在一个追求可持续发展的世界里，了解植物生命中隐藏的一半——根——至关重要。根不仅仅是一个锚;它们是植物和土壤之间的动态界面，对水分吸收、养分吸收以及最终的植物生存都至关重要。

在一项旨在提高农业产量和开发能够抵御气候变化的作物的研究中，劳伦斯伯克利国家实验室(伯克利实验室)应用数学和计算研究(AMCR)和环境基因组学和系统生物学(EGSB)部门的科学家取得了重大进展。他们最新的创新成果 RhizoNet 利用人工智能 (AI) 的力量改变了我们研究植物根系的方式，为各种环境条件下的根系行为提供了新的见解。

6 月 5 日《科学报告》发表的一项研究详细介绍了这一开创性工具，它通过以极高的准确性实现自动化，彻底改变了根系图像分析。传统方法劳动密集且容易出错，在面对根系复杂而纠结的特性时显得力不从心。

RhizoNet 采用最先进的深度学习方法，使研究人员能够精确跟踪根系生长和生物量。这种新的计算工具使用基于卷积神经网络的先进深度学习主干，对植物根系进行语义分割，以全面评估生物量和生长情况，从而改变实验室分析植物根系的方式，并推动实验室向自动驾驶方向发展。

正如伯克利实验室的人工智能驱动软件首席研究员 Daniela Ushizima 所解释的那样，“RhizoNet 标准化根部分割和表型分析的能力代表了对数千张图像进行系统和加速分析的重大进步。这项创新有助于我们不断努力提高在不同植物条件下捕捉根部生长动态的精度。”

追根溯源

根系分析传统上依赖于平板扫描仪和手动分割方法，这不仅耗时而且容易出错，尤其是在广泛的多植物研究中。由于气泡、水滴、反射和阴影等自然现象，根系图像分割也带来了巨大的挑战。

根结构的复杂性和嘈杂背景的存在进一步使自动分析过程复杂化。这些复杂性在较小的空间尺度上尤其严重，其中精细结构有时只有一个像素那么宽，这使得手动注释即使对于专家级的人类注释者来说也极具挑战性。

EGSB 最近推出了最新版本 (2.0) 的 EcoFAB，这是一种新型水培设备，通过提供植物根系的详细视图，可以方便进行原位植物成像。EcoFAB 由 EGSB、美国能源部联合基因组研究所 (JGI) 和伯克利实验室的气候与生态系统科学部门合作开发，是自动化实验系统的一部分，旨在进行人工生态系统实验，以提高数据的可重复性。

RhizoNet 可处理在 EcoFAB 中生长并接受特定营养处理的植物的彩色扫描图，解决植物根部分析的科学难题。它采用复杂的残差 U-Net 架构(一种用于语义分割的架构，通过在编码器和解码器路径中同一级别(即分辨率)的输入和输出块之间添加残差连接来改进原始 U-Net)，提供专门针对 EcoFAB 条件的根部分割，从而显著提高预测准确性。

该系统还集成了凸化程序，用于封装时间序列中已识别的根，并有助于快速从复杂背景中勾勒出主要根成分。这种集成对于准确监测根系生物量和随时间推移的生长至关重要，尤其是在 EcoFAB 中采用不同营养处理生长的植物中。

为了说明这一点，新论文详细介绍了研究人员如何使用 EcoFAB 和 RhizoNet 处理在大约五周内处于不同营养缺乏条件下的 Brachypodium distachyon(一种小型草类)植物的根部扫描。这些图像每三到七天拍摄一次，提供重要数据，帮助科学家了解根部如何适应不同的环境。EcoFAB 的新图像采集系统 EcoBOT 具有高通量特性，为研究团队提供了系统性实验监测的潜力——只要及时分析数据。

“我们在利用 EcoBOT 进行植物栽培实验方面取得了很大进展，现在 RhizoNet 正在减少分析生成数据所涉及的手工工作，”EGSB 的研究科学家兼 EcoBOT 的首席开发人员 Peter Andeer 指出，他与 Ushizima 合作开展了这项工作。“这提高了我们的吞吐量，并使我们朝着自动驾驶实验室的目标迈进。”

Ushizima 指出，国家能源研究科学计算中心 (NERSC)(位于伯克利实验室的美国能源部 (DOE) 用户设施)的资源用于训练 RhizoNet 并进行推理，将这种计算机视觉能力带入 EcoBOT。

Ushizima 解释道：“EcoBOT 能够自动收集图像，但无法确定植物对不同环境变化的反应是活着还是死去，是生长还是停止。”“通过使用 RhizoNet 测量根部，我们可以获取有关根部生物量和生长的详细数据，这不仅是为了确定植物的活力，而且是为了提供通过传统方式不易观察到的全面定量见解。经过模型训练后，它可以重复用于多个实验(看不见的植物)。”

“为了分析来自 EcoBOT 的复杂植物图像，我们创建了一个新的卷积神经网络用于语义分割，”AMCR 的计算机系统工程师、该项目的数据科学家 Zineb Sordo 补充道。

“我们的目标是设计一个优化的流程，利用时间序列的先前信息来提高模型的准确性，而不仅仅是在单帧上进行手动注释。RhizoNet 可以处理嘈杂的图像，从图像中检测植物根部，从而计算出生物量和生长情况。”

一次一个补丁

在模型调整过程中，研究结果表明，使用较小的图像块可显著提高模型的性能。在这些图像块中，人工神经网络早期层中的每个神经元都有较小的感受野。这使得模型能够更有效地捕捉精细细节，用多样化的特征向量丰富潜在空间。

这种方法不仅提高了模型推广到未见 EcoFAB 图像的能力，而且还提高了其鲁棒性，使其能够专注于薄物体并捕捉各种视觉伪影以外的复杂图案。

较小的补丁还可以通过排除稀疏标记的补丁(注释像素少于 20% 的补丁，主要是背景)来帮助防止类别不平衡。该团队的结果显示，较小的补丁大小具有较高的准确率、精确率、召回率和交并比 (IoU)，表明该模型区分根与其他物体或人工制品的能力有所提高。

为了验证根系预测的性能，本文将预测的根系生物量与实际测量值进行了比较。线性回归分析显示出显著的相关性，强调了自动分割相对于手动注释的精确度，手动注释通常很难区分细根像素和看起来相似的噪声。这种比较突出了人类注释者面临的挑战，并展示了 RhizoNet 模型的先进功能，尤其是在较小斑块尺寸上进行训练时。

作者指出，这项研究展示了 RhizoNet 在当前研究环境中的实际应用，并为未来可持续能源解决方案以及利用植物和微生物进行碳封存技术的创新奠定了基础。研究团队对他们的研究结果的意义持乐观态度。

Ushizima 表示：“我们下一步将完善 RhizoNet 的功能，以进一步改善植物根系的检测和分枝模式。我们还看到了将这些深度学习算法应用于土壤根系以及新材料科学研究的潜力。”

“我们正在探索迭代训练协议、超参数优化和利用多个 GPU。这些计算工具旨在帮助科学团队分析以图像形式捕获的各种实验，并适用于多个领域。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：