В мире, стремящемся к устойчивому развитию, понимание корней растений имеет важное значение. Корни — это не просто якорь; они являются динамичным связующим звеном между растением и почвой, имеющим решающее значение для поглощения воды, питательных веществ и, в конечном счете, для выживания растения.
Ученые из Национальной лаборатории Лоуренса Беркли (Berkeley Lab) совершили значительный прорыв в области повышения урожайности сельскохозяйственных культур и создания устойчивых к изменению климата культур. Их последняя разработка, RhizoNet, использует искусственный интеллект (ИИ) для преобразования методов изучения корней растений, предлагая новое понимание поведения корней в различных условиях окружающей среды.
Преобразование анализа корней с помощью искусственного интеллекта
Как подробно описано в исследовании, опубликованном в Scientific Reports, RhizoNet революционизирует анализ изображений корней, автоматизируя процесс с исключительной точностью. Традиционные методы трудоемки и подвержены ошибкам, особенно при работе со сложными корневыми системами. В нем используется современный подход к глубокому обучению, позволяющий точно отслеживать рост корней и биомассу. В нем также используется усовершенствованная сверточная нейронная сеть для сегментации корней растений, что значительно улучшает методы анализа корневых систем в лабораториях и способствует достижению цели создания автономных лабораторий.
“Способность RhizoNet стандартизировать сегментацию корней и фенотипирование представляет собой значительный прогресс в систематическом и ускоренном анализе тысяч изображений”, — сказала Даниэла Ушизима, ведущий исследователь программного обеспечения, управляемого искусственным интеллектом. “Это новшество играет важную роль в наших постоянных усилиях по повышению точности определения динамики роста корней в различных условиях выращивания растений”.
Преодоление традиционных трудностей
Анализ корней традиционно проводится с помощью планшетных сканеров и ручной сегментации, которые требуют много времени и подвержены ошибкам. Такие природные явления, как пузырьки, капли, отражения и тени, усложняют автоматизированный анализ. Эти проблемы особенно актуальны в небольших пространственных масштабах, где мелкие структуры могут быть размером с пиксель, что делает ручное создание аннотаций чрезвычайно сложным делом.
Последняя версия EcoFAB, нового гидропонного устройства, представленного подразделением экологической геномики и системной биологии (EGSB) Лаборатории Беркли, решает эти проблемы. EcoFAB облегчает визуализацию растений на месте, предлагая детальное представление о корневой системе.
Разработанный в сотрудничестве с Объединенным институтом генома Министерства энергетики США (JGI) и отделом наук о климате и экосистемах Лаборатории Беркли, EcoFAB повышает воспроизводимость данных в экспериментах с искусственными экосистемами.
RhizoNet обрабатывает цветные снимки растений, выращенных в EcoFABs при специальной обработке питательных веществ. В ней используется сложная остаточная архитектура U-Net для сегментации корней, адаптированная к условиям EcoFAB, что значительно повышает точность прогнозирования. Система объединяет процедуру выпуклости, которая позволяет идентифицировать корни по временным рядам, что способствует точному мониторингу биомассы корней и их роста с течением времени.
Практическое применение и будущий потенциал
Исследование демонстрирует, как исследователи использовали EcoFAB и RhizoNet для обработки результатов сканирования корней Brachypodium distachyon, небольшого вида травы, в различных условиях недостатка питательных веществ в течение пяти недель. Эти снимки, получаемые каждые три-семь дней, предоставляют важную информацию, которая помогает ученым понять, как корни адаптируются к изменяющимся условиям окружающей среды. Высокая производительность EcoBOT, новой системы сбора изображений для EcoFABs, позволяет проводить систематический экспериментальный мониторинг.
“Мы добились значительного прогресса в сокращении ручной работы, связанной с экспериментами по выращиванию растений с помощью EcoBOT, и теперь RhizoNet сокращает ручную работу, связанную с анализом полученных данных”, — сказал Питер Андеер, научный сотрудник EGSB. “Это увеличивает нашу пропускную способность и приближает нас к цели создания автономных лабораторий”.
Во время настройки модели результаты показали, что использование небольших фрагментов изображения значительно повышает производительность. Эти фрагменты позволяют модели более эффективно фиксировать мелкие детали, обогащая скрытое пространство разнообразными векторами характеристик. Такой подход не только улучшает способность модели делать обобщения для невидимых изображений EcoFAB, но и повышает ее надежность, позволяя ей фокусироваться на тонких объектах и фиксировать сложные узоры, несмотря на различные визуальные искажения.
Небольшие участки также помогают предотвратить дисбаланс классов, исключая участки с редкими надписями, преимущественно фоновые. Результаты работы команды показывают высокую точность, извлечение и пересечение по принципу объединения (IoU) для участков меньшего размера, демонстрируя улучшенную способность модели отличать корни от других объектов или артефактов.
Исследование подтверждает эффективность RhizoNet, сравнивая прогнозируемую биомассу корней с фактическими измерениями. Линейный регрессионный анализ выявил значительную корреляцию, подчеркивающую точность автоматической сегментации по сравнению с ручными аннотациями. Это сравнение подчеркивает сложность, с которой сталкиваются комментаторы-люди, и демонстрирует расширенные возможности RhizoNet, особенно при обучении работе с патчами меньшего размера.
Это исследование закладывает основу для будущих инноваций в области устойчивых энергетических решений и технологий улавливания углерода с использованием растений и микробов. “Наши следующие шаги включают усовершенствование возможностей RhizoNet для дальнейшего улучшения обнаружения корней растений и их ветвления”, — сказал Ушизима.
«Мы также видим потенциал в адаптации и применении этих алгоритмов глубокого обучения для корней в почве, а также в новых исследованиях в области материаловедения. Мы изучаем итеративные протоколы обучения, оптимизацию гиперпараметров и использование нескольких графических процессоров. Эти вычислительные инструменты предназначены для оказания помощи научным группам в анализе различных экспериментов, снятых в виде изображений, и применимы во многих областях”, — продолжил он.
RhizoNet представляет собой значительный шаг вперед в нашей способности изучать и понимать корни растений, прокладывая путь к достижениям в области сельского хозяйства и устойчивого развития.
