Los tricomas vegetales son estructuras altamente especializadas que se desarrollan a partir de las células del pavimento epidérmico de diferentes tejidos vegetales.
por la Universidad Agrícola de NanJing
Se sabe que defienden las plantas del estrés biótico y abiótico, como la pérdida de agua, el daño causado por insectos, los ataques de patógenos, la radiación ultravioleta mortal y la reducción de la temperatura de las hojas.
Aunque se sabe que son rasgos agronómicos de alto valor, su fenotipado preciso está restringido por métodos de conteo manual tediosos y lentos, necesarios para miles de muestras. Como resultado, hasta ahora solo se han identificado y clonado unos pocos genes que regulan la formación de tricomas en las monocotiledóneas.
Ahora, sin embargo, el desarrollo de la visión por computadora y la inteligencia artificial ha mostrado la esperanza de mejorar el reconocimiento de los rasgos de las plantas. Los enfoques basados en redes neuronales convolucionales (CNN) han permitido la extracción exitosa de órganos de plantas y el estudio de sus características. No obstante, faltan métodos totalmente automatizados para el reconocimiento de tricomas de maíz.
Para abordar esta brecha, un equipo de investigación de China utilizó recientemente técnicas de visión por computadora, inteligencia artificial y aprendizaje profundo para desarrollar un algoritmo automático para contar y medir los tricomas del maíz. El estudio fue dirigido por el profesor Yanli Lu de la Universidad Agrícola de Sichuan y fue publicado en Plant Phenomics .
Profundizando en la nueva herramienta, el profesor Lu dice: «La determinación manual del fenotipo de los recuentos de tricomas es una tarea laboriosa con un alto riesgo de errores, por no hablar de la medición de la longitud de los tricomas. En este estudio, presentamos TrichomeYOLO, un tricoma de maíz automatizado de alta precisión». método de conteo y medición que utiliza un DCNN para identificar la densidad y la longitud de los tricomas de maíz a partir de imágenes de microscopía electrónica de barrido (SEM).
Para comenzar, el equipo usó YOLOv5, una red neuronal basada en detección de una etapa como modelo base para diseñar el algoritmo. A continuación, integraron Transformer, un modelo clásico de procesamiento de lenguaje natural diseñado por Google en 2017, e incorporaron una red piramidal de funciones bidireccional en el modelo para facilitar la detección y cuantificación de tricomas.
Para determinar la precisión de identificación del algoritmo desarrollado, TrichomeYOLO, los investigadores analizaron un total de 9614 imágenes SEM capturadas de una población natural de maíz que crece en áreas templadas, tropicales y subtropicales. Se seleccionaron aleatoriamente un total de 1000 imágenes y se dividieron en dos grupos, con un 70 % para entrenamiento y un 30 % para validación.
Los resultados fueron alentadores, ya que el algoritmo arrojó una precisión promedio y tasas de recuperación del 92,1 % y 93,2 %, respectivamente. Al comparar la cantidad de tricomas medidos usando el conteo manual y el conteo automático basado en TrichomeYOLO en 500 imágenes seleccionadas al azar, el equipo encontró un cuadrado del coeficiente de correlación (R 2 ) de 0.98 % y un error porcentual absoluto medio de 4.25 %, ambos de que subrayan la alta eficiencia de TrichomeYOLO.
Para evaluar aún más el rendimiento de TrichomeYOLO, cinco modelos populares de detección de objetos, a saber. Se utilizaron R-CNN, YOLOv3, YOLOv5, DETR y Cascade R-CNN más rápidos para identificar tricomas en 100 imágenes seleccionadas al azar de un conjunto de datos desconocido. TrichomeYOLO superó significativamente a los cinco modelos principales de detección de objetos al alcanzar la mayor precisión de detección, para el mismo conjunto de imágenes.
Al analizar las implicaciones de estos hallazgos, el profesor Lu dice: «Creemos que la contribución de este estudio no es solo TrichomeYOLO, sino también proporcionar a los criadores un método de fenotipado nuevo y mejorado para rasgos ignorados a largo plazo. Proporcionaremos todas las imágenes. recopilamos y las anotaciones manuales correspondientes para facilitar la investigación sobre los tricomas de las plantas».
Aunque se necesita más investigación para garantizar la precisión constante y ajustar los parámetros del modelo, TrichomeYOLO allana el camino para la detección y cuantificación automatizadas eficientes de tricomas.
Más información: Jie Xu et al, TrichomeYOLO: una red neuronal para el conteo automático de tricomas de maíz, fenómica vegetal (2023). DOI: 10.34133/plantafenomics.0024
