Maschinelles Lernen hilft der Pflanzenwissenschaft, ein neues Kapitel aufzuschlagen

Maschinelles Lernen hilft der Pflanzenwissenschaft, ein neues Kapitel aufzuschlagen

Salk-Wissenschaftler nutzen Algorithmen des maschinellen Lernens, um Pflanzenstudien zu automatisieren

LA JOLLA – Der Vater der Genetik, Gregor Mendel, verbrachte im 1800. Jahrhundert Jahre damit, die Merkmale von Erbsenpflanzen mühsam von Hand zu beobachten und zu messen, um die Grundlagen der genetischen Vererbung aufzudecken. Heutzutage können Botaniker mit automatisierten Kamerasystemen die Merkmale oder Phänotypen von Hunderten oder Tausenden von Pflanzen viel schneller verfolgen. Jetzt haben Salk-Forscher dazu beigetragen, die Phänotypisierung von Pflanzen noch weiter zu beschleunigen, indem sie Algorithmen für maschinelles Lernen einsetzen, die einem Computersystem beibringen, dreidimensionale Formen der Zweige und Blätter einer Pflanze zu analysieren. Die Studie, veröffentlicht in Pflanzenphysiologie am 7. Oktober 2019 könnte Wissenschaftlern dabei helfen, besser zu quantifizieren, wie Pflanzen auf Klimawandel, genetische Mutationen oder andere Faktoren reagieren.

„Wir haben eine Reihe von Tools entwickelt, die bei der Bewältigung einiger häufiger Herausforderungen bei der Phänotypisierung helfen“, sagt er Saket Navlakha, außerordentlicher Professor am Integrative Biology Laboratory und Pioneer Fund Developmental Chair von Salk.

Die Umgebung einer Pflanze bestimmt ihre Struktur, die mit ihrer Gesundheit zusammenhängt. Wissenschaftler, die das Pflanzenwachstum verstehen, widerstandsfähigere Pflanzen entwickeln oder die Pflanzenproduktion steigern möchten, möchten oft detaillierte Eigenschaften der Blätter und Triebe einer Pflanze messen. Um diese Phänotypisierung im Hochdurchsatz durchzuführen, verwenden viele Forscher Kamerasysteme, die Bilder jeder Pflanze aus verschiedenen Winkeln aufnehmen und ein dreidimensionales Modell zusammenstellen. Allerdings sind einige Messungen mit diesen zusammengefügten Bildern schwierig durchzuführen.

In jüngster Zeit haben sich einige einer neuen Methode namens 3D-Laserscanning zugewandt, um die Struktur von Pflanzenarchitekturen zu erfassen. Forscher strahlen jede Pflanze mit einem Laser an, um ihre Oberfläche mit dem Strahl zu „bemalen“. Die resultierenden Daten – eine sogenannte 3D-Punktwolke – zeigen die feinen Details der Pflanzenoberfläche. Doch die quantitative Analyse der Punktwolken kann eine Herausforderung sein, da die Technologie so neu und die Datensätze so groß sind.

„Die Auflösung und Genauigkeit dieser Daten ist viel höher“, sagt Navlakha. „Aber die Methoden, die zur Analyse von Blättern und Zweigen in 2D-Bildern entwickelt wurden, funktionieren für diese 3D-Punktwolken nicht so gut.“

Navlakha scannte zusammen mit der Doktorandin Illia Ziamtsov von der UC San Diego einen 3D-Laserscanner, um 54 Tomaten- und Tabakpflanzen zu scannen, die unter verschiedenen Bedingungen angebaut wurden. Anschließend gaben sie die resultierenden 3D-Punktwolken in Algorithmen für maschinelles Lernen ein, mit denen sie dem Programm beibringen konnten, wie die Pflanzen phänotypisiert werden. Bei dieser Technik zeigten die Forscher zunächst manuell an, wo sich Blätter und Triebe der Pflanzen befanden. Dann begann die Software, diese Merkmale automatisch zu erkennen.

„Es ist, als würde man einem Baby Dinge beibringen“, sagt Navlakha. „Man gibt ihnen Beispiele dafür, wie ein Blatt und ein Zweig aussieht, und schließlich können sie eine Pflanze identifizieren, die sie noch nie zuvor gesehen haben, und die Blätter und Zweige heraussuchen.“

Die Forscher konzentrierten sich darauf, dem Programm beizubringen, drei Phänotypmessungen durchzuführen, die Wissenschaftler häufig verwenden – das Trennen von Stängeln von Blättern, das Zählen von Blättern und ihrer Größe sowie das Skizzieren der Verzweigungsmuster einer Pflanze. Sie stellten fest, dass sie erfolgreich waren: Beispielsweise hatte die Methode eine Genauigkeit von 97.8 Prozent bei der Identifizierung von Stängeln und Blättern.

„Diese Art der Objekterkennung wurde in selbstfahrenden Autos und zur Identifizierung von Bau- und Möbelstücken eingesetzt“, sagt Ziamtsov. „Aber die Anwendung auf Pflanzen ist völlig neu.“

Navlakha und Ziamtsov wollen den Ansatz weiter verfeinern; Beispielsweise kann es immer noch eine Herausforderung sein, zwei nahe beieinander liegende Blätter zu unterscheiden. Und die aktuelle Version der Software funktioniert möglicherweise nicht auf allen Anlagentypen. Sie hoffen, die Software auf Pflanzen von Weinreben bis hin zu Bäumen zu übertragen und auch Wurzeln zu analysieren.

„In der Landwirtschaft gibt es derzeit viele Herausforderungen, die Pflanzenproduktion zu steigern und Kohlenstoff besser zu binden“, sagt Navlakha. „Wir hoffen, dass unser Tool Biologen dabei helfen kann, einige dieser umfassenderen Herausforderungen zu bewältigen.“

Navlakha und Ziamtsov werden ihre Software als Open-Source-Software zur Nutzung durch andere Forscher veröffentlichen. Sie hoffen, dass die Software die Pflanzenforschung beschleunigen wird, da sie die Hochdurchsatz-Phänotypisierung schneller und einfacher macht.

„Eine solche Analyse per Hand durchzuführen ist sehr mühsam“, sagt Ziamtsov. „Unser Tool erledigt das schnell und ziemlich genau.“

Die Arbeit wurde durch Zuschüsse der Pew Charitable Trusts, der National Science Foundation und der National Institutes of Health unterstützt.

DOI: 10.1104/S. 19.00524