Новые методы визуализации и машинного обучения ускоряют создание засухоустойчивых культур
Учёные разработали и применили серию новых инструментов визуализации и машинного обучения для изучения признаков, влияющих на эффективность использования воды растениями в процессе фотосинтеза, и определения генетической основы вариаций этих признаков.
Исследование, направленное на создание культур, лучше сохраняющих воду без потери урожайности, описано в четырёх статьях под руководством аспирантов Университета Иллинойса Цзяна (Кевина) Се и Партибана Пракаша, а также постдоков Джона Фергюсона, Сэмюэла Фернандеса и Чарльза Пиньона.
Растения поглощают углекислый газ через устьица — крошечные поры на листьях. Однако эти же устьица позволяют влаге уходить в виде водяного пара. Количество обмениваемых воды и CO2 зависит от количества, размера устьиц и скорости их реакции на сигналы среды. При дефиците воды фотосинтез и продуктивность снижаются.
Команда проанализировала влияние характеристик устьиц на водопользование у кукурузы, сорго и злаков рода Setaria. Традиционные методы измерения этих признаков (например, ручной подсчёт устьиц под микроскопом) очень медленны и трудоёмки, что не позволяет работать с большими наборами данных для генетических исследований.
Для ускорения работы Цзян Се адаптировал алгоритм машинного обучения, изначально созданный для беспилотных автомобилей, для быстрой идентификации, подсчёта и измерения тысяч клеток и их характеристик на каждом образце листа. Ручной анализ занял бы недели или месяцы, тогда как новый подход выполняет его за короткое время.
Используя сложные статистические методы, команда определила области генома и гены, вероятно контролирующие вариации в распределении устьиц. В полевых и лабораторных экспериментах также применялись тепловизоры для быстрой оценки температуры листьев (как показателя потери воды).
Сравнение характеристик листьев с эффективностью использования воды в полевых условиях показало, что размер и форма устьиц у кукурузы оказались важнее, чем считалось ранее. Идентификация генов, связанных с этими признаками, заложит основу для будущей селекции или генной инженерии культур с повышенной эффективностью водопользования.
Новый подход обеспечивает беспрецедентную картину структуры и функции эпидермиса листа. Алгоритм машинного обучения позволяет извлекать из изображений гораздо больше данных о признаках, что раньше было невозможно.