Revolução na pesquisa vegetal: IA revela segredos das raízes com RhizoNet

São PauloCientistas do Berkeley Lab avançam em pesquisa agrícola: Criaram o RhizoNet, uma ferramenta de IA que analisa as raízes das plantas. Compreender as raízes é crucial, pois elas ajudam na absorção de água e nutrientes.

Antigos métodos demandavam muito esforço e frequentemente apresentavam erros. O RhizoNet utiliza aprendizado profundo para automatizar o processo com alta precisão. Aqui está o que você precisa saber:

• Desenvolvido pelas divisões de Matemática Aplicada e Pesquisa Computacional e de Genômica Ambiental e Biologia de Sistemas do Laboratório de Berkeley.
• Emprega aprendizado profundo para analisar raízes de plantas.
• Automatiza a análise de imagens de raízes, aumentando a precisão.
• Utiliza uma arquitetura Residual U-Net para segmentação.
• Permite o acompanhamento do crescimento e biomassa das raízes.

Uma pesquisa publicada na Scientific Reports apresenta o RhizoNet. Daniela Ushizima, a principal pesquisadora, explicou que o RhizoNet uniformiza a segmentação e análise de raízes.

EcoFAB: Uma Nova Ferramenta para Visualizar Raízes de Plantas

EcoFAB é uma inovadora ferramenta que nos permite ver claramente as raízes das plantas. Desenvolvida com o apoio do Instituto Conjunto do Genoma do DOE e da divisão de Ciências Climáticas e dos Ecossistemas, o EcoFAB oferece dados extremamente consistentes.

RhizoNet e EcoFAB auxiliam cientistas a analisarem digitalizações de raízes em diferentes ambientes nutritivos. O RhizoNet utiliza digitalizações coloridas feitas pelo EcoFAB e um modelo Residual U-Net, que possui conexões adicionais para melhorar a segmentação.

Leia também:

Hoje · 07:41

Desafios da transição da OpenAI para uma empresa lucrativa

Peter Andeer, cientista envolvido no projeto, afirmou que o EcoBOT facilita a coleta de imagens, enquanto o RhizoNet realiza a análise dos dados de forma automática. Isso acelera o trabalho e promove o desenvolvimento de laboratórios automatizados. Eles utilizaram recursos do NERSC para treinar o RhizoNet e realizar testes. O sistema oferece informações detalhadas e precisas sobre o tamanho e o crescimento das raízes das plantas.

Zineb Sordo, cientista de dados no projeto, explicou como eles criaram uma nova rede neural convolucional para seu trabalho. Este modelo é mais preciso do que as anotações manuais. Utilizando partes menores das imagens, o modelo tem um desempenho melhor e consegue captar detalhes mais finos.

Testamos a precisão do modelo comparando a biomassa radicular prevista com as medições reais. A regressão linear revelou uma forte correlação, demonstrando que o RhizoNet é mais preciso do que as anotações manuais. Esses resultados evidenciam a alta capacidade do RhizoNet.

As descobertas podem levar a avanços em energias sustentáveis e métodos de captura de carbono. Ushizima e sua equipe planejam aprimorar o RhizoNet para detectar e analisar padrões de ramificação de maneira mais eficiente. Eles também acreditam que os algoritmos podem ser úteis para estudar raízes no solo e explorar novas áreas na ciência dos materiais.

Peter Andeer, Trent Northen, Camille Catoulos e James Sethian também fazem parte da equipe. Este trabalho é parte do projeto Twin Ecosystems e utiliza visão computacional e software de design experimental autônomo para realizar experimentos em ecossistemas. Além disso, apoia a iniciativa Carbon Negative Earthshot do DOE.