Метод искусственного интеллекта для быстрого фенотипирования растений в сложных условиях

При фотосинтезе зеленый пигмент хлорофилл в водорослях и растениях поглощает большую часть энергии падающего света. Возбужденный хлорофилл передает эту энергию белковым комплексам фотосистемы I (PSI) и II (PSII). Однако часть этой энергии рассеивается в виде тепла или флуоресценции хлорофилла a (ChlF).

Изменения в окружающей среде или физиологии растений, влияющие на PSII, также изменяют ChlF, что позволяет использовать ее как быстрый, чувствительный и неразрушающий индикатор состояния PSII. ChlF — мощный инструмент для оценки различных аспектов фотосинтеза, включая влияние стрессоров, таких как засуха, жара, загрязнение или статус питания.

Ключевой параметр, получаемый из ChlF, — это отношение переменной к максимальной флуоресценции, или F_v/F_m. Это надежный индикатор фотосинтеза, но для его измерения образцы растений необходимо предварительно темново адаптировать, что трудоемко и отнимает много времени.

Исследователи из Цзяннаньского университета, Колумбийского университета и Университета Иллинойса в Урбане-Шампейне разработали быстрый метод точного анализа F_v/F_m с использованием искусственного интеллекта (ИИ), без необходимости темновой адаптации. Результаты опубликованы в журнале Plant Phenomics.

«ИИ позволил нам выявить скрытую взаимосвязь между F_v/F_m и ChlF без темновой адаптации. Мы достигли значительной экономии времени и теперь можем быстро получать данные о фенотипике растений», — говорит ведущий исследователь доктор Я Го.

Метод ИИ, известный как модель машины опорных векторов с методом наименьших квадратов (LSSVM), математически предсказывает значения F_v/F_m после темновой адаптации на основе измерений ChlF, минуя саму процедуру адаптации. Это делает анализ более экономичным и менее трудоемким.

В эксперименте использовалось более 7000 образцов шести различных генетических сортов растений. Растения подвергались четырем типам засухи, различным температурам, выращивались в три сезона (весна, лето, зима), при широком диапазоне плотности потока фотосинтетических фотонов и в трех разных местах (поле, теплица, лаборатория). Эти условия привели к огромному разбросу значений ChlF.

Результаты показали, что модель LSSVM может предсказывать значения F_v/F_m для образцов, выращенных в широком диапазоне условий, с очень малыми ошибками. Она надежно определяет скрытую взаимосвязь между ChlF и F_v/F_m без темновой адаптации.

«Модель LSSVM показала отличную производительность в определении F_v/F_m из ChlF без темновой адаптации и обрабатывала каждый образец менее чем за четыре миллисекунды. Ее прогнозы имели высокие коэффициенты корреляции, низкие среднеквадратичные ошибки и приемлемое остаточное отклонение прогноза — три ключевых метрики, подтверждающих точность», — поясняет доктор Го.

ChlF — очень полезный инструмент для фенотипирования растений, важного для улучшения роста и урожайности культур. До сих пор для измерений ChlF была необходима темновая адаптация, которая требует дополнительного оборудования, времени и может влиять на результаты.

В этом исследовании установлен новый стандарт: измерение ChlF без темновой адаптации для получения истинных значений F_v/F_m. Новая модель LSSVM позволяет удобно исследовать фенотип и физиологический статус растений, используя скорость и точность ИИ. Критически важно, что измерения теперь можно проводить непосредственно в поле, в сложных условиях окружающей среды и в реальном времени.

«Это исследование показывает, что ИИ может раскрывать скрытые закономерности биологических процессов, таких как фотосинтез, с минимальными ошибками. Наша концепция вскоре может быть использована для прогнозирования других параметров ChlF, таких как фотохимический квантовый выход PSII и квантовый выход диссипации энергии. Мы лишь слегка коснулись поверхности ее применения», — заключает доктор Го.