مشارکت منحصربه‌فرد در Salk از نرم‌افزار یادگیری عمیق معروف به SLEAP برای مطالعه ویژگی‌های گیاهی استفاده می‌کند و به توسعه گیاهانی که می‌توانند با تغییرات آب و هوایی مبارزه کنند سرعت می‌بخشد.

هیئت بین دولتی تغییرات آب و هوایی (IPCC) گفته است که حذف کربن برای مبارزه با تغییرات آب و هوا و جلوگیری از افزایش دمای جهانی بسیار مهم است. بر این اساس، دانشمندان از سالک از ظرفیت طبیعی گیاهان برای جذب دی اکسید کربن با بهبود سیستم ریشه آنها استفاده کنید. هدف این بهینه سازی افزایش میزان کربن ذخیره شده و افزایش مدت زمان ذخیره سازی آن است.

برای طراحی این گیاهان تهویه مطبوع، دانشمندان در ابتکار عمل گیاهان مهاری سالک از یک ابزار تحقیقاتی جدید و پیچیده به نام استفاده می کنند. رویا– نرم افزار هوش مصنوعی (AI) با کاربری آسان که ویژگی های رشد ریشه های متعدد را ردیابی می کند. SLEAP که توسط همکار Salk، Talmo Pereira ایجاد شد، در ابتدا برای ردیابی حرکت حیوانات در آزمایشگاه طراحی شد. Pereira اکنون با دانشمند گیاهی و همکار Salk پروفسور Wolfgang Busch برای اعمال SLEAP روی گیاهان همکاری کرده است.

https://www.youtube.com/watch?v=g2t9aIUT8q4
SLEAP و Sleap-roots با تجزیه و تحلیل هندسه ریشه، نحوه اتصال قسمت های مختلف ریشه های گیاه به یکدیگر را پیش بینی می کنند. اعتبار: موسسه سالک

مطالعه گسترده با SLEAP

در مطالعه ای که در فنومیک گیاهیبوش و پریرا پروتکل جدیدی را برای استفاده از SLEAP برای تجزیه و تحلیل فنوتیپ‌های ریشه گیاهان ارائه می‌کنند – اینکه چقدر عمیق و گسترده رشد می‌کنند، سیستم ریشه‌شان چقدر بزرگ می‌شود و سایر صفات فیزیکی که اندازه‌گیری آنها قبل از SLEAP خسته کننده بود. استفاده از SLEAP در گیاهان اکنون محققان را قادر ساخته است تا گسترده ترین کاتالوگ فنوتیپ های ریشه گیاه را تا به امروز ایجاد کنند.

علاوه بر این، ردیابی این ویژگی‌های فیزیکی سیستم ریشه به دانشمندان کمک می‌کند تا ژن‌های مرتبط با این ویژگی‌ها را پیدا کنند، همچنین اینکه آیا چندین ویژگی ریشه توسط ژن‌های یکسان یا مستقل تعیین می‌شوند. این به تیم Salk اجازه می دهد تا تعیین کند کدام ژن برای طراحی گیاهانشان مفیدتر است.

پریرا می‌گوید: «این همکاری واقعاً گواهی است بر چیزی که علم سالک را بسیار خاص و تأثیرگذار می‌کند. ما فقط از رشته‌های مختلف «قرض» نمی‌گیریم، بلکه آنها را در موقعیتی برابر قرار می‌دهیم تا چیزی بیشتر از مجموع اجزای آن ایجاد کنیم.»

قبل از استفاده از SLEAP، ردیابی خصوصیات فیزیکی گیاهان و حیوانات نیاز به کار زیادی داشت که باعث کند شدن روند علمی شد. اگر محققین بخواهند تصویری از یک گیاه را تجزیه و تحلیل کنند، باید به صورت دستی قسمت هایی از تصویر را که گیاه هستند و نیستند، علامت گذاری کنند – فریم به فریم، قسمت به قسمت، پیکسل به پیکسل. تنها در این صورت می‌توان از مدل‌های قدیمی‌تر هوش مصنوعی برای پردازش تصویر و جمع‌آوری داده‌های مربوط به ساختار کارخانه استفاده کرد.

چیزی که SLEAP را متمایز می کند، استفاده منحصر به فرد آن از بینایی کامپیوتری (توانایی رایانه ها برای درک تصاویر) و یادگیری عمیق (رویکرد هوش مصنوعی برای آموزش کامپیوتر برای یادگیری و کارکردن مانند مغز انسان) است. این ترکیب به محققان اجازه می دهد تا تصاویر را بدون حرکت پیکسل به پیکسل پردازش کنند، در عوض از این مرحله میانی پرزحمت رد می شوند تا مستقیماً از ورودی تصویر به ویژگی های تعریف شده گیاه بپرند.

ما یک پروتکل قوی ایجاد کرده‌ایم که در چندین نوع نصب معتبر است که زمان تجزیه و تحلیل و خطای انسانی را کاهش می‌دهد و در عین حال بر دسترسی و سهولت استفاده تأکید می‌کند.و الیزابت بریگان، نویسنده اول، تحلیلگر بیوانفورماتیک در آزمایشگاه بوش، گفت: نیازی به تغییر در نرم افزار واقعی SLEAP نیست.

تاثیر SLEAP بر تولید محصول

محققان بدون تغییر فناوری هسته‌ای SLEAP، یک جعبه ابزار قابل دانلود به نام SLEAP توسعه دادند ریشه های خواب (به عنوان نرم افزار منبع باز موجود است اینجا). با ریشه های خوابSLEAP می تواند ویژگی های بیولوژیکی سیستم های ریشه مانند عمق، جرم و زاویه رشد را پردازش کند.
تیم Salk آزمایش کردند ریشه های خواب بسته بندی در گیاهان مختلف از جمله گیاهان زراعی مانند سویا، برنج و کلزا و همچنین گیاه مدل انواع آرابیدوپسیس تالیانا– علف هرز گلدار از خانواده خردل. در میان انواع گیاهان آزمایش شده، آنها دریافتند که روش جدید مبتنی بر SLEAP با حاشیه نویسی 1.5 برابر سریعتر، آموزش مدل هوش مصنوعی 10 برابر سریعتر، و پیش بینی ساختار گیاه بر روی داده های جدید 10 برابر سریعتر، عملکردهای موجود را بهتر عمل می کند. همان یا بهتر دقت نسبت به قبل.

همراه با تلاش‌های عظیم توالی‌یابی ژنوم برای روشن کردن داده‌های ژنوتیپ در تعداد زیادی از واریته‌های گیاهی، این داده‌های فنوتیپی مانند رشد سیستم ریشه گیاه به‌ویژه در اعماق خاک، می‌تواند برای درک ژن‌های مسئول ایجاد این عمق به‌ویژه برون‌یابی شود. ریشه سیستم.

https://www.youtube.com/watch?v=io_qH95UDso
SLEAP و sleap-roots به طور خودکار نقاط عطفی را در سراسر معماری سیستم ریشه کشف می کنند. اعتبار: موسسه سالک

این مرحله – اتصال فنوتیپ و ژنوتیپ – در مأموریت سالک برای ایجاد گیاهانی که کربن بیشتری را برای مدت طولانی‌تری جدا می‌کنند، حیاتی است، زیرا این گیاهان به سیستم‌های ریشه‌ای که عمیق‌تر و سالم‌تر طراحی شده‌اند، نیاز دارند. پیاده‌سازی این نرم‌افزار دقیق و کارآمد، طرح مهار گیاهان را قادر می‌سازد تا فنوتیپ‌های مورد نظر را با سهولت و سرعت انقلابی به ژن‌های هدف پیوند دهد.

بوش، رئیس هس در علوم گیاهی در سالک می‌گوید: «ما قبلاً توانسته‌ایم گسترده‌ترین کاتالوگ فنوتیپ‌های ریشه گیاهان را تا به امروز ایجاد کنیم، که واقعاً تحقیقات ما را برای ایجاد گیاهان جداکننده کربن که با تغییرات آب و هوایی مبارزه می‌کنند، تسریع می‌کند. به لطف طراحی نرم افزار حرفه ای Talmo، پیاده سازی و استفاده از SLEAP بسیار آسان بود و ابزاری ضروری در آزمایشگاه من خواهد بود که در حال پیشرفت است.

قابلیت دسترسی و تکرارپذیری در خط مقدم ذهن Pereira هنگام ایجاد SLEAP و ریشه های خواب. از آنجایی که نرم افزار و ریشه های خواب استفاده از آنها رایگان است، محققان هیجان زده هستند که ببینند چگونه ریشه های خواب در سراسر جهان استفاده خواهد شد. آنها قبلاً مذاکرات را با آنها آغاز کرده اند ناسا دانشمندان امیدوارند از این ابزار نه تنها برای کمک به هدف قرار دادن گیاهان مکنده کربن در زمین، بلکه برای مطالعه گیاهان در فضا نیز استفاده کنند.

در Salk، تیم همکاری هنوز آماده انحلال نیست – آنها اکنون در حال شروع یک چالش جدید برای تجزیه و تحلیل داده های سه بعدی با SLEAP هستند. تلاش برای بهبود، گسترش و به اشتراک گذاری SLEAP و ریشه های خواب در سال‌های آینده ادامه خواهد یافت، اما استفاده از آن در ابتکار مهندسی گیاه سالک، طراحی کارخانه را تسریع کرده و به مؤسسه کمک می‌کند تا بر تغییرات آب و هوایی تأثیر بگذارد.

مرجع: “فنوتیپ سریع و کارآمد ریشه با تخمین وضعیت بدن” توسط الیزابت ام. بریگان، لین وانگ، هانا کاریلو، کیمبرلی اتچگوین، میکایلا کپس، خورخه تورس، آنجل آی-پریرا، اریکا مک کوی، امیلی شین، چارلز لا کوئن، چارلز لا کوئن. راگل، چاریدیموس گئورگوساکیس، سانگوا لی، داون رینولدز، اوری تالگو، خوان گونزالس، لینگ ژانگ، آشیش بی راجورکار، میشل رویز، ارین دانیلز، لیزل ماری، شری پریار، ولفگانگ بوش، و تالمو دی. پریرا، 202 . فنومیک گیاهی.
DOI: 10.34133/plantphenomics.0175

نویسندگان دیگر عبارتند از: لین وانگ، هانا کاریلو، کیمبرلی اچگوین، میکایلا کپس، خورخه تورس، آنجل آی پریرا، اریکا مک کوی، امیلی شین، چارلز کوپلند، لورن راگل، چاریدیموس گئورگوساکیس، سانگوا لی، داون رینولدز، جوآن تالگولز، اوری تالگولز، لینگ ژانگ، آشیش راجورکار، میشل رویز، ارین دانیلز، لیزل ماری و شری پریار از سالک.

این کار توسط صندوق زمین بیزوس، شرکت هس، پروژه تد جسورانه و موسسه ملی بهداشت (RF1MH132653).