https://videopress.com/v/cBeNFnbM?resizeToParent=true&cover=true&posterUrl=https%3A%2F%2Fwww.botany.one%2Fwp-content%2Fuploads%2F2022%2F02%2Fwiwam-vid_mp4_hd.original.jpg&preloadContent=metadataEste robô WIWAM consiste em uma rede transportadora que leva as plantas a estações de pesagem e irrigação e cabines de imagem, abrigando uma variedade de sistemas de câmeras não destrutivas.

As plantas se movem continuamente em uma esteira rolante, passando por sensores que coletam vastas coleções de dados, incluindo imagens que podem ser usadas para extrair características das plantas à medida que as plantas crescem. Fenotipagem de alto rendimento como essa ajuda os criadores de plantas a determinar quais características e características genômicas são mais críticas para o melhoramento da planta.

Embora os sistemas de obtenção dessas imagens e dados sejam complicados, interpretar a imensa quantidade de imagens é um desafio maior.

Algoritmos de visão computacional que empregam redes neurais artificiais e aprendizado profundo para reconhecer e quantificar aspectos relevantes de plantas cultivadas são promissores para enfrentar esse desafio. No entanto, essas redes neurais devem ser treinadas usando grandes conjuntos de imagens anotadas, onde são rotuladas as características arquitetônicas de interesse, que são demoradas e caras de se obter.

O uso de imagens sintéticas anotadas de plantas oferece uma alternativa viável.

Em um novo artigo publicado em in silico Plants, Mikolaj Cieslak, Pesquisador Associado Sênior da Universidade de Calgary, e colegas apresentam um novo processo de modelagem que fornece um número praticamente ilimitado de imagens anotadas refletindo a variação individual das plantas para treinar redes neurais. O trabalho apresenta o desenvolvimento vegetativo do milho (Zea mays L.) e o desenvolvimento vegetativo e de floração da canola (Brassica napus L.) como exemplos.

O processo de modelagem para cada espécie foi dividido em duas etapas: (1) construção de um sistema L, capturando qualitativamente os elementos essenciais das espécies vegetais de interesse, e (2) calibração do modelo para um conjunto de fotografias de plantas de referência.

“Para ambas as espécies, utilizamos sistemas L paramétricos para criar um modelo descritivo simples de desenvolvimento. O modelo de sistema L é organizado em torno do conceito de informação posicional, o que significa que os principais aspectos quantitativos da forma da planta em estudo, como a distribuição de ramos, folhas e órgãos reprodutivos, são expressos como funções intuitivas e fáceis de manipular da posição em seus eixos de suporte. Os processos de desenvolvimento são simulados multiplicando-se as funções de informação posicional por funções do tempo”, explicam os autores.

A calibração foi baseada no alinhamento do modelo com uma planta de referência usando uma interface gráfica. As plantas de referência podem representar um estágio de desenvolvimento específico ou uma sequência de estágios. Os modelos podem ser calibrados para capturar a diversidade genética, a influência do ambiente (por exemplo, limitação de água) e/ou variação individual das plantas.

Calibração de um modelo de milho.
Calibração de um modelo de milho.

Uma vez calibrado, o modelo pode gerar um número praticamente ilimitado de imagens anotadas de plantas sintéticas ao randomizar os parâmetros usando variáveis ​​aleatórias normalmente distribuídas (ver figura 1). As plantas calibradas podem ser usadas para visualizar plantas em diferentes estágios de desenvolvimento individualmente (veja a parte superior da figura 2) ou serem montadas em modelos de parcelas inteiras (veja a parte inferior da figura 2).

Amostras de plantas de canola com arquiteturas contrastantes (acima) e seus modelos calibrados (abaixo).
Figura 1: Amostras de plantas de canola com arquiteturas contrastantes (em cima) e seus modelos calibrados (em baixo).
Plantas de canola simuladas
Figura 2: Acima – Estágios simulados do desenvolvimento de uma planta individual (dias após a semeadura). Abaixo – modelo de canola.

Cieslak acrescenta: “Os dados anotados sintéticos ajudarão no treinamento de redes neurais para identificar traços semânticos de plantas em tarefas de fenotipagem baseadas em imagens. Nosso próximo passo é extrair características fenotípicas dos conjuntos de dados de milho e canola. No entanto, a utilidade dos modelos calibrados vai além das anotações para treinamento de redes neurais. Os modelos fornecem uma estimativa quantitativa dos parâmetros arquitetônicos dessas plantas ao longo do tempo sem medições diretas (um processo muito demorado). Eles também podem fornecer uma base para a construção de modelos mais abrangentes, incorporando aspectos funcionais do desenvolvimento de uma planta.”

LEIA O ARTIGO:

Mikolaj Cieslak, Nazifa Khan, Pascal Ferraro, Raju Soolanayakanahally, Stephen J Robinson, Isobel Parkin, Ian McQuillan, Przemyslaw Prusinkiewicz, Modelos de sistema L para fenômica baseada em imagens: estudos de caso de milho e canola, in silico Plants, 2021;, diab039, https://doi.org/10.1093/insilicoplants/diab039

DISPONIBILIDADE DO MODELO

Os modelos foram implementados usando o software de modelagem de plantas Virtual Laboratory 4.5.1 (algorithmicbotany.org/virtual_laboratory) macOS High Sierra v.10.13.6, e estão disponíveis no site da Algorithmic Botany (algoritmobotany.org/papers/l-phenomics2021.html).