染尤度３０３は、同じソースの植物生産物の集合における感染尤度の予測を含む。幾つかの実施態様では、感染予測システム３０２によって出力される感染尤度は、同じソースの植物生産物の集合における感染尤度のバイナリ予測を含む。例えば、感染予測システム３０２によって出力される感染尤度は、同じソースの植物生産物の集合が感染している旨のバイナリ予測を表す「１」であるか、又は同じソースの植物生産物の集合が感染していない旨のバイナリ予測を表す「０」であることができる。

【0116】

[00134] 代替の実施態様では、感染予測システム３０２によって出力される感染尤度は、同じソースの植物生産物の集合の感染植物生産物の割合の予測を含む。例えば、感染予測システム３０２によって出力される感染尤度は、０．２７であることができ、植物生産物の集合における植物生産物の２７％が感染しているとの予測を表す。

【0117】

[00135] 幾つかの実施態様では、感染予測システム３０２によって出力される感染尤度は、同じソースの植物生産物の集合の閾値割合が感染している尤度（例えばパーセント尤度）の予測を含む。例えば、感染予測システム３０２によって出力される感染尤度は、植物生産物の集合における植物生産物の少なくとも１／５（即ち２０％）が感染している旨の０．２５（即ち２５％）であることができる。

【0118】

[00136] 更なる実施態様では、感染予測システム３０２によって出力される感染尤度は、同じソースの植物生産物の集合における感染尤度の任意の他の予測を含むことができる。

【0119】

ＩＸ．Ａ．感染予測システムアーキテクチャ
[00137] 次に図４を参照すると、図４は、同じソースの植物生産物の集合における感染尤度を予測するように構成された感染予測システム４００のアーキテクチャのブロック図である。感染予測システム４００は、トレーニングモジュール４０１、データストア４０２、データ管理モジュール４０３、及び感染予測モデル４０４を含む。感染予測モデル４０４は、関数４０５及びパラメータセット４０６を更に含む。他の実施態様では、感染予測システム４００は、種々の用途で追加、より少数、又は異なる構成要素を含み得る。同様に、関数は、本明細書に記載されるものとは異なる様式でモジュール間に分散することができる。ネットワークインターフェース、セキュリティ機能、負荷平衡器、ファイルオーバサーバ、管理及びネットワーク動作コンソール等の従来の構成要素は、システムアーキテクチャの詳細を曖昧にしないように示されていない。

【0120】

ＩＸ．Ａ．１．トレーニングモジュール
[00138] トレーニングモジュール４０１は、トレーニングデータセットに基づいて感染予測モデル４０４を構築する。一般に、感染予測モデル４０４は、独立変数（例えばバイオマーカ発現統計の集合）間の関係を捕捉する関数４０５と、損失関数が最小化されるようなトレーニングデータセット中の従属変数（例えば感染率）とを含む。

【0121】

[00139] トレーニングデータセットを使用して感染予測モデル４０４を構築するには、トレーニングデータセットからの各トレーニングサンプルｉが感染予測モデル４０４に入力される。感染予測モデル４０４は、まるでモデルが同じソースの植物生産物の集合における感染尤度を生成するのに日常的に使用されているかのようにこれらの入力を処理する。しかしながら、感染予測モデル４０４の日常的な使用とは異なり、感染予測モデル４０４のトレーニング中、トレーニングデータセットからの遡及感染率もモデルに入力される。具体的には、トレーニング中、同じソースの植物生産物の集合について正確であることが既知である遡及感染率もモデルに入力される。

【0122】

[00140] トレーニングデータセット中のトレーニングサンプルｉを使用して感染予測モデル４０４を各々反復した後、モデルは、同じソースの植物生産物の集合における予測感染尤度と同じソースの植物生産物の集合における実際の遡及感染率との間の差を特定する。次いで、感染予測モデル４０４はこの差を最小化しようとする。具体的には、モデルは、同じソースの植物生産物の集合における予測感染尤度と同じソースの植物生産物の集合における実際の遡及感染率との間の差を最小化しようとする。

【0123】

[00141] この差を最小化するために、感染予測モデル４０４は、感染予測モデル４０４の損失関数を最小化する。損失関数

は、トレーニングデータＳ中の１つ又は複数のトレーニングサンプルｉについての従属変数ｕ_ｉの値（例えば既知の遡及感染率）とモデル４０４によって生成されるトレーニングサンプルｉについての従属変数ｙ_ｉ∈Ｓの値（例えば予測感染尤度）との間の不一致を表す。簡単に言えば、損失関数は、モデル４０４によって出力される予測感染尤度とトレーニングデータセットにおける既知の遡及感染率との間の差を表す。当業者に既知の複数の損失関数があり、予測感染モデル４０４の生成に当たりこれらの損失関数の任意の１つを利用することができる。

【0124】

[00142] θに関して損失関数を最小化することにより、パラメータセットθの値を特定することができる。幾つかの実施態様では、感染予測モデル４０４は、パラメータセットθがパラメータ４０６を含み、独立変数（例えばバイオマーカ発現統計の集合）と従属変数（例えば感染率）との間の依存性を指定するように関数４０５を変更するパラメトリックモデルであることができる。換言すれば、損失関数を最小化することによって特定されるパラメータセットθは、パラメータセット４０６を含むことができ、感染予測モデル４０４の正解率が最適化されるように感染予測モデル４０４の関数４０５を変更するのに使用することができる。典型的には、損失関数を最小化するパラメトリック型モデルのパラメータは、バッチ勾配アルゴリズム、確率勾配等の勾配ベースの数値最適化アルゴリズムを通して特定される。代替的には、感染予測モデル４０４は、モデル構造がトレーニングデータセットから決定され、厳密には固定パラメータセットに基づかない非パラメトリックモデルであり得る。

【0125】

[00143] 感染予測モデル４０４がパラメトリックモデルを含む実施態様では、モデルは一般に、
ｙ＝ｆ（ｘ^ｋ；θ） （１）
として表すことができ、式中、ｙは、感染予測モデル４０４によって特定される同じソースの植物生産物の集合における感染尤度を示し、ｘ^ｋは、同じソースの植物生産物の部分集合についてのバイオマーカ発現統計の集合を示し、θは、θに関して損失関数を最小化することによって特定されるパラメータセット４０６を示し、ｆ（・）は関数４０５を示す。幾つかの実施態様では、バイオマーカ発現統計ｘ^ｋは、関数ｆ（・）に入力される前に組み合わせられる。代替の実施態様では、バイオマーカ発現統計ｘ^ｋは、関数ｆ（・）に入力される前に組み合わせられない。

【0126】

[00144] 関数４０５は任意の関数であることができる。例えば、幾つかの実施態様では、関数４０５は、バイナリロジスティック回帰モデル、ロジスティックモデルツリー、ランダムフォレスト分類器、Ｌ２正則化、部分最小二乗分類、ナイーブベイズ分類器、多変量適応回帰スパイン、１つ又は複数のニューラルネットワーク、及びｋ最近傍分類の１つを含むことができる。

【0127】

[00145] 代替の実施態様では、感染予測モデル４０４は、バイオマーカ発現統計の集合ｘ^ｋ中の各バイオマーカ発現統計に別個の関数４０５及び別個のパラメータセット４０６を含む。例えば、先に考察したように、バイオマーカ発現統計の集合ｘ^ｋは、少なくとも１つの感染バイオマーカの特徴スケーリング発現レベル又は絶対発現レベルの平均、メジアン、最小、最大、標準偏差、５パーセンタイル、１０パーセンタイル、１５パーセンタイル、２０パーセンタイル、２５パーセンタイル、５０パーセンタイル、７５パーセンタイル、８０パーセンタイル、９０パーセンタイル、９５パーセンタイル、及び９９パーセンタイルの２つ以上、少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルと少なくとも１つの他の感染バイオマーカの特徴スケーリング発現レベルとの比率、並びに少なくとも１つの感染バイオマーカの特徴スケーリング発現レベルと少なくとも１つの他の感染バイオマーカの特徴スケーリング発現レベルとの積を含むことができる。さらに、バイオマーカ発現統計の集合ｘ^ｋは、２つ以上の感染バイオマーカを記述する統計を含むことができる。そのような実施態様では、各バイオマーカ発現統計及び／又は各感染バイオマーカに別個のパラメータセットθを特定することができる。例えば、バイオマーカ発現統計の集合ｘ^ｋが独立変数ｘ^１、即ち感染バイオマーカＡ特徴スケーリング発現レベルと、ｘ^２、即ち感染バイオマーカＡの特徴スケーリング発現レベルと感染バイオマーカＢの特徴スケーリング発現レベルとの比率を含む一実施態様では、各独立変数ｘ^１及びｘ^２にそれぞれ別個のパラメータセットθ^１及びθ^２を特定することができる。パラメータセットθ^１の値は、θ^１に関して損失関数を最小化することによって特定され、パラメータセットθ^２の値は、θ^２に関して損失関数を最小化することによって特定される。次いでパラメータセットθ^１を使用して、第１の関数ｆ（ｘ^１；θ^１）を変更し、パラメータセットθ^２を使用して、第２の関数ｆ（ｘ^２；θ^２）を変更する。最後に、別個のパラメータセットによって変更されたこれらの別個の関数を組み合わせて、同じソースの植物生産物の集合における感染尤度を生成することができる。そのような実施態様では、感染予測モデル４０４は、
ｙ＝ｆ（ｘ^１；θ^１）＋ｆ（ｘ^２；θ^２） （２）
として表すことができ、式中、ｙは、感染予測モデル４０４によって特定される同じソースの植物生産物の集合における感染尤度を示し、ｘ^１は第１の独立変数（例えば、感染バイオマーカＡ特徴スケーリング発現レベルの２５パーセンタイル）を示し、ｘ^２は第２の独立変数（例えば、感染バイオマーカＡの特徴スケーリング発現レベルと感染バイオマーカＢの特徴スケーリング発現レベルとの比率）を示し、θ^１は、θ^１に関して損失関数を最小化することによって特定される第１のパラメータセット４０６を示し、θ^２は、θ^２に関して損失関数を最小化することによって特定される第２のパラメータセット４０６を示し、ｆ（・）は関数４０５である。式１に関して先に考察したように、関数ｆ（・）は任意の関数であることができる。さらに、式２に示されるｆ（・）関数は同じ関数である必要はない。

【0128】

[00146] 感染予測モデル４０４が閾値レベルの予測精度を達成する場合（例えば損失関数が十分に最小化される場合）、モデルは使用可能な状態にある。感染予測モデル４０４が、使用に十分な閾値レベルの予測精度を達成した場合を判断するために、感染予測モデル４０４の検証を実行することができる。感染予測モデル４０４の検証について図５Ｃに関して更に詳細に以下考察する。

【0129】

[00147] 感染予測モデル４０４が、使用に十分な閾値レベルの予測精度を達成したと検証されると、幾つかの実施態様では、これはモデルをトレーニングの継続から除外しない。実際には、好ましい実施態様では、検証に拘わらず、損失関数が低下し続け、モデルの精度が改善し続けるようにモデルのパラメータセット４０６が連続更新されるよう感染予測モデル４０４はトレーニングを継続する。

【0130】

ＩＸ．Ａ．２．データストア
[00148] 幾つかの実施態様では、データストア４０２は、トレーニングモデル４０１に関して先に考察したように、感染予測モデル４０４をトレーニングするのに使用されるトレーニングデータセットを記憶する。トレーニングデータセットは複数のトレーニングサンプルを含む。トレーニングデータセットからの各トレーニングサンプルｉは、同じソースの植物生産物の遡及集合と関連付けられる。具体的には、トレーニングデータセットからの各トレーニングサンプルｉは、実際の既知の感染率が既知である同じソースの植物生産物の遡及集合と関連付けられる。各トレーニングサンプルｉは、同じソースの植物生産物の遡及集合の部分集合についてのバイオマーカ発現統計の集合と、同じソースの植物生産物の遡及集合における実際の既知の感染率とを含む。特定の実施態様では、トレーニング中、感染予測モデル４０４に入力される同じソースの植物生産物の遡及集合における実際の既知の感染率は、感染予測モデル４０４に入力されたバイオマーカ発現統計の集合の符号化に関して先に考察したように符号化される。

【0131】

[00149] 図５Ａ及び図５Ｃに関して詳細に以下考察する幾つかの実施態様では、トレーニングデータセットからの１つ又は複数のトレーニングサンプルは、トレーニング外に保持することができ、感染予測モデル４０４の検証に使用することができる。

【0132】

ＩＸ．Ａ．３．データ管理モジュール
[00150] データ管理モジュール４０３は、感染予測モデル４０４のトレーニングに使用されるトレーニングデータセットを生成する。先に触れたように、トレーニングデータセットからの各トレーニングサンプルｉは、同じソースの植物生産物の遡及集合及び同じソースの植物生産物の遡及集合における実際の既知の感染率と関連付けられる。したがって、トレーニングデータセットを生成するためにデータ管理モジュール４０３によって使用されるデータは、遡及データソースから調達することができる。

【0133】

[00151] トレーニングデータセットがデータストア４０２によって記憶される実施態様では、データ管理モジュール４０３は、生成されたトレーニングデータセットをデータストア４０２に記憶する。感染予測モデル４０４も検証される実施態様では、データ管理モジュール４０３は、感染予測モデル４０４の検証に使用するために、トレーニングデータセットからのトレーニングサンプルを外に保持することもできる。

【0134】

ＩＸ．Ａ．４．感染予測モデル
[00152] 感染予測モデル４０４は、同じソースの植物生産物の集合から選択された植物生産物の部分集合についてのバイオマーカ発現統計の集合の入力を受け取り、同じソースの植物生産物の集合における感染尤度を予測するように構成された機械学習モデルである。先に考察したように、一般に、感染予測モデル４０４は、トレーニングデータセット中の独立変数（例えばバイオマーカ発現統計の集合）と従属変数（例えば感染率）との間の関係を正確に捕捉するようにパラメータセット４０６によって変更された関数４０５を含む。先に考察したように、幾つかの実施態様では、関数４０５は、バイナリロジスティック回帰モデル、ロジスティックモデルツリー、ランダムフォレスト分類器、Ｌ２正則化、部分最小二乗分類、ナイーブベイズ分類器、多変量適応回帰スパイン、１つ又は複数のニューラルネットワーク、及びｋ最近傍分類の１つを含む。

【0135】

[00153] 幾つかの実施態様では、感染予測モデル４０４は、同じソースの植物生産物の集合における感染尤度を予測するように構成された単一モデルを含む。しかしながら、代替の実施態様では、感染予測モデル４０４は、各々が特定のタスクを実行するように構成された複数の別個のモデルを含むことができる。例えば、一実施態様では、感染予測モデル４０４は、各々が特定のタイプの感染の尤度を予測するように構成された複数のモデルを含むことができる。

【0136】

Ｘ．感染予測システムのトレーニング、検証、及び使用
[00154] 図５Ａは、感染予測システムがトレーニング、検証、使用されるシステム環境５００Ａのブロック図を示す。図５Ａは、トレーニングフェーズ５０１、検証フェーズ５０２、使用フェーズ５０３、遡及データ記憶５０４、及び将来（prospective）データ記憶５０５を含む。したがって、図５Ａは、感染予測システムをトレーニング、検証、テストするために、遡及データ及び将来データがいかに使用されるかを示す。

【0137】

[00155] 図４に関して先に考察したように、感染予測システムの使用前、システムはトレーニングされる。図５Ａに示すように、感染予測システムのトレーニングは、遡及データソース５０４から受信された遡及データを使用して達成される。遡及データソース５０４は、図４のデータストア４０２に関して先に考察したように、トレーニングデータサンプルを含むトレーニングデータセットを含む。換言すれば、遡及データソース５０４は、同じソースの植物生産物の集合における過去感染率を記述するデータを含む。遡及データソース５０４に含まれるデータは、プライベートデータ、公開利用可能データ、商業的に利用可能なデータ、使用フェーズ５０３において感染予測モデル４０４を使用したテストを経た後にリサイクルされたテストデータ、及び／又は任意の他の遡及データソースを含むことができる。

【0138】

[00156] トレーニングに続き又はトレーニングと併せて、幾つかの実施態様では、感染予測システムは検証フェーズ５０２における検証を経て、システムが閾値レベルの予測精度を達成し、使用可能な状態であるか否かを判断することもできる。先に手短に考察したように、感染予測システムが検証される実施態様では、遡及データソース５０４からの１つ又は複数のトレーニングサンプルは、トレーニングフェーズ５０１外に保持することができ、感染予測システムの検証に使用することができる。

【0139】

[00157] 感染予測システムが、使用に十分な閾値レベルの予測精度を達成したと検証されると、システムは使用フェーズ５０３への準備ができる。しかしながら、幾つかの実施態様では、これはシステムを継続したトレーニングから除外しない。実際には、好ましい実施態様では、検証にも拘わらず、システムが連続更新され、システムの精度が改善し続けるように、感染予測システムはトレーニングを受け続ける。

【0140】

[00158] 使用フェーズ５０３を参照すると、感染予測システムを使用して、将来データソース５０５から受信した将来データと関連付けられた同じソースの植物生産物の集合における感染尤度を予測する。将来データソース５０５は、感染尤度が予測される同じソースの植物生産物の集合の部分集合についての独立変数（例えばバイオマーカ発現統計の集合）を記述するデータを含む。将来データソース５０５に含まれるデータは、公開利用可能データ、商業的に利用可能なデータ、プライベートエンティティ（例えば植物生産物生産者）から受信したデータ、及び／又は任意の他の将来データソースを含むことができる。

【0141】

[00159] 使用フェーズ５０３中、感染予測システムを使用して、同じソースの植物生産物の集合における感染尤度を予測した後、使用フェーズ５０３中、将来データソース５０５から感染予測システムによって受信した独立変数（例えばバイオマーカ発現統計の集合）及び同じソースの植物生産物の集合における実際の遡及感染率を遡及データとして使用して、システムをトレーニング又は検証することができる。換言すれば、使用フェーズ５０３中、感染予測システムによって使用される将来データ５０５は、トレーニングフェーズ５０１又は検証フェーズ５０２のそれぞれの間、感染予測システムのトレーニング又は検証に使用される遡及データ５０４になることができる。このようにして、感染予測システムは連続してトレーニング及び検証することができる。

【0142】

Ｘ．Ａ．トレーニング
[00160] 図５Ｂは、感染予測システム５０８がトレーニングされるシステム環境５００Ｂのブロック図である。図５Ｂに示すように、感染予測システム５０８をトレーニングするために、同じソースの植物生産物の遡及集合の部分集合についてのバイオマーカ表現統計の遡及集合５０６及び同じソースの植物生産物の遡及集合における実際の遡及感染率５０７は、感染予測システム５０８に入力される。

【0143】

[00161] バイオマーカ発現統計の遡及集合５０６及び実際の遡及感染率５０７が感染予測システム５０８に入力された後、感染予測システム５０８は、バイオマーカ発現統計の遡及集合５０６及び実際の遡及感染率５０７に基づいて、同じソースの植物生産物の集合における感染尤度５０９を特定し出力する。感染予測システム５０８によって出力される同じソースの植物生産物の集合における感染尤度５０９は、感染予測システム５０８に入力される実際の遡及感染率５０７に基づかない。むしろ、感染予測システム５０８によって特定され出力される感染尤度５０９は、実際の遡及感染率５０７と比較される。

【0144】

[00162] 感染予測システム５０８によって特定され出力された感染尤度５０９と実際の遡及感染率５０７とのこの比較は、感染予測システム５０８が、図４に関して先に詳細に考察したように、感染予測システム５０８の精度を最適化するパラメータを決定できるようにする。換言すれば、この比較は、感染予測システム５０８のトレーニングを可能にする。

【0145】

Ｘ．Ｂ．検証
[00163] 先に考察したように、幾つかの実施態様では、トレーニングに続き又はトレーニングと併せて、感染予測システム５０８は検証を経て、システムが閾値レベルの予測精度を達成したか否か及び使用可能な状態であるか否かを判断することもできる。図５Ｃは、感染予測システム５０８が検証されるシステム環境５００Ｃのブロック図である。

【0146】

[00164] 先に手短に考察したように、感染予測システム５０８のトレーニング中、１つ又は複数のトレーニングサンプルはトレーニング外に保持され、感染予測システムの検証に使用することができる。具体的には、図５Ｃに示すように、感染予測システム５０８を検証するために、同じソースの植物生産物の遡及集合の部分集合についてのバイオマーカ発現統計の遡及集合を含む、外に保持されたトレーニングサンプルは、感染予測システム５０８に入力される。しかしながら、トレーニングとは異なり、同じソースの植物生産物の集合における実際の遡及感染率は、感染予測システム５０８に入力されない。

【0147】

[00165] バイオマーカ発現統計の遡及集合５０６を感染予測システム５０８に入力した後、感染予測システム５０８は、バイオマーカ発現統計の遡及集合に基づいて同じソースの植物生産物の集合における感染尤度５０９を特定し出力する。次いで、感染予測システム５０８によって出力された感染尤度５０９は、感染予測システム５０８に入力されなかった同じソースの植物生産物の集合における実際の遡及感染率と比較される。

【0148】

[00166] 感染予測システム５０８によって特定され出力された感染尤度５０９と実際の遡及感染率５０７との比較は、感染予測システム５０８が閾値レベルの予測精度を達成したか否かを判断できるようにする。この比較に基づいて感染予測システム５０８が閾値レベルの予測精度を達成したと判断される場合、感染予測システム５０８は有効であると見なすことができ、使用可能な状態である。幾つかの実施態様では、感染予測システム５０８の検証は、感染予測システム５０８のトレーニングの終了に繋がる。しかしながら、代替の好ましい実施態様では、感染予測システム５０８の検証は、感染予測システム５０８をトレーニングから除外せず、感染予測システム５０８は、その使用全体を通して引き続きトレーニングを受ける。

【0149】

[00167] 比較に基づいて感染予測システム５０８が閾値レベルの予測精度を達成していないと判断される実施態様では、感染予測システム５０８は使用前に更にトレーニングすることができる。

【0150】

Ｘ．Ｃ．使用
[00168] 感染予測システム５０８が閾値レベルの予測精度を達成したとして検証されると、システムは使用可能な状態である。図５Ｄは、感染予測システム５０８が使用されるシステム環境５００Ｄのブロック図である。図５Ｄに示し、先に詳細に考察したように、感染予測システム５０８を使用するために、同じソースの植物生産物の集合の部分集合についてのバイオマーカ発現統計の集合５１０は、感染予測システム５０８に入力される。トレーニング及び検証とは異なり、バイオマーカ発現統計の集合５１０は、同じソースの植物生産物の遡及集合についての遡及データではない。むしろ、バイオマーカ発現統計の集合５１０は、実際の遡及感染率がまだ既知ではない同じソースの植物生産物の集合の部分集合についてのものである。

【0151】

[00169] バイオマーカ発現統計の集合５１０が感染予測システム５０８に入力された後、感染予測システム５０８は、バイオマーカ発現統計の集合５１０に基づいて同じソースの植物生産物の集合における感染尤度５０９を特定し出力する。使用中、この感染尤度５０９は同じソースの植物生産物の集合における実際の遡及感染率と比較されず、その理由は、同じソースの植物生産物の実際の遡及感染率がまだ既知ではないためである。その代わり、感染予測システム５０８によって出力された感染尤度５０９は、感染予測システム５０８の先のトレーニング及び検証に基づいて十分に正確であると仮定される。

【0152】

[00170] しかしながら、図５Ａに関して先に考察したように、同じソースの植物生産物の集合における実際の遡及感染率が既知になると、同じソースの植物生産物の集合における実際の遡及感染率及び感染予測システム５０８によって出力された感染尤度５０９を使用して、システムをトレーニング及び／又は検証することができる。このようにして、感染予測システム５０８は使用全体を通して連続してトレーニング及び検証することができる。

【0153】

ＸＩ．感染予測に基づく植物生産物の処理
[00171] 同じソースの植物生産物の集合における感染尤度の予測に続き、予測感染尤度は任意の形態で提供することができる。幾つかの実施態様では、感染尤度は閲覧ユーザに自動的に提示される（例えばデジタル表示される）。更なる実施態様では、感染尤度は自動的及び電子的に記憶、自動的にリモートシステムに無線送信、及び／又は任意の他の方法によって返すことができる。

【0154】

[00172] 幾つかの実施態様では、感染尤度が予測される同じソースの植物生産物の集合は、予測感染尤度に基づいて処理を受けることができる。例えば、一実施態様では、予測感染尤度に基づいて、感染リスクが高い同じソースの植物生産物の集合を識別することができる。

【0155】

[00173] 別の実施態様では、予測感染尤度に基づいて、同じソースの植物生産物の集合への抗菌剤処理を提供又は抗菌剤処理の投与を処方することができる。具体的には、感染の進行を阻止するために、予測感染尤度が相対的に高い植物生産物の集合に抗菌剤処理を提供又は処方することができる。代替的には、予測感染尤度が相対的に低い植物生産物の集合には低量の抗菌剤処理投与を処方することができ、又は抗菌剤処理投与を処方しなくてよく、したがって、資源を最適化し、抗菌剤の全体使用を潜在的に低下させることができる。

【0156】

[00174] 幾つかの実施態様では、本開示の趣旨は、植物貯蔵倉庫等の第１の場所から別の植物貯蔵倉庫、他の流通センター、又は市場等の第２の場所に車両を使用した輸送中の植物を評価するのに使用することができる。そのような実施態様では、閾値レベルを超える感染が検出される場合、第２の場所よりも車両の現在場所に地理的により近い第３の場所に車両を方向変更させるアラートを生成することができる。幾つかの実施態様では、これは、車両（例えばトラック、飛行機、又はボート）の運転者、パイロット、又は船長に第３の場所にナビゲートするように通知することを含むことができる。そのような方向変更は、例えば、検出された感染の進行を遅くしようとして１つ又は複数の感染した植物をより素早く冷蔵することができるように行われ得る。幾つかの実施態様では、これは、潜伏感染により１つ又は複数の感染した植物が軸枯等のように腐る前に、１つ又は複数の感染した植物を救うことができる。しかしながら、本開示はそのように限定されない。代わりに、他の実施態様では、第３の場所は、車両が第２の場所に向かい続けるのを許可する前に、上述したように抗菌剤処理を用いて１つ又は複数の感染した植物を処理できるようにする抗菌剤処理施設であり得る。代替的には、１つ又は複数の植物閾値レベル未満の感染が検出されたと判断される場合、車両を方向変更するアラートは生成されず、車両は現在の航路に沿って継続することが許される。

【0157】

[00175] 同じソースの植物生産物の集合がまだ収穫されていない一実施態様では、植物生産物の集合は、予測感染尤度に基づいて選択的に収穫することができる。例えば、一実施態様では、植物生産物の収穫時は、植物生産物の集合の予測感染尤度に基づいて決定し得る。別の例示的な実施態様では、植物生産物の集合の予測感染尤度に基づいて、植物生産物の集合を収穫する方法を決定し得る。

【0158】

[00176] 別の実施態様では、予測感染尤度に基づいて、同じソースの植物生産物の集合の品質保証を決定することができる。例えば、品質保証は、予測感染尤度が特定の閾値を下回る同じソースの植物生産物の集合に対して決定することができる。例えば、品質保証は、予測感染尤度が５％、１０％、１５％、２０％、又は２５％未満である同じソースの植物生産物の任意の集合に対して決定することができる。

【0159】

[00177] 別の実施態様では、予測感染尤度に基づいて、同じソースの植物生産物の集合の消費者及び地理的行先の少なくとも一方を識別することができる。例えば、予測感染尤度が相対的に高い植物生産物の集合は、長距離輸送にわたる感染の進行を裂けるために、近くの地理的行先の消費者に送ることができる。同様に、予測感染尤度が相対的に高い植物生産物の集合は、産物基準が相対的に低い顧客に送ることができる。

【0160】

[00178] 別の実施態様では、予測感染尤度に基づいて、同じソースの植物生産物の集合に対してエチレン処理を差し控え、又はエチレン処理投与を提供若しくは処方することができる。具体的には、エチレン処理を使用して、植物生産物の成熟速度を変更する。しかしながら、外因性エチレンの適用又はエチレンブロッカー／経路阻害剤の適用は例えば、幾つかの植物生産物の幾つかの感染の進行を変更することもある。したがって、予測感染尤度が相対的に高い植物生産物の集合では、エチレン処理を避けることができ、又は代替的には植物生産物での感染進行の加速を阻止するように提供若しくは適宜処方することができる。

【0161】

[00179] 別の実施態様では、植物生産物における予測感染尤度に基づいて、同じソースの植物生産物の集合についての１つ又は複数の貯蔵条件を識別することができる。貯蔵条件は貯蔵温度及び／又は貯蔵湿度を含むことができる。例えば、予測感染尤度が相対的に高い植物生産物の集合では、植物生産物の集合は、植物生産物の感染進行を遅くするために、低温及び／又は低湿で貯蔵することができる。

【0162】

[00180] 更に別の実施態様では、植物生産物の集合における予測感染尤度に基づいて、収穫後処理を同じソースの植物生産物の集合に提供することができる。例えば、収穫後処理は、予測感染尤度が高い同じソースの植物生産物の集合に提供することができる。収穫後処理は、Ａｐｅｅｌ処理及び任意の他の収穫後処植物生産物処理を含むことができる。

【0163】

[00181] 上述した感染予測後処理ステップに加えて、同じソースの植物生産物の集合は、その植物生産物の集合に対して特定された予測感染尤度に基づいて任意のタイプの処理を受けることができる。さらに、予測感染尤度の提供に加えて、本明細書に開示される方法は、予測感染尤度に基づいて植物生産物処理指示をユーザに提供することを含むこともできる。これらの指示は、先に触れた植物処理ステップのいずれかを含め、任意の植物生産物処理ステップを実行するようにユーザに指示することができる。更なる実施態様では、同じソースの植物生産物の集合における予測感染尤度に基づく植物処理ステップは自動的に実行することができる。

【0164】

ＸＩＩ．例１－アボカドにおけるＣ．グロエオスポリオイデス（C.gloeosporioides）感染の予測
[00182] 以下の例は、先に紹介した感染予測方法を検証する。より具体的には、以下の例は、同じソースのアボカドの集合におけるＣ．グロエオスポリオイデス（C.gloeosporioides）感染の尤度予測について説明する。

【0165】

ＸＩＩ．Ａ．外部感染したアボカドにおける感染バイオマーカの識別
[00183] 先に考察したように、植物生産物における感染バイオマーカは、非感染植物生産物と比較して感染植物生産物で差次的に発現するバイオマーカを含む。さらに、感染バイオマーカは、例えば少なくとも０．１倍率変化という閾値により、非感染植物生産物と比較して感染植物生産物で差次的に発現すると特定されているバイオマーカを含むことができる。アボカドにおけるＣ．グロエオスポリオイデス（C.gloeosporioides）感染バイオマーカ（例えばＣ．グロエオスポリオイデス（C.gloeosporioides）に感染していないアボカドと比較してＣ．グロエオスポリオイデス（C.gloeosporioides）に感染したアボカドで差次的に発現するアボカドバイオマーカ）を識別するために、ＰＡＬ、ＧＳＴ、ＣＯＭＴ、ＷＲＫＹ７５、Ｆ３Ｈ、ＰＲ６、ＰＲ５、ＣｈｉＢ、ＣｈｉＡ、ＬＯＸ、Ｐｒｂｌ－２、及びＣａｔ遺伝子をスクリーニングに選択した。感染バイオマーカとしてスクリーニングに選択されたこれらの遺伝子は、本明細書では「感染バイオマーカ候補」と呼ばれる。

【0166】

[00184] 複数の３０個のアボカドの各々にＣ．グロエオスポリオイデス（C.gloeosporioides）の胞子１００個を外部から接種し、複数の３０個のアボカドの各々に水を外部から接種した。水を接種したアボカドは実験コントロールとして機能した。４８時間後、各アボカドの芯を抜き、ＲＮＡを抽出した。次いでＲＴ－ｐＰＣＲを使用して、複数の感染したアボカドの各アボカドについて及び複数のコントロールアボカドの各アボカドについて、各感染バイオマーカ候補の発現レベルを特定した。複数の感染したアボカドの各アボカドについて及び複数のコントロールアボカドの各アボカドについて、ハウスキーピングバイオマーカ、即ちアクチン遺伝子の発現レベルもＲＴ－ｑＰＣＲを使用して特定した。ＰＡＬ及びアクチン遺伝子プローブ配列並びにｑＰＣＲを実行してＰＡＬ及びアクチン遺伝子の発現レベルをそれぞれ特定するために使用された関連付けられたフルオロフォアを以下の表３に示す。感染バイオマーカ、即ちＡＣＳ１及びＡＣＯ１遺伝子についてのプローブ配列及び関連付けられたｑＰＣＲフルオロフォアも以下の表３に示す。

【0167】

【表4】

【0168】

[00185] 図２Ｃに関して上述したように、感染バイオマーカ候補及びアクチン遺伝子の発現レベルに基づいて、複数の感染したアボカドの各アボカド及び複数のコントロールアボカドの各アボカドにおける各感染バイオマーカ候補の正規化発現レベルを特定した。具体的には、各アボカドについて、アボカドにおける感染バイオマーカ候補のｌｏｇ_１０発現レベルとアボカドにおけるアクチン遺伝子のｌｏｇ_１０発現レベルとの比率を特定することにより、各感染バイオマーカ候補の正規化発現レベルを特定した。最後に、複数の感染したアボカド及び複数のコントロールアボカドでの各感染バイオマーカ候補の平均正規化発現レベルを特定した。図６は、複数の感染したアボカド及び複数のコントロールアボカドでの各感染バイオマーカ候補の平均正規化発現レベルを示すグラフ６００である。

【0169】

[00186] 複数の感染したアボカドでの感染バイオマーカ候補の平均正規化発現レベルを複数のコントロールアボカドでの感染バイオマーカ候補の平均正規化発現レベルと比較することにより、コントロールアボカドと比較して感染したアボカドで差次的に発現したバイオマーカを識別した。具体的には、各感染バイオマーカ候補は、コントロールアボカドと比較して少なくとも０．１倍率、感染したアボカドで差次的発現を示すと特定された（即ち、感染したアボカドでの各感染バイオマーカ候補の発現は、コントロール（非感染）アボカドの少なくとも１．１倍であった）。したがって、ＰＡＬ、ＧＳＴ、ＣＯＭＴ、ＷＲＫＹ７５、Ｆ３Ｈ、ＰＲ６、ＰＲ５、ＣｈｉＢ、ＣｈｉＡ、ＬＯＸ、Ｐｒｂｌ－２、及びＣａｔ遺伝子を含む感染バイオマーカ候補は、アボカドでの真の感染バイオマーカとして識別された。

【0170】

[00187] さらに、フェニルプロパノイド経路での２つの遺伝子（ＰＡＬ及びＧＳＴ）並びに３つの病原体応答遺伝子（ＰＲ６、ＰＲ５、及びＣｈｉＢ）は、コントロールアボカドと比較して、感染したアボカドで少なくとも１倍率差次的に発現するとして識別された（即ち感染したアボカドでのこれらの各遺伝子の発現は、コントロール（非感染）アボカドでの発現の少なくとも２倍であった）。換言すれば、識別された感染バイオマーカのうち、ＰＡＬ、ＧＳＴ、ＰＲ６、ＰＲ５、及びＣｈｉＢ遺伝子は、早期時点（接種後２４時間又は４８時間）でアボカドにおいて少なくとも１倍率の好ましい閾値差次的発現を示すと特定された。即ち、感染したアボカドにおけるこれらの遺伝子の少なくとも１倍率（即ち１００％）の発現増大は多くの場合、接種後５０時間未満、４０時間未満、３０時間未満、又は２５時間未満で検出することができた。

【0171】

[00188] この例で識別された感染バイオマーカのように、この例で記載したものと同様の方法を使用して追加の感染バイオマーカを識別し、表１に列記することができる。同様に、この例で記載したものと同様の方法を使用して、アボカド以外の例での感染植物生産物と非感染植物生産物との間の少なくとも０．１倍率変化の差次的発現を示す追加の感染バイオマーカを識別し、表１に列記することができる。

【0172】

ＸＩＩ．Ｂ．内部感染したアボカドにおける感染バイオマーカの識別
[00189] 外部感染したアボカドにおける感染バイオマーカの識別に加えて、先に識別された感染バイオマーカは、内部感染したアボカドにおける感染とも相関することが確認された。具体的には、先に感染バイオマーカとして識別されたＰＡＬ遺伝子の、内部感染率の高いアボカドでの発現を内部感染率の低いアボカドでの発現と比較して、ＰＡＬ遺伝子の発現増大が、アボカドでの高内部感染率と相関することが確かめられた。

【0173】

[00190] ＰＡＬ遺伝子の発現増大がアボカドでの高内部感染率と相関することを確かめるために、アボカドの１１のロットＡ～Ｋ（例えば同じ梱包色相番号を有する同じソースのアボカドの集合）を１１週間にわたって研究した。具体的には、アボカドの１ロットを各週研究した。各ロットから、３０個のアボカドを成熟のために取り置いた。成熟すると、これらの３０個のアボカドを軸枯病として呈された感染について検査した。この検査に基づいて、アボカド３０個の各集合について、軸枯病発生率を特定し、３０個のアボカドの元のロットに外挿した。図７Ａは、アボカドの各ロットＡ～Ｋでの軸枯病発生率を示すグラフ７００Ａである。アボカドの各ロットＡ～Ｋを高軸枯病発生率（例えば５％超、１０％超、若しくは１５％超）又は低軸枯病発生率（例えば５％未満、１０％未満、若しくは１５％未満）の何れかを有するものとして更に分類した。高軸枯病発生率（この場合、１５％）を有するアボカドのロットは、図７Ａでは斜線で埋められたバーによって示されている。逆に、低軸枯病発生率を有するアボカドのロットは、図７Ａではパターンで埋められていないバーによって示されている。

【0174】

[00191] 成熟後、軸枯病について各ロットＡ～Ｋからの３０個のアボカドを検査することに加えて、成熟前、各ロットからの６個の未熟なアボカドの芯を取り、ＲＮＡを抽出した。次いでＲＴ－ｑＰＣＲを使用して、各アボカドでのＰＡＬ遺伝子の発現レベルを特定した。具体的には、各ロットＡ～Ｋからの６個のアボカドの各々について、ＰＡＬ遺伝子と関連付けられたＲＮＡ転写物のコピー数を特定した。ハウスキーピングバイオマーカ、即ちアクチン遺伝子の発現レベルも、各アボカドについてＲＴ－ｑＰＣＲを使用して特定した。具体的には、各ロットＡ～Ｋからの６個のアボカドの各々について、アクチン遺伝子と関連付けられたＲＮＡ転写物のコピー数を特定した。ＰＡＬ及びアクチン遺伝子プローブ配列並びにｑＰＣＲを実行してＰＡＬ及びアクチン遺伝子の発現レベルを特定するために使用された関連付けられたフルオロフォアを表３において先に示した。

【0175】

[00192] ＰＡＬ遺伝子及びアクチン遺伝子の発現レベルに基づいて、各アボカドのＰＡＬ遺伝子の正規化発現レベルを特定した。具体的には、各アボカドについて、アボカドにおけるＰＡＬ遺伝子の発現レベルとアボカドにおけるアクチン遺伝子の発現レベルとの比率を特定することにより、ＰＡＬ遺伝子の正規化発現レベルを特定した。

【0176】

[00193] 図７Ｂは、アボカドの各ロットからテストされた６個のアボカドの各アボカドでのＰＡＬ遺伝子の正規化発現レベルを、それらのアボカドの元のロット内の軸枯病発生率と比較するグラフ７００Ｂである。ＰＡＬ遺伝子の正規化発現レベルが特定された各アボカドは、図７Ｂにおいて点として表されている。

【0177】

[00194] 図７Ｂに示すように、一般に、高軸枯病発生率を有すると分類されたアボカドのロットからのアボカドにおけるＰＡＬ遺伝子の正規化発現レベルは、低軸枯病発生率を有すると分類されたアボカドのロットからのアボカドよりも高かった。具体的には、図７Ｂに表される６６個のアボカドのうちの６１個（例えば９２．４％）は、高軸枯病発生率及び１よりも大きいＰＡＬ正規化発現レベル又は低軸枯病発生率及び１未満のＰＡＬ正規化発現レベルのいずれかを示した。したがって、図７Ｂは、ＰＡＬ遺伝子発現レベルの増大がアボカドでの高外部感染率と相関することを確認する。

【0178】

ＸＩＩ．Ｃ．アボカドにおける老化依存感染バイオマーカ
[00195] 結果を図８に示す続く実験では、アボカドが老化するにつれてＰＡＬ遺伝子がアボカドでますます大きく発現することが特定された。実験では、アボカドの２つの別個のロットを評価した。「ＭＸ２８」と記され、図８において中実グレー色で示されているアボカドの第１のロットは、低感染発生率（５％）を有した。「ＭＸ２９」と記され、図８においてチェックパターンで示されているアボカドの第２のロットは、高感染発生率（１７％）を有した。これらの感染発生率は、図７Ａに関して上述したように、ロットの成熟後、軸枯病についてアボカドのロットを検査することによって特定された。

【0179】

[00196] 成熟後、軸枯病について２つのロットからのアボカドを検査することに加えて、アボカドの梱包（例えば収穫）に続く７～１２日の各日でＰＡＬ遺伝子発現について各ロットからの６個のアボカドをテストした。換言すれば、梱包後７～１２日の各日で、アボカドの２つのロットＭＸ２８及びＭＸ２９の各々からの６個のアボカドの芯を取り、ＲＮＡを抽出した。次いでＲＴ－ｑＰＣＲを使用して、各アボカドでのＰＡＬ遺伝子の発現レベルを特定した。具体的には、各アボカドについて、ＰＡＬ遺伝子と関連付けられたＲＮＡ転写物のコピー数を特定した。各アボカドについて、ＲＴ－ｑＰＣＲを使用してハウスキーピングバイオマーカ、即ちアクチン遺伝子の発現レベルも特定した。具体的には、各アボカドについて、アクチン遺伝子と関連付けられたＲＮＡ転写物のコピー数を特定した。ＰＡＬ及びアクチン遺伝子プローブ配列並びにｑＰＣＲを実行してＰＡＬ及びアクチン遺伝子の発現レベルを特定するために使用された関連付けられたフルオロフォアを表３において先に示す。

【0180】

[00197] ＰＡＬ遺伝子及びアクチン遺伝子の発現レベルに基づいて、各アボカドのＰＡＬ遺伝子の正規化発現レベルを特定した。具体的には、各アボカドについて、アボカドにおけるＰＡＬ遺伝子の発現レベルとアボカドにおけるアクチン遺伝子の発現レベルとの比率を特定することにより、ＰＡＬ遺伝子の正規化発現レベルを特定した。

【0181】

[00198] 図８は、アボカドのＭＸ２８ロット及びＭＸ２９ロットの両方での梱包後７～１２日にテストした６個のアボカドの各々におけるＰＡＬ遺伝子の正規化発現レベルを示すグラフ８００である。図８に示すように、アボカドのＭＸ２８ロット及びＭＸ２９ロットの両方で、梱包後７日と１２日との間の時間にわたってＰＡＬ遺伝子の発現レベルは上がった。換言すれば、アボカドのＰＡＬ遺伝子の発現レベルは、アボカドが老化するにつれて経時増大した。しかしながら、これも図８に示されるように、ＰＡＬ遺伝子の発現レベルは平均で、アボカドのＭＸ２８ロット（例えば感染発生率が低いアボカドのロット）からのアボカドよりもアボカドのＭＸ２９ロット（例えば感染発生率が高いアボカドのロット）からのアボカドにおいてより大きく経時増大した。さらに、ＰＡＬ遺伝子の発現レベルは平均で、アボカドのＭＸ２８ロット（例えば感染発生率が低いアボカドのロット）からのアボカドよりもアボカドのＭＸ２９ロット（例えば感染発生率が高いアボカドのロット）からのアボカドにおいてより早く増大した。

【0182】

[00199] ＰＡＬ遺伝子等の幾つかの感染バイオマーカの発現が、植物生産物間の感染バイオマーカ発現のばらつきを考慮に入れて、感染発生率が低いアボカドと比較して感染発生率が高い熟しつつあるアボカドでより早く及びより大きく経時増大するというこの観測に基づいて、幾つかの実施態様では、感染バイオマーカの正規化発現レベルは、感染バイオマーカの発現レベル及び別の感染バイオマーカの発現レベルに基づいて特定することができる。具体的には、幾つかの実施態様では、所与の植物生産物について、ある感染バイオマーカの正規化発現レベルは、その感染バイオマーカの発現レベルと別の感染バイオマーカの発現レベルとの比率及び／又はその感染バイオマーカの発現レベルと別の感染バイオマーカの発現レベルとの積を計算することによって特定することができる。別の感染バイオマーカに対して感染バイオマーカの発現を正規化することにより、植物生産物間のベースライン感染バイオマーカ発現のばらつきをコントロールすることができる。

【0183】

ＸＩＩ．Ｄ．感染予測システムに向けたトレーニングデータセット生成の最適化
[00200] 感染尤度を正確に予測するように上記感染予測システムを十分にトレーニングするためには、ロバストなトレーニングデータセットが必要である。感染予測システムを十分にトレーニングするためのそのようなロバストなトレーニングデータを生成するために、トレーニングデータセットのトレーニングサンプルを生成する方法が最適化された。特に、バイオマーカ解析に向けて植物生産物を準備する方法を上述したように最適化した。

【0184】

[00201] バイオマーカ解析に向けて植物生産物を準備する方法を最適化することで、感染予測システムをトレーニングするに当たり使用するための大きなトレーニングデータセットを効率的に生成できるようになる。具体的には、上述した植物産物準備最適化方法を利用することにより、植物生産物でのバイオマーカの発現レベルは、本明細書に記載の植物生産物準備最適化方法が使用されない場合の１～２日とは対照的に、６時間で特定することができる。植物生産物でのバイオマーカ発現レベルの特定に必要な時間の長さを１～２日から６時間に短縮することにより、日中の時点中に植物生産物サンプルの再テストを複数回実行することができ、この増殖性データを使用して、感染予測システム用に大きなトレーニングデータセットを素早く生成することができる。

【0185】

[00202] 例えば、アボカドにおける感染尤度を予測するように構成された感染予測システム用のトレーニングデータで使用するために、植物生産物でのバイオマーカ発現レベルの特定に必要な時間の長さ短縮に起因して、０日目の時点で６２ロットからの３８４個のアボカドを感染バイオマーカ発現レベルについて再テストし、各アボカドでの感染バイオマーカ発現を、アボカドの元のロットでの感染発生率と相関付けた。具体的には、ＲＴ－ｑＰＣＲを使用して、０日目の時点で３８４個のアボカドをＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子発現についてテストした。ＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子と関連付けられたＲＮＡ転写物のコピー数を各アボカドで特定した。ＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子プローブ配列並びにｑＰＣＲの実行に使用された関連付けられたフルオロフォアは先に表３及び表４に示されている。

【0186】

[00203] 各アボカドについて、ＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子並びにアクチン遺伝子の発現レベルに基づいて、ＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子の正規化発現レベルを特定した。具体的には、各アボカドについて、アボカドにおけるＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子の発現レベルとアボカドにおけるアクチン遺伝子の発現レベルとの比率を特定することにより、ＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子の正規化発現レベルを特定した。次いで各アボカドについて、ＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子の正規化発現レベルの最小最大正規化^６及び対数変換を実行することにより、ＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子の特徴スケーリング発現レベルを特定した。次に、各アボカドでのＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子の特徴スケーリング発現レベルの比率並びに各アボカドでのＰＡＬ、アクチン、ＡＣＳ１、及びＡＣＯ１遺伝子の特徴スケーリング発現レベルの積を特定することにより、３８４個のテストされたアボカドについてのバイオマーカ発現統計の集合を特定した。さらに、３８４個のアボカドの成熟に続き、軸枯病として現れた実際の感染発生率をアボカドの各トレーニングロットで特定した。

【0187】

[00204] ３８４個の各アボカドでのＰＡＬ、ＡＣＳ１、及びＡＣＯ１遺伝子の特徴スケーリング発現レベルと３８４個のアボカドの元の各ロットの実際の感染発生率との比率及び積を使用して、個々のアボカドにおける感染尤度を予測するようにバイナリロジスティック回帰モデルを含む感染予測システムをトレーニングするためのトレーニングデータセットを作成した。

【0188】

[00205] 感染予測システムのトレーニングの間、感染予測システムは、各アボカドでのＰＡＬ、ＡＣＳ１、及びＡＣＯ１遺伝子の特徴スケーリング発現レベルの比率及び積に基づいて、トレーニングデータセットと関連付けられた３８４個のアボカドの各々における感染尤度を予測した。次いでトレーニングデータセットからの各アボカドについて、感染予測システムによって特定された予測感染尤度を、アボカドの元のロットの実際の感染発生率と比較した。トレーニングデータセットでの各アボカドの予測感染尤度と実際の感染発生率とのこの比較を図９に示し、更に詳細に以下考察する。

【0189】

[00206] ３８４個のアボカドに基づくトレーニングデータセットを用いた感染予測システムのトレーニングに続き、感染予測システムは、上述したものと同様の方法に従ってテストアボカドの１２ロット中の各アボカドをテストした。より具体的には、感染予測システムのトレーニングに続き、感染予測システムはテストアボカドの各々の感染尤度を予測した。テストされたアボカドが熟したことに続き、アボカドの各テストロットでの、軸枯病として現れた実際の感染発生率を特定した。

【0190】

[00207] トレーニングデータセットにおけるアボカドのように、テストデータセットからの各アボカドについて、感染予測システムによって特定される予測感染尤度をアボカドの元のロットの実際の感染発生率と比較した。テストデータセットにおける各アボカドについての予測感染尤度と実際の感染発生率とのこの比較を図９に示す。

【0191】

[00208] 図９は、感染予測システムの予測性能を示すグラフ９００である。図９では、黒い点はトレーニングデータからのアボカドを表し、グレーの点はテストデータセットからのアボカドを表す。図９は、感染予測システムによって予測された各アボカドの感染尤度をアボカドの元のロットの実際の感染発生率と比較する。図９を通して描かれた破線水平線は予測感染尤度５０％を示し、図９を通して描かれた破線垂直線は５％の感染発生率閾値を示す。

【0192】

[00209] 感染予測システムは、トレーニングデータセットからの未熟アボカドが、熟したときに５％よりも高い軸枯病発生率を有するアボカド（同じソース）に属するか否かを少なくとも８５％精度で予測することが可能であった。さらに、感染予測システムは、テストデータセットからの未熟アボカドが、熟したときに５％よりも高い軸枯病発生率を有するアボカド（同じソース）に属するか否かを少なくとも８５％精度で予測することが可能であった。

【0193】

ＸＩＩ．Ｅ．感染予測システムの最適化
[00210] 上述したように感染予測システムに向けてトレーニングデータを生成する方法を最適化することに加えて、感染予測システム自体も、各感染予測システムをトレーニング、検証、そしてテストする効率的なデータパイプラインを使用して多様な異なる感染予測システムを互いと比較することによって最適化した。感染予測システムのトレーニング、検証、及びテストに使用されるデータパイプラインは、本開示全体を通して、特に先の図１～図５Ｄに関して説明される。さらに、図１０Ａ～図１０Ｃは、感染予測システムをトレーニング、検証、そしてテストする、異なる粒度のデータパイプライン例を示す。

【0194】

[00211] 図１０Ａは、感染予測システムをトレーニング、検証、そしてテストするデータパイプライン例の全体図１０００Ａのブロック図である。図１０Ａに示す実施態様では、同じソースの植物生産物の７４個の集合（例えばアボカドのロット）を使用して、感染予測システムをトレーニング、検証、そしてテストする。図１０Ｂに関して更に詳細に以下考察するように、図１０Ａに示す実施態様では、同じソースの植物生産物の集合の８０％は、感染予測システムをトレーニングし検証するのに選択され、一方、同じソースの植物生産物の集合の２０％は、感染予測システムをテストするのに選択される。したがって、同じソースの植物生産物の７４個の集合のうちの６２個は、感染予測システムをトレーニングし検証するのに選択され、同じソースの植物生産物の７４個の集合のうちの１２個は、感染予測システムをテストするのに選択される。

【0195】

[00212] 感染予測システムのトレーニングされた及び検証に使用される同じソースの植物生産物の６２個の集合のうち、５１個は感染予測システムのトレーニングに使用され、同じソースの植物生産物の６２個の集合のうちの５個は、感染予測システムの検証に使用される。図１０Ａに示すように、感染予測システムの検証は５分割交差検証として実行され、感染予測システムが合計２５倍率のデータにわたって検証されることを意味する。

【0196】

[00213] 感染予測システムのトレーニング及び検証に続き、感染予測システムは、上述したように選択された１２のテストデータセットを使用してテストされる。図１０Ｃに関して詳細に以下考察するように、これらのテストデータセットでの感染予測システムの性能を特定し、それを使用して、将来の使用のために性能が最良の感染予測システムを識別することができる。

【0197】

[00214] 次に図１０Ｂを参照すると、図１０Ｂは、同じソースの植物生産物の集合の感染尤度が５％よりも大きいか、それとも５％未満であるかを予測するように構成された感染予測システムをトレーニング、検証、そしてテストするための例示的なデータパイプライン１０００Ｂのブロック図である。図１０Ｂに示す実施態様では、感染予測システムのデータパイプラインは、開始入力及び５つの別個のステップを含む。図１０Ｂに示される実施態様ではまた、植物生産物はアボカドを含み、同じソースの植物生産物の集合はアボカドのロットを含む。しかしながら、代替の実施態様では、図１０Ｂのステップは任意の代替の植物生産物に適用することができる。

【0198】

[00215] 図１０Ｂに示すように、開始入力は、同じソースのアボカドのロットからのアボカドを含む。開始入力は、アボカドにおける１つ又は複数の感染バイオマーカ及び１つ又は複数のハウスキーピングの発現レベルも含む。図１０Ｂにおけるデータパイプラインの実施態様では、ＰＡＬ、ＡＣＯ、及びＡＣＳ遺伝子が１つ又は複数の感染バイオマーカであり、アクチン遺伝子が１つ又は複数のハウスキーピングバイオマーカである。幾つかの実施態様では、遺伝子の発現レベルは、その遺伝子と関連付けられたＲＮＡ転写物のコピー数を含むことができる。特に、図１０Ｂでは、アボカドでのアクチン、ＰＡＬ、ＡＣＯ、及びＡＣＳ遺伝子の発現レベルは、アボカドでのそれらの遺伝子と関連付けられたＲＮＡ転写物のコピー数を含む。

【0199】

[00216] 感染予測システムのデータパイプラインのステップ１は、感染バイオマーカ及びハウスキーピングバイオマーカの発現レベルに基づいて、アボカドにおける各感染バイオマーカの正規化発現レベルを特定することを含む。より具体的には、ステップ１において、アボカドにおける各感染バイオマーカの正規化発現レベルが、アボカドにおける感染倍マーカと関連付けられたＲＮＡ転写物のコピー数とアボカドにおけるハウスキーピングバイオマーカと関連付けられたＲＮＡ転写物のコピー数との比率を特定することによって特定される。したがって、図１０Ｂに示すように、ＰＡＬ遺伝子と関連付けられたＲＮＡ転写物のコピー数とアクチン遺伝子と関連付けられたＲＮＡ転写物のコピー数との比率（例えばＰＡＬ／アクチン）が特定され、ＡＣＯ遺伝子と関連付けられたＲＮＡ転写物のコピー数とアクチン遺伝子と関連付けられたＲＮＡ転写物のコピー数との比率（例えばＡＣＯ／アクチン）が特定され、ＡＣＳ遺伝子と関連付けられたＲＮＡ転写物のコピー数とアクチン遺伝子と関連付けられたＲＮＡ転写物のコピー数との比率（例えばＡＣＳ／アクチン）が特定される。

【0200】

[00217] 次に、図１０Ｂに示されるデータパイプラインのステップ２において、ステップ１において特定された各感染バイオマーカの正規化発現レベルの特徴スケーリング発現レベルが特定される。感染バイオマーカの正規化発現レベルの特徴スケーリング発現レベルを特定するために、数学的正規化関数が感染バイオマーカの正規化発現レベルに適用される。例えば、特定の実施態様では、感染バイオマーカの正規化発現レベルの特徴スケーリング発現レベルは、感染バイオマーカの正規化発現レベルの最小最大正規化^６及び対数変換の少なくとも一方を実行することによって特定される。ステップ２において、ＰＡＬ、ＡＣＯ、及びＡＣＳ遺伝子の正規化発現レベルの特徴スケーリング発現レベルが特定される。

【0201】

[00218] 次いでステップ３において、上述したようにステップ１及び２を経た個々のアボカドは、元のロットに従って一緒にグループ化される。換言すれば、同じソースのアボカドの共通集合からの個々のアボカドの部分集合が一緒にグループ化される。次いで、部分集合の各アボカドについて特定された各感染バイオマーカの特徴スケーリング発現レベルに基づいて、アボカドの各部分集合のバイオマーカ発現統計の集合が特定される。幾つかの実施態様では、アボカドの部分集合についてのバイオマーカ発現統計の集合は、部分集合中のアボカドに特定された各感染バイオマーカの特徴スケーリング発現レベルの平均、メジアン、最小、最大、標準偏差、５パーセンタイル、１０パーセンタイル、１５パーセンタイル、２０パーセンタイル、２５パーセンタイル、５０パーセンタイル、７５パーセンタイル、８０パーセンタイル、９０パーセンタイル、９５パーセンタイル、及び９９パーセンタイルの少なくとも１つ、アボカドの部分集合の各アボカドについての各感染バイオマーカの特徴スケーリング発現レベルと他の各感染バイオマーカの特徴スケーリング発現レベルとの比率、アボカドの部分集合の各アボカドについての各感染バイオマーカの特徴スケーリング発現レベルと他の各感染バイオマーカの特徴スケーリング発現レベルとの積を含む。

【0202】

[00219] 最後に、ステップ３において、アボカドの部分集合が取られた元の同じソースのアボカドの集合の成熟に続き、同じソースのアボカドの集合は、軸枯病として現れた感染について検査される。この検査に基づいて、同じソースのアボカドの集合での軸枯病の実際の感染率が特定され、同じソースのアボカドの各集合は、例えば、５％よりも大きい軸枯病発生率を有するもの又は５％未満の軸枯病発生率を有するものとして分類される。

【0203】

[00220] 次にステップ４を参照すると、バイオマーカ発現統計の集合及び軸枯病発生率が特定されたアボカドの部分集合が、感染予測システムをトレーニングするため又は感染予測システムをテストするためにランダムに選択される。図１０Ｂに示す実施態様では、ステップ３において処理されたアボカドの部分集合の８０％は、感染予測システムをトレーニングするのに選択され、一方、ステップ３において処理された植物生産物の部分集合の２０％は、感染予測システムをテストするのに選択される。

【0204】

[00221] 最後に、図１０Ｂに示されるデータパイプラインのステップ５において、感染予測システムは、ステップ４において選択されたトレーニングデータセットを使用してトレーニングされる。図４及び図５Ｂに関して詳細に先に考察したように、感染予測システムをトレーニングすることは、損失関数を最小化するようにシステムのパラメータを最適化することを含む。ステップ５において感染予測システムをトレーニングすることに加えて、感染予測システムは、図５Ｃ及び図１０Ａに関して詳細に先に考察したように、外に置かれていたトレーニングデータサンプルを使用した検証も受ける。ステップ５における感染予測システムのトレーニング及び検証に続き、図１０Ｃに関して以下考察するように、感染予測システムはステップ４において選択されたテストデータセットを使用してテスト可能な状態になる。

【0205】

[00222] 図１０Ｃを参照すると、図１０Ｃは、図１０Ｂの感染予測システムの性能をテストし査定するための例示的な方式１０００Ｃのブロック図である。図１０Ｃに示すように、図１０Ｂからの、トレーニングされ検証された感染予測システムは、図１０Ｂのデータパイプラインのステップ４において選択されたテストデータセットを使用して、図５Ｄに関して詳細に先に考察したようにテストされる。具体的には、テストデータセットに含まれるアボカドの各部分集合について、図１０Ｂのステップ３において部分集合に特定されたバイオマーカ発現統計が感染予測システムに入力される。次いで感染予測システムは、アボカドの部分集合が取られた同じソースのアボカドの集合の感染尤度が、例えば５％よりも大きいか、それとも５％よりも小さいかの予測を出力する。

【0206】

[00223] 最後に、テストされたアボカドの各部分集合について、アボカドの部分集合が取られた同じソースのアボカドの集合における感染尤度の感染予測システムによる予測が、図１０Ｂのステップ３において特定された同じソースのアボカドの集合における既知の感染発生率と比較される。この比較に基づいて、感染予測システムの正解率、適合率、及び再現率を特定することができる。

【0207】

[00224] 異なる感染予測システムの性能を比較して、将来の感染予測への使用に最良のシステムを選択することができる。換言すれば、図１０Ａ～図１０Ｃにおいて上述したデータパイプラインにより、効率的で再現可能な感染予測システムの開発、比較、及び最適化が可能になる。例えば、上述したデータパイプラインは、バイナリロジスティック回帰モデル（ＢＬＭ）、ロジスティックモデルツリー（ＬＭＴ）、ランダムフォレスト分類器（ＲＦ）、Ｌ２正則化（Ｌ２）、ナイーブベイズ分類器（ＮＢ）、多変量適応回帰スパイン（ＭＡＲＳ）、１つ又は複数のニューラルネットワーク、及びｋ最近傍分類（ＫＮＮ）を含め、多様な異なる感染予測システムの開発及び評価を促進した。以下の表４は、これらの異なる感染予測システムの各々についての図１０Ｂに関して記載したトレーニングデータセットでの平均検証精度と、図１０Ａ及び図１０Ｂに関して記載したテストデータセットでの平均正解率、適合率、及び再現率を示す。

【0208】

【表5】

【0209】

[00225] 表４に示すように、最も正確な感染予測システムはＲＦ及びＫＮＮベースのシステムを含む。ＲＦ及びＫＮＮ感染予測システムを含む感染予測システムは両方とも、図１０Ｃに関して上述したようにテストデータセットを使用してテストされた場合、９２％の平均正解率を達成する。

【0210】

ＸＩＩＩ．コンピュータ例
[00226] 図１１は、図１に記載の方法を実施するための一例のコンピュータ１１００を示す。コンピュータ１１００は、チップセット１１０４に結合された少なくとも１つのプロセッサ１１０２を含む。チップセット１１０４は、メモリコントローラハブ１１２０及び入出力（Ｉ／Ｏ）コントローラハブ１１２２を含む。メモリ１１０６及びグラフィックスアダプタ１１１２はメモリコントローラハブ１１２０に結合され、ディスプレイ１１１８はグラフィックスアダプタ１１１２に結合される。記憶装置１１０８、入力デバイス１１１４、及びネットワークアダプタ１１１６は、Ｉ／Ｏコントローラハブ１１２２に結合される。コンピュータ１１００の他の実施態様は異なるアーキテクチャを有する。

【0211】

[00227] 記憶装置１１０８は、ハードドライブ、コンパクトディスク読み取り専用メモリ（ＣＤ－ＲＯＭ）、ＤＶＤ、又は固体状態メモリデバイス等の非一時的コンピュータ可読記憶媒体である。メモリ１１０６は、プロセッサ１１０２によって使用される命令及びデータを保持する。入力インターフェース１１１４はタッチスクリーンインターフェース、マウス、トラックボール、若しくは他のタイプのポインティングデバイス、キーボード、又はそれらの何らかの組合せであり、データをコンピュータ１１００に入力するのに使用される。幾つかの実施態様では、コンピュータ１１００は、ユーザからのジェスチャを介して入力インターフェース１１１４から入力（例えばコマンド）を受信するように構成し得る。グラフィックスアダプタ１１１２は、画像及び他の情報をディスプレイ１１１８に表示する。ネットワークアダプタ１１１６は、コンピュータ１１００を１つ又は複数のコンピュータネットワークに結合する。

【0212】

[00228] コンピュータ１１００は、本明細書に記載の機能を提供するコンピュータプログラムモジュールを実行するように構成される。本明細書で使用される場合、「モジュール」という用語は、指定された機能を提供するのに使用されるコンピュータプログラム論理を指す。したがって、モジュールはハードウェア、ファームウェア、及び／又はソフトウェアで実施することができる。一実施態様では、プログラムモジュールは記憶装置１１０８に記憶され、メモリ１１０６にロードされ、そしてプロセッサ１１０２によって実行される。

【0213】

[00229] 図１の方法の実施に使用されるコンピュータ１１００のタイプは、実施及び／又はエンティティによって要求される処理能力に応じて様々であることができる。例えば、提示識別システム１６０は単一のコンピュータ１１００で実行されてもよく、又はサーバファーム等においてネットワークを通して互いと通信する複数のコンピュータ１１００で実行されてもよい。コンピュータ１１００は、グラフィックスアダプタ１１１２及びディスプレイ１１１８等の上述した構成要素の幾つかを欠いてもよい。

【0214】

ＸＩＶ．追加の考慮事項
[00230] 本明細書及び添付の特許請求の範囲で使用される場合、単数形「ａ」、「ａｎ」、及び「ｔｈｅ」は、文脈により別段のことが示される場合を除き、複数の指示対象を含むことに留意されたい。

【0215】

[00231] 本明細書の本文内で引用された全ての引用文献、発行特許、及び特許出願は全体的に参照により本明細書に援用される。

【0216】

[00232] 本開示の実施態様の上記説明は例示を目的として提示されており、網羅的である意図はなく、即ち開示された厳密な形態に本開示を限定する意図はない。上記開示に鑑みて多くの改変及び変形が可能であることを当業者ならば理解することができる。

【0217】

[00233] この説明の幾つかの部分は、情報に対する動作のアルゴリズム又は象徴的表現に関して本開示の実施態様を説明している。これらのアルゴリズム的説明及び表現は一般に、作業の本質を他の当業者に効率的に伝えるためにデータ処理分野の当業者によって使用される。これらの動作は、機能的、計算的、又は論理的に説明されるが、コンピュータプログラム又は同等の電気回路、マイクロコード等によって実施されると理解される。

【0218】

[00234] 本明細書に記載の任意のステップ、動作、又はプロセスは、１つ又は複数のハードウェア又はソフトウェアモジュールを用いて単独で又は他のデバイスと組み合わせて実行又は実施し得る。一実施態様では、ソフトウェアモジュールは、コンピュータプロセッサによって実行されて、機作されたステップ、同さ、又はプロセスのいずれか又は全てを実行することができるコンピュータプログラムコードを含むコンピュータ可読非一時的媒体を含むコンピュータプログラム製品を用いて実施される。

【0219】

[00235] 実施態様は、本明細書における動作を実行する装置に関することもできる。この装置は、必要とされる目的に向けて特に構築されてもよく、及び／又はコンピュータに記憶されたコンピュータプログラムによって選択的にアクティブ化又は際億世される汎用計算デバイスを含んでもよい。そのようなコンピュータプログラムは、非一時的有形コンピュータ可読記憶媒体又はコンピュータシステムバスに結合し得る電子命令の記憶に適した任意のタイプの媒体に記憶し得る。さらに、本明細書で参照される任意の計算システムは、単一のプロセッサを含んでもよく、又は計算容能力を上げるためにマルチプロセッサ設計を利用したアーキテクチャであってもよい。

【0220】

[00236] 本開示の実施態様は、本明細書に記載の計算プロセスによって生成される製品に関することもできる。そのような製品は計算プロセスから生じた情報を含み得、情報は非一時的有形コンピュータ可読記憶媒体に記憶され、コンピュータプログラム製品の任意の実施態様又は本明細書に記載の他のデータ組合せを含み得る。

【0221】

[00237] 最後に、本明細書で使用される言葉は主に、読みやすさ及び教授を目的として選択されており、本発明の趣旨を線引き又は制限するように選択されていない。したがって、本開示の範囲がこの詳細な説明によって制限されず、むしろ、本明細書に基づく出願で発行される任意の特許請求の範囲によって制限されることが意図される。したがって、本開示の実施態様の開示は、本開示の範囲が例示的であることを意図し、限定を意図しない。

【図1】

【図2A】

【図2B】

【図2C】

【図2D】

【図3】

【図4】

【図5A】

【図5B】

【図5C】

【図5D】

【図6】

【図7A】

【図7B】

【図8】

【図9】

【図10A】

【図10B】

【図10C】

【図11】

【図12】

【図13】

【配列表】

2022553570000001.app

【国際調査報告】