Малообучаемое обучение преобразует анализ признаков листьев у биоэнергетической культуры Populus trichocarpa

Изображения стали ключевым инструментом в фенотипировании растений, но выделение биологических структур на фоне остаётся сложной задачей, особенно при низкой контрастности. Хотя глубокое обучение улучшило извлечение признаков в компьютерном зрении, его применение в фенотипировании ограничивает необходимость в обширной разметке изображений.

Чтобы решить эту проблему, в исследовании применяется малообучаемое обучение — подход машинного обучения, требующий меньшего количества размеченных образцов. Тополя, в частности Populus trichocarpa, важны благодаря своему генетическому разнообразию и потенциалу для биоэнергетики.

Традиционные методы сегментации листовой пластинки и жилок в фенотипировании имеют ограничения: они трудоёмки и требуют больших размеченных наборов данных. Использование малообучаемого обучения для эффективной сегментации изображений листьев с минимальными тренировочными данными станет важным шагом вперёд.

В июле 2023 года журнал Plant Phenomics опубликовал статью "Малообучаемое обучение позволяет проводить популяционный анализ признаков листьев у Populus trichocarpa".

Метод и результаты

• В исследовании малообучаемое обучение в комбинации со свёрточными нейронными сетями (CNN) использовалось для сегментации листовой пластинки и жилкования на 2 906 изображениях листьев P. trichocarpa.
• Точность сегментации была высокой: CNN для контура листа и базовая модель U-Net показали высокие индексы Жаккара, что указывает на близкое соответствие с ручной разметкой.
• Сегментация жилок была сложнее из-за замысловатой архитектуры жилкования и мелких ошибок в ручной аннотации. Тем не менее, алгоритм "роста жилок" достиг высоких значений полноты (recall), эффективно улавливая сложную структуру.
• Количество связных компонентов в каждой сегментации жилок служило показателем биологической точности. CNN с алгоритмом роста жилок превзошла U-Net в создании биологически реалистичных сегментаций.

Валидация и генетический анализ

• Цифровые измерения признаков листьев были подтверждены реальными калиперными измерениями.
• Геномный анализ с использованием методов сегментации и извлечения признаков выявил значительное генетическое влияние на плотность жилок. Идентифицированные гены и их ортологи у Arabidopsis thaliana позволили глубже понять процессы развития листа.

Выводы и перспективы

Исследование представляет эффективный рабочий процесс — от получения изображения до извлечения фенотипа, — который значительно углубляет понимание генетики растений. Это позволяет оценивать, как признаки жилкования связаны с другими физиологическими процессами: устьичной проводимостью, газообменом и общей продуктивностью растения. Результаты важны для развития Populus как биоэнергетической культуры.

Гены, обнаруженные в ходе количественного генетического анализа, могут быть использованы в будущих биотехнологических экспериментах для оптимизации признаков, связанных с устойчивостью к изменению климата, производством биомассы и ускоренной доместикацией для нужд сельского хозяйства и производства биотоплива.