El aprendizaje automático ayuda a la ciencia de las plantas a pasar página

El aprendizaje automático ayuda a la ciencia de las plantas a pasar página

Los científicos de Salk utilizan algoritmos de aprendizaje automático para ayudar a automatizar los estudios de plantas

LA JOLLA—El padre de la genética Gregor Mendel pasó años observando y midiendo a mano las características de las plantas de guisantes en el siglo XIX para descubrir los conceptos básicos de la herencia genética. Hoy en día, los botánicos pueden rastrear los rasgos o fenotipos de cientos o miles de plantas mucho más rápidamente, con sistemas de cámaras automatizados. Ahora, los investigadores de Salk han ayudado a acelerar aún más el fenotipado de plantas, con algoritmos de aprendizaje automático que enseñan a un sistema informático a analizar formas tridimensionales de las ramas y hojas de una planta. El estudio, publicado en Fisiología de las plantas el 7 de octubre de 2019, puede ayudar a los científicos a cuantificar mejor cómo responden las plantas al cambio climático, las mutaciones genéticas u otros factores.

"Lo que hemos hecho es desarrollar un conjunto de herramientas que ayuda a abordar algunos desafíos comunes de fenotipado", dice Saket Navlajá, profesor asociado en el Laboratorio de Biología Integrativa de Salk y Presidente de Desarrollo de Pioneer Fund.

El entorno de una planta ayuda a dictar su estructura, que está relacionada con su salud. Los científicos que intentan comprender el crecimiento de las plantas, diseñar plantas más resistentes o aumentar la producción de cultivos a menudo quieren medir las características detalladas de las hojas y los brotes de una planta. Para hacer este fenotipado de una manera de alto rendimiento, muchos investigadores usan sistemas de cámaras que toman imágenes de cada planta desde varios ángulos y ensamblan un modelo tridimensional. Sin embargo, algunas medidas son difíciles de tomar con estas imágenes unidas.

Recientemente, algunos han recurrido a un nuevo método, llamado escaneo láser 3D, para capturar la estructura de las arquitecturas de las plantas. Los investigadores hacen brillar un láser en cada planta para "pintar" su superficie con el rayo. Los datos resultantes, llamados nube de puntos 3D, representan los detalles finos de la superficie de la planta. Pero analizar cuantitativamente las nubes de puntos puede ser un desafío ya que la tecnología es muy nueva y los conjuntos de datos son muy grandes.

“La resolución y precisión de estos datos es mucho mayor”, dice Navlakha. “Pero los métodos que se han desarrollado para analizar hojas y ramas en imágenes 2D no funcionan tan bien para estas nubes de puntos 3D”.

Navlakha, junto con la estudiante graduada de UC San Diego Illia Ziamtsov, utilizó un escáner láser 3D para escanear 54 plantas de tomate y tabaco cultivadas en una variedad de condiciones. Luego, introdujeron las nubes de puntos 3D resultantes en algoritmos de aprendizaje automático que les permitieron enseñar al programa cómo fenotipar las plantas. La técnica implicó que los investigadores primero indicaran manualmente dónde estaban las hojas y los brotes de las plantas. Luego, el software comenzó a reconocer automáticamente estas características.

“Es como enseñarle cosas a un bebé”, dice Navlakha. “Les das ejemplos de cómo se ve una hoja y cómo se ve una rama, y ​​eventualmente pueden identificar una planta que nunca antes habían visto y seleccionar las hojas y las ramas”.

Los investigadores se enfocaron en enseñarle al programa a realizar tres mediciones de fenotipo que los científicos usan a menudo: separar los tallos de las hojas, contar las hojas y su tamaño y delinear los patrones de ramificación de una planta. Descubrieron que tuvieron éxito: por ejemplo, el método tenía una precisión del 97.8 por ciento en la identificación de tallos y hojas.

“Este tipo de detección de objetos se ha utilizado en automóviles autónomos y para identificar elementos de construcción y muebles”, dice Ziamtsov. “Pero aplicarlo a las plantas es totalmente novedoso”.

Navlakha y Ziamtsov quieren seguir afinando el enfoque; diferenciar dos hojas muy juntas aún puede ser un desafío, por ejemplo. Y es posible que la versión actual del software no funcione en todos los tipos de plantas. Esperan generalizar el software para que funcione en plantas, desde vides hasta árboles, y también para analizar raíces.

“Hay muchos desafíos en la agricultura en este momento para tratar de aumentar la producción de cultivos y secuestrar mejor el carbono”, dice Navlakha. “Esperamos que nuestra herramienta pueda ayudar a los biólogos a abordar algunos de estos desafíos más amplios”.

Navlakha y Ziamtsov lanzarán su software como código abierto para que lo utilicen otros investigadores. Esperan que el software acelere la investigación de plantas, ya que hace que el fenotipado de alto rendimiento sea más rápido y fácil.

“Hacer este tipo de análisis a mano es muy laborioso”, dice Ziamtsov. “Nuestra herramienta lo hace rápidamente y con bastante precisión”.

El trabajo fue apoyado por subvenciones de Pew Charitable Trusts, la Fundación Nacional de Ciencias y los Institutos Nacionales de Salud.

DOI: 10.1104/pp.19.00524