Análise de raízes de plantas orientada por IA | Strong The One

Essa ferramenta pioneira, detalhada em estudo publicado em 5 de junho no Relatórios Científicos, revoluciona a análise de imagem raiz, automatizando o processo com precisão excepcional. Os métodos tradicionais, que são trabalhosos e propensos a erros, ficam aquém quando confrontados com a natureza complexa e emaranhada dos sistemas radiculares. A RhizoNet intervém com uma abordagem de aprendizagem profunda de última geração, permitindo aos pesquisadores rastrear o crescimento das raízes e a biomassa com precisão. Usando um backbone avançado baseado em aprendizado profundo baseado em uma rede neural convolucional, esta nova ferramenta computacional segmenta semanticamente as raízes das plantas para avaliação abrangente de biomassa e crescimento, mudando a maneira como os laboratórios podem analisar as raízes das plantas e impulsionando os esforços em direção a laboratórios autônomos.

Como explicou Daniela Ushizima, do Berkeley Lab, investigadora principal do software baseado em IA, “A capacidade do RhizoNet de padronizar a segmentação e fenotipagem de raízes representa um avanço substancial na análise sistemática e acelerada de milhares de imagens. Esta inovação é fundamental para nosso contínuo esforços para aumentar a precisão na captura da dinâmica de crescimento das raízes sob diversas condições de planta.”

Chegando às raízes

A análise de raízes tradicionalmente depende de scanners de mesa e métodos de segmentação manual, que não são apenas demorados, mas também suscetíveis a erros, especialmente em estudos extensos de múltiplas plantas. A segmentação de imagens raiz também apresenta desafios significativos devido a fenômenos naturais como bolhas, gotículas, reflexos e sombras. A natureza complexa das estruturas radiculares e a presença de fundos ruidosos complicam ainda mais o processo de análise automatizada. Essas complicações são particularmente graves em escalas espaciais menores, onde estruturas finas às vezes têm apenas a largura de um pixel, tornando a anotação manual extremamente desafiadora, mesmo para anotadores humanos experientes.

A EGSB introduziu recentemente a versão mais recente (2.0) do EcoFAB, um novo dispositivo hidropônico que facilita a geração de imagens de plantas in-situ, oferecendo uma visão detalhada dos sistemas radiculares das plantas. EcoFAB – desenvolvido através de uma colaboração entre EGSB, o DOE Joint Genome Institute (JGI) e a divisão Climate & Ecosystem Sciences do Berkeley Lab – faz parte de um sistema experimental automatizado projetado para realizar experimentos de ecossistemas fabricados que melhoram a reprodutibilidade dos dados. RhizoNet, que processa varreduras coloridas de plantas cultivadas no EcoFAB que são submetidas a tratamentos nutricionais específicos, aborda os desafios científicos da análise de raízes de plantas. Ele emprega uma arquitetura U-Net residual sofisticada (uma arquitetura usada na segmentação semântica que melhora a U-Net original adicionando conexões residuais entre blocos de entrada e saída dentro do mesmo nível, ou seja, resolução, nos caminhos do codificador e do decodificador) para fornecer segmentação de raiz especificamente adaptada para condições EcoFAB, melhorando significativamente a precisão da previsão. O sistema também integra um procedimento de convexificação que serve para encapsular raízes identificadas de séries temporais e ajuda a delinear rapidamente os componentes da raiz primária de fundos complexos. Esta integração é fundamental para monitorar com precisão a biomassa e o crescimento das raízes ao longo do tempo, especialmente em plantas cultivadas sob tratamentos nutricionais variados em EcoFABs.

Para ilustrar isso, o novo Relatórios Científicos artigo detalha como os pesquisadores usaram EcoFAB e RhizoNet para processar varreduras de raiz de Distaquião de braquipódio (uma pequena espécie de gramínea) plantas submetidas a diferentes condições de privação de nutrientes durante aproximadamente cinco semanas. Estas imagens, tiradas a cada três a sete dias, fornecem dados vitais que ajudam os cientistas a compreender como as raízes se adaptam a ambientes variados. A natureza de alto rendimento do EcoBOT, o novo sistema de aquisição de imagens para EcoFABs, oferece às equipes de pesquisa o potencial para monitoramento experimental sistemático – desde que os dados sejam analisados ​​prontamente.

“Fizemos muitos progressos na redução do trabalho manual envolvido em experimentos de cultivo de plantas com o EcoBOT, e agora a RhizoNet está reduzindo o trabalho manual envolvido na análise dos dados gerados”, observou Peter Andeer, cientista pesquisador da EGSB e pesquisador desenvolvedor líder do EcoBOT, que colaborou com Ushizima neste trabalho. “Isso aumenta nosso rendimento e nos leva ao objetivo de laboratórios autônomos.” Recursos do Centro Nacional de Computação Científica de Pesquisa Energética (NERSC) – uma instalação de usuário do Departamento de Energia dos EUA (DOE) localizada no Berkeley Lab – foram usados ​​para treinar RhizoNet e realizar inferência, trazendo essa capacidade de visão computacional para o EcoBOT, Ushizima observado.

“O EcoBOT é capaz de coletar imagens automaticamente, mas não foi capaz de determinar se a planta responde a diferentes mudanças ambientais, viva ou não, ou crescendo ou não”, explicou Ushizima. “Ao medir as raízes com o RhizoNet, capturamos dados detalhados sobre a biomassa e o crescimento das raízes, não apenas para determinar a vitalidade da planta, mas para fornecer insights quantitativos abrangentes que não são facilmente observáveis ​