人類は人口増加を支える食料供給を実現した一方，農地への過剰な施肥により環境汚染や土壌の劣化を招いた．大量生産・大量消費型社会の弊害が指摘されている今，植物–微生物–土壌の農業環境のバランスを整え，持続的な作物生産を実現する環境共存型の新しい農業が求められている．植物と微生物の相互作用や土壌の豊かさなど農業生態系の実態を理解するためには，ビックデータと統合インフォマティクス解析の活用が有用である．本稿では，学術分野の垣根を超えて近年国内で進められている農業現場でのマルチオミクス解析について技術的背景と研究例を紹介し，マルチオミクス解析を活用した農業デジタルツインが拓く次世代農業の姿について論じる．

Key words: 農業生態系; マルチオミクス解析; 農業環境エンジニアリング; デジタルツイン

背景

大量生産・大量消費型社会へ対応した農地への過剰な施肥は，環境破壊，地下水汚染，温暖化などの弊害を表出している．国連食糧農業機関（FAO）の報告によると世界の土壌の4分の1が「著しく劣化している」とされ，持続的な食料生産が脅かされている．また，肥料原料のほとんどを海外に依存している我が国では，国際紛争をきっかけとした肥料の高騰，コロナ禍による輸送費の値上がり，リン鉱石の枯渇傾向などが食料生産に深刻な影響をもたらしている．このような中，栽培環境に適応した持続可能な循環型農業として，牛糞や鶏糞等の有機質肥料や堆肥を用いた減化学肥料栽培や有機農業が着目されている．農林水産省が発表した「みどりの食料システム」（2021年）では，2050年までに化学肥料の使用量を30％低減，耕起面積に占める有機農業の取組面積を25％とすることなどの目標を掲げており，今後，ますます化学肥料から有機質肥料への移行が進むと考えられる．さらに，環境への意識が高い欧米を中心に環境再生型農業（リジェネラティブ農業）への取組みが進んでいる．環境再生型農業は，農地土壌をただ健全に維持するだけでなく，土壌を修復，改善しながら自然環境の再生を促す農業で，具体的には不耕起栽培やカバークロップを取り入れている．先進的な農業従事者達は持続的な可能性だけでなく，その先の環境を再生（自然環境の回復）することが大事だと認識し，すでにそれを実践している．

有機農業や環境再生型農業では，化成肥料ではなく堆肥や有機質肥料などの有機物が圃場に施用される．無機栄養説，すなわち有機成分が微生物等の働きにより無機成分に分解された後に植物に吸収すると仮定すると，化学肥料でも有機質肥料でも植物によって吸収される物質自体は変わらないことになるが，実験室内のモデル試験では有機成分が特異的に作物生育へ影響するといった指摘の報告もある⁽¹⁾1) 二瓶直登，増田さやか，田野井慶太朗，頼　泰樹，中西友子：日本作物学会紀事，81, 194 (2012).．また，植物は根や葉の周囲，細胞の中でさまざまな微生物と共存しており，これらの微生物の中には，植物の成長を阻害する病原体もあれば，宿主である植物の養分吸収能力の向上，植物ホルモンの生産，ストレス耐性強化，植物病原菌の抑制などにより宿主植物の体力を向上させる共生微生物もいる．このように，植物を取り巻く農業環境は植物–微生物–土壌が複雑に絡み合う生態系の上に成り立っている（図1図1■農業生態系における窒素循環およびマルチオミクス解析で対象とする測定項目）．しかし，土壌の無機成分や培養可能な微生物のみを評価するこれまでの単独解析では農業環境の実態を部分的にしか解明しておらず，土壌の豊かさを維持しつつ，新たな原料や食料となるバイオマスを持続的に生産していくためには，農業環境全体の理解が必要である．この問題の解決には解析技術の進展により可能となった微生物や代謝物の網羅的解析を活用したビッグデータの整備と，それを利用する統合インフォマティクス解析をトータルで実装した新しい農業の評価軸の確立が必須であった．

図1■農業生態系における窒素循環およびマルチオミクス解析で対象とする測定項目

マルチオミクス解析

植物，微生物，土壌の各階層の構成要素を網羅的に解析する技術の一つにオミクス解析がある．オミクス解析には，微生物叢を対象としたマイクロバイオーム解析，発現遺伝子を対象としたトランスクリプトーム解析，代謝物を対象としたメタボローム解析，元素を対象としたイオノーム解析などがあり，解析対象に応じて異なる分析技術や計測機器が用いられている．マイクロバイオーム解析やトランスクリプトーム解析では，近年急速に普及した次世代シーケンサーが利用されており，短時間で大量の塩基配列を解読することができる．このため，マイクロバイオーム解析では微生物叢の種類や存在量を，トランスクリプトーム解析では発現している遺伝子群の情報をビッグデータとして包括的に評価することが可能である．一方，メタボローム解析では，脂質代謝物や二次代謝物は液体クロマトグラフィ質量分析装置，有機酸や芳香族化合物などの揮発性有機物はガスクロマトグラフィ質量分析装置，比較的存在量の多い一次代謝物は核磁気共鳴（NMR）装置などを利用して定性的および定量的に評価するが，試料中に含まれる全ての代謝物を単一の分析装置のみで網羅的に検出することは今のところ不可能であるため，複数の計測機器を相補的に組み合わせて測定する．

農業生態系では，微生物や発現遺伝子，代謝物，元素などの各構成要素が複雑に絡み合っており，全容を解き明かすためには，植物–微生物–土壌の各階層のオミクス解析によって得られたデータや各測定項目同士の相互関係などを統合的に解析しなければならない（図1図1■農業生態系における窒素循環およびマルチオミクス解析で対象とする測定項目）．この解析アプローチは「マルチオミクス解析」と呼称されている．マルチオミクス解析には相関ネットワーク解析やランダムフォレストなど複数の解析手法がある．相関ネットワーク解析では，ネットワーク構造の理解や特徴的なエッジの探索から農業生態系における植物–微生物–土壌の関係性を可視化できる．ネットワークとは，ノードの集合とエッジの集合で構成されるグラフのことであり，ノードが測定項目，エッジが測定項目間の相関関係を示す．またネットワーク上でノードが密につながった集合をモジュールと呼び，他のノードと多くのエッジを形成しているノードをハブノードとして検出することができる．当初医学分野で導入が進んだが，筆者らの取組みにより圃場で栽培している作物を包括的に調べることにも適応可能であることが明らかとなった⁽²⁾2) Y. Ichihashia, Y. Date, A. Shino, T. Shimizu, A. Shibata, K. Kumaishi, F. Funahashi, K. Wakayama, K. Yamazaki, A. Umezawa et al.: Proc. Natl. Acad. Sci. USA, 117, 14552 (2020).．ランダムフォレストは，十分なサンプル数を持つ多変量データを用いて複雑なプロセスからの出力を予測する機械学習である．目的とする測定項目（目的変数）を説明するために目的以外の測定項目（従属変数）を用いて決定木を作成し，決定木を複数組み合わせてモデルを作成する．このモデルを用いて，炭素分解，土壌の健全性，作物の種類など，根の微生物の生態学的機能の予測に成功している⁽³⁾3) R. C. Wilhelm, H. M. van Es & D. H. Buckley: Soil Biol. Biochem., 164, 108472 (2022).．さらに，ランダムフォレストでは決定木を作成する際に用いる測定項目がどのくらい目的変数の予測に関与しているかを特徴量重要度として評価の一つとすることもできる．

農業生態系におけるマルチオミクス解析では，植物–微生物–土壌の各階層のデータを有機的に紐づけることが極めて重要であるため，同じ試験区，個体，組織からサンプリングすること，異なる分析機器での解析でも共通な前処理の工程まで同一サンプルとして扱うことがデータの質を決定する．またデータ解析技術の発展により，個別のオミクス解析によって得られた膨大なデータについて統合して解析することが可能となったが，複数のオミクスデータを統合する際のフォーマットの統一やマニュアルでデータ結合することで生じるエラー等には気をつけなければならない．特に，個別のオミクスデータには連続変数，離散変数，カテゴリ変数の違いがあり，それぞれに最適な正規化やフィルタリングについて工夫が必要である．さらに，マルチオミクス解析で得られる知見はあくまで相関関係であり，因果関係ではない．マルチオミクス解析で見えてくる各測定項目間の関係性や特徴づけられる項目について，検証実験が必要である．

農業現場におけるマルチオミクス解析の適応事例

1. 統合ネットワーク解析により太陽熱処理における生育促進因子の同定

ここでは筆者らが行ったマルチオミクス解析を用いた土壌の太陽熱処理についての研究を紹介する⁽²⁾2) Y. Ichihashia, Y. Date, A. Shino, T. Shimizu, A. Shibata, K. Kumaishi, F. Funahashi, K. Wakayama, K. Yamazaki, A. Umezawa et al.: Proc. Natl. Acad. Sci. USA, 117, 14552 (2020).．太陽熱処理とは，耕起した畑をビニールマルチで数十日間覆う農法で，土壌中の病害虫や雑草種子を死滅させ，農薬を使わずに土壌環境を保全する．太陽熱処理を実施した圃場では作物の生育促進効果も認められるが，その要因については諸説あり，主要な因子については未解明であった．

私たちは，同じ圃場内に化学肥料もしくは堆肥を施肥して太陽熱処理有無の4種類の試験区を設置し，それぞれの試験区にコマツナを栽培する試験を行った．その結果，太陽熱処理（本試験では5週間実施し，日積算土壌温度は1000°C以上）は，化学肥料，堆肥によらず，コマツナの収量をおよそ1.7倍に増加させた．しかし，アンモニア態および硝酸態窒素である無機態窒素の濃度は，太陽熱処理の有無で有意な違いは検出されなかったため，無機栄養説では説明できない現象であると考えられた．そこで，太陽熱処理を行った圃場で，全てのデータを統合した相関ネットワーク解析を行った．具体的にはコマツナの収量に加え，糖度，酸度，硝酸濃度，SPAD値，タンパク質含量，イオン組成，および一次代謝物，土壌においてはpH, C/N，イオン組成の他，主要な代謝物のメタボローム解析，非根圏および根圏土壌に存在する全細菌のマイクロバイオーム解析から合計395測定項目を対象とした．その結果，収量や品質等と特定の微生物種や土壌成分で構成されたモジュールが複数組み合わさったネットワークを形成していることを世界で初めて明らかにした（図2図2■太陽熱処理をおこなった圃場の相関ネットワーク図）．このような構造は，農業生態系における植物–微生物–土壌の異なる階層が，幾十にも複雑に相互作用していることを反映している．さらに明らかにしたネットワークの情報から，作物の収量を含むモジュールにアミノ酸などの有機態窒素や根圏細菌が含まれており，特に土壌中の有機態窒素がハブノードとして検出された．このことから，太陽熱処理により植物根圏に特徴的な細菌叢が形成され，土壌中に蓄積する有機態窒素が作物の生育促進に関与していることが判明した．

図2■太陽熱処理をおこなった圃場の相関ネットワーク図

左：全データの相関ネットワーク図（モジュールの違いを色で示している）右：乾燥重量を含むモジュールの相関ネットワーク図（赤は太陽熱処理で上がる項目，青は太陽熱処理で下がる項目）．

そこで，ネットワーク解析から導出された有機態窒素を対象にコマツナの無菌培養系により添加実験を行った結果，アミノ酸のアラニンと栄養素のコリンが，栄養源や生理活性物質として収量を増加させることが明らかになった．またコリンによりコマツナの根のバイオマスが増加することが確認され，先行研究においてアラニンの前処理により植物のアラニン吸収が活性化されることも知られているため⁽⁴⁾4) N. Nihei, S. Masuda, H. Rai & T. M. Nakanishi: Radioisotopes, 57, 361 (2008).，これらの有機態窒素が植物に対して窒素源の獲得能力を向上させているかもしれない．特にアラニンは栄養源と生理活性物質の両方として振る舞うため，実際にどのように植物に吸収され代謝されているかを，炭素と窒素の両方を安定同位体で標識したアラニンを使うことで調べた．その結果，コマツナが直接アラニンを吸収していることがわかり，さらに吸収されたアラニンが，コハク酸，グルタミン，プロリンと代謝されることを明らかにした．このことは，植物がアミノ酸を栄養源として直接吸収することで，体内で無機態窒素からアミノ酸を合成する代謝エネルギーを節約できることを示唆する．さらに，アラニンを土壌に添加して試験を行った結果，無機態窒素と同等の収量増加が確認され，栽培期間中に土壌のアラニン濃度が低下するとともに，無機態窒素濃度が上昇することもわかった．このことは，アラニンは土壌の中で植物に直接吸収されるとともに，無機態窒素へ分解されることを示している．以上より，太陽熱処理により蓄積された有機態窒素は，直接および間接的に栄養源として植物に利用されながら，生理活性物質としても機能するという複雑な作用機序を示すことが明らかになった．本研究から，有限な鉱物資源を原料とした化学肥料に頼らず，有機態窒素を活用することで持続可能な作物生産が可能であることが示唆された．

2. ランダムフォレスト解析による福島県内のダイズ収量の特徴量重要度

ダイズの生育には気象条件，土壌の化学性，物理性の他，根粒菌，菌根菌など多様な微生物が関わっている．福島県のダイズ作付面積は1390 haと近年減少傾向にあり，単位面積あたりの収量は99 kg/10 a（2020年）と全国平均（152 kg/10 a）を大きく下回っている．また，県内のダイズ生産でも地域間差がみられるため，福島県内ダイズの栽培環境を明らかにするため，福島県内より土壌（開花期に採取），子実を採取した⁽⁵⁾5) 二瓶直登，濱本昌一郎，杉山暁史，熊石妃恵，市橋泰範：日本作物学会東北支部会報，65, 25 (2022).．土壌の測定項目は化学性（pH, EC, C/N，交換性および水溶性イオン（ICP-OES, ICP-MS）），物理性（飽和透水係数，容積重，土粒子密度，砂・シルト・粘土含量），生物性（16SrRNAアンプリコンシーケンシングによる全細菌（次世代シーケンサー））である．調査地点における気象データは1日毎の積算平均気温，最高・最低気温，最高–最低気温差，積算降水量，積算日射量，平均風速を，播種期から開花期まで，開花期から成熟期まで，播種期から成熟期までにまとめた．解析に用いたデータ数は気象データ168，土壌化学性36，土壌物理性6，土壌細菌数1996であった．測定データと気象データを統合し，収量（粗子実重）を目的変数として，各測定項目の特徴量重要度について機械学習のランダムフォレストを用いて解析した．気象，土壌化学性，物理性，生物性の分類毎に特徴量重要度を算出したところ，気象データでは開花期までの最低気温，最高気温，風速が特徴量として上位になり，生育初期の気象の重要性が示された．土壌化学性では全炭素含量，C/N比，カリウム，モリブデン，土壌物理性では土粒子密度が特徴量の重要度として上位になった．土壌生物性では上位2.5％の細菌で80％の重要度を占めており，収量を左右する重要な数種の微生物の存在が明らかとなった．全データを含めたランダムフォレスト解析では，微生物，化学性の項目が上位を占めていた．この結果は，これまで収量の重要な要因として考えられていた気象や土壌物理といった人為的な介入が限れられる項目に比べて，施肥等により改善が可能である土壌の微生物性と化学性が同等もしくはそれ以上にダイズ栽培に重要であることが示唆された．

マルチオミクス解析の展開

1. 農業環境エンジニアリングの確立

農業現場で実施したマルチオミクス解析により，植物–微生物–土壌が織りなす複雑な農業生態系の実態を浮かびあがらせ，学術的なバイアスがなくデータドリブンで現象の本質にたどり着くことができた．農業における作物生産の向上と環境負荷の低減を両立させるためには，複雑な相互作用の機能を理解し，農業生態系がもたらす潜在的利益を最大限に引き出す農業システムを開発することが必要である．そこで，私たちは試験規模および分析対象を拡大した研究プロジェクトを全国の複数圃場で展開している（内閣府ムーンショット型研究開発制度）（図3図3■ダイズ栽培におけるマルチオミクス解析の全国展開）．通常行われる測定項目に加え，作物の二次代謝物，脂質代謝物，硫黄代謝物および全遺伝子発現，土壌の二次代謝物および揮発性成分，土壌物理性として土壌硬度，透水性，保水性，粒径分析等，10,000以上の測定項目のマルチオミクスデータを取得し，農業生態系ネットワークの「ありのままの姿」のデジタル化を進めている．マルチオミクス解析による農業生態系のデジタル化は，篤農家の匠の技として伝承されていた有用な作物生産技術等を科学的に形式知化する新しい手法であり，今後の農学分野における解析アプローチの主流となるであろう．加えて本研究の結果は，従来の研究ではその複雑さゆえに十分に解析されていなかった農業生態系を理解することで，農業を工業的センスで推進する「農業環境エンジニアリング」への道が切り拓かれるものと期待される．

図3■ダイズ栽培におけるマルチオミクス解析の全国展開

2. 農業デジタルツインへの応用

作物生育モデルは古くから作物生産に研究・利用されてきたが，農業生態系全体をカバーするモデルはまだ開発されていない．土壌微生物が作物生育に大きな影響を与えることを考えると，マルチオミクスデータで得られる知識を従来モデルに統合することで，作物収量の予測精度を向上させることができるだけでなく，作物の品質や環境への影響など，新たなターゲットを予測することが期待できる．ビックデータを扱うデジタルトランスフォーメーションは現在，モデリング手法に「デジタルツイン」という新しい潮流を生み出しており，農業への応用も既に議論されている⁽^{6, 7)}6) F. Fujiwara, K. Miyazawa, N. Nihei, Y. Ichihashi: Biosci. Biotechnol. Biochem, 87, 21 (2022).7) A. Nasirahmadi & O. Hensel: Sensors, 22, 498 (2022).．

農業デジタルツインとして作物生育モデルにマルチオミクスデータを統合するには，まず，マルチオミクスデータの背後にある測定項目間の方向を決定する因果関係ネットワークを再構築する必要がある．因果関係を特定するためには実験的な検証が必要であるが，マルチオミクスデータから生成される複雑なネットワークにおいて複数の効果を検証することは困難である．このため，観測データから因果関係を推定する統計的手法として，線形非ガウス非循環モデル⁽⁸⁾8) S. Shimizu, P. O. Hoyer, A. Hyvärinen A. Kerminen: J. Mach. Learn. Res., 7, 2003 (2006).と呼ばれるセミパラメトリックモデルを利用して因果関係ネットワークを構築する．構築した因果関係ネットワークより，重要項目や，項目間の関係を指標化した新たな項目をモデルに組み込む．また，作物生育モデルは，従来演繹的なプロセスベースのモデルで構築されてきたが，作物生育には多くの微生物，転写産物，代謝産物が関与しており，単純化されたプロセスベースのモデルに当てはめるには不適切な場合が多い．近年，プロセスベースのモデルの限界を克服するために，帰納的な機械学習モデルが利用される．機械学習モデルはプロセスベースのモデルと比較して解釈がしにくく，モデルの背後にある根拠の理解を妨げることもあるが，因果関係ネットワークを用いた説明変数間の因果関係を記述することで，モデルの解釈に役立てることができる．さらに，より解釈しやすく正確なモデルを組み立てるため，プロセスベースモデルの出力を機械学習モデルの変数に組み込むことや，機械学習モデルの出力をプロセスベースモデルの変数に取り込むこと，気象センサー，土壌センサー，ドローンカメラ，衛星画像などのリアルタイムデータをデータ同化と呼ばれる技術によって作物生育モデルに同化させる取り組みも行われている．

農業生態系のデジタル化を利用することで，サイバー空間で農業を完全シミュレーションする農業デジタルツインを開発できると私たちは考えている．具体的には，収穫時期までの気象予測とその土地の土壌データを入力して，作物の収量や品質さらに環境負荷の程度を自由に選択すれば，その実現に最適な栽培管理法を出力させることができる作付けの意思決定を支援するシステムを想定している．農業デジタルツインでは従来の収量や生育といった基本パラメータ以外に，作物の機能性成分や保存性・耐病性等といった多角的な評価が可能となり，また土壌中の物理化学性に加えて，生物性の評価を加えることでより高解像度なモデルへと拡張できる．農業デジタルツインの研究はまだ初期段階で乗り越えるべき技術的なハードルは多くあるが，このシステムが完成すれば，それぞれの土地で安定した収量・品質の作物をオーダーメイド生産することを可能とし，カーボンニュートラル，生物多様性を実現する完全資源循環の栽培や今後予想される気象変動に対応した農業が実現できる未来が訪れるだろう．