Rewolucja w badaniach nad korzeniami: sztuczna inteligencja precyzyjnie bada systemy korzeniowe roślin

WarsawNaukowcy z Laboratorium Berkeley osiągnęli postępy w badaniach rolniczych. Opracowali oni RhizoNet, narzędzie AI do analizy korzeni roślin. Wiedza o korzeniach jest istotna, ponieważ pomagają one wchłaniać wodę i składniki odżywcze.

Dawne metody wymagały dużo pracy i często były niedokładne. RhizoNet wykorzystuje głębokie uczenie do automatyzacji procesu z wysoką precyzją. Oto, co warto wiedzieć:

• Opracowany przez działy Matematyki Stosowanej i Badań Obliczeniowych oraz Genomiki Środowiskowej i Biologii Systemów w Berkeley Lab.
• Wykorzystuje uczenie głębokie do analizy korzeni roślin.
• Automatyzuje analizę obrazów korzeni, zwiększając dokładność.
• Wykorzystuje architekturę Residual U-Net do segmentacji.
• Umożliwia śledzenie wzrostu korzeni i biomasy.

Badania opublikowane w Scientific Reports opisują RhizoNet. Główna badaczka, Daniela Ushizima, wyjaśniła, że RhizoNet ujednolica proces segmentacji i analizy korzeni.

EcoFAB to nowatorskie narzędzie umożliwiające wyraźne obserwowanie korzeni roślin. Zostało stworzone przy współpracy z Joint Genome Institute oraz działem Nauk o Klimacie i Ekosystemach DOE. EcoFAB dostarcza wyjątkowo spójne dane.

RhizoNet i EcoFAB pomagają naukowcom analizować skany korzeni w różnych środowiskach odżywczych. RhizoNet wykorzystuje kolorowe skany wykonane przez EcoFAB oraz model Residual U-Net, który ma dodatkowe połączenia w celu ulepszenia segmentacji.

Zobacz również:

Dzisiaj · 20:28

Nowe badania: jak LLM wpływają na społeczeństwo

Peter Andeer, naukowiec pracujący nad projektem, powiedział, że EcoBOT ułatwia zbieranie obrazów, a RhizoNet automatycznie zajmuje się analizą danych. Dzięki temu praca przebiega szybciej i wspomaga rozwój zautomatyzowanych laboratoriów. Do trenowania RhizoNet i przeprowadzania testów wykorzystano zasoby NERSC. System dostarcza szczegółowych i precyzyjnych informacji na temat rozmiaru i wzrostu korzeni roślin.

Zineb Sordo, specjalistka ds. danych pracująca nad projektem, wyjaśniła, jak opracowali nową konwolucyjną sieć neuronową dla swojego zadania. Model ten cechuje się większą dokładnością niż ręczne adnotacje. Dzięki przetwarzaniu mniejszych fragmentów obrazów model działa lepiej i jest w stanie dostrzegać drobniejsze szczegóły.

Przetestowaliśmy dokładność modelu, porównując prognozowaną biomasa korzeniową z rzeczywistymi pomiarami. Analiza regresji liniowej wskazała na silną korelację, co potwierdziło, że RhizoNet jest bardziej precyzyjny niż ręczne oznaczenia. Wyniki te pokazują, że RhizoNet ma wysoką skuteczność.

Odkrycia te mogą przyczynić się do rozwoju technologii przyjaznych dla środowiska, takich jak energooszczędne źródła energii i metody wychwytywania dwutlenku węgla. Ushizima wraz z zespołem planują udoskonalić RhizoNet, aby skuteczniej wykrywać i analizować wzory rozgałęzień. Uważają także, że te algorytmy mogą być przydatne do badania korzeni w glebie oraz odkrywania nowych dziedzin w nauce o materiałach.

Peter Andeer, Trent Northen, Camille Catoulos i James Sethian są również członkami zespołu. Projekt jest częścią inicjatywy Twin Ecosystems, która wykorzystuje technologie z zakresu widzenia komputerowego oraz oprogramowanie do autonomicznego projektowania eksperymentów w badaniach nad ekosystemami. Dodatkowo wspiera inicjatywę DOE o nazwie Carbon Negative Earthshot.