Naujoviškas dirbtinio intelekto naudojimas augalų šaknų analizėje gerina CO2 sekvestraciją
Mokslininkai iš Salko biologijos studijų instituto žengė didelį žingsnį kovojant su klimato kaita. Jie pristačė sumanią dirbtinio intelekto programinę įrangą, SLEAP, kurią pradiniais tikslais sukūrė stebėti gyvūnų judesius laboratorijose, o dabar suteikia svarbius įžvalgų apie augalų šaknų išsamiuosius augimo modelius ir fizinius požymius.
Augalų tyrinėjimo iniciatyvos karkasu šie pažangos yra būtinos, nes Tarptautinė klimato kaitos taryba paskelbė būtinybę pašalinti anglį iš atmosferos kovojant su globaliniu atšilimu. Salko tyrėjai susikoncentravo į šį tikslą išnaudodami augalų natūralų gebėjimą absorbti atmosferinį CO2, fokusuodamiesi ties optimizuojant šaknų sistemą ilgesniam ir didesniam anglies kaupimui.
SLEAP taikant sėjai analizei suteikia neregėtąjį šaknų fenotipinių požymių katalogą, kuris supaprastina naudingų genų atradimą augalų dizainui. Šie turtingi fenominiai duomenys ne tik supaprastina ryšį tarp šaknų charakteristikų ir konkretaus geno, bet ir giliau atskleidžia, ar šie požymiai kyla iš identiškų ar įvairių genetinių įtakų.
Peršokimas su SLEAP išvengia seniau reikalaujamų laikomųjų žymių, reikalingų analizuojant augalų atvaizdus. Tai išnaudoja kompiuterio vizijos ir gilųjį mokymą, eliminuodama duomenų paruošimo žingsnius ir leisdama tiesiogiai apdoroti atvaizdų duomenis siekiant ištraukti augalų savybes.
Šiais technologijomis Salko tyrėjai dirbo ne tik palaikydami SLEAP branduolį, bet ir sukūrė viešai prieinamą įrankių rinkinį, vadinamą sleap-roots. Tai padidina AI galimybę analizuoti biologinius požymius, tokius kaip šaknų gylis, masė ir augimo kampai įvairių kultūrų ir laukinių rūšių, įskaitant Arabidopsis thaliana, atžvilgiu.
Pasiekiant greitesnio apdorojimo greičio, ši metodika iš naujo apibrėžia fenotipinių atvaizdų analizės efektyvumą. Sukaupti duomenys yra nepakeičiami išsiskleidžiant, kokius genus išleidžia gilesni šaknų sistemos, būtiną komponentą projektuojant kultūrinius augalus taikančius ilgalaikę anglies sekvestraciją.
Žiūrint į ateitį, komanda įsitraukia į 3D duomenų analizę ir tęsia tobulindama ir dalindama tiek SLEAP, tiek sleap-roots. Šios AI programinės įrangos naudingumas Salko instituto Augalų tyrinėjimo iniciatyvos karkase pagreitina augalų veislių dizainą prisidedantį prie klimato kaitos iniciatyvų.
Pagrindinės klausimai ir atsakymai:
K: Kodėl dirbtinio intelekto valdoma augalų šaknų analizė yra svarbi klimato kaitos mažinimo kontekste?
A: Dirbtinio intelekto valdoma augalų šaknų analizė yra svarbi, nes leidžia mokslininkams greitai ir tiksliai ištirti augalų šaknų savybes, tokius kaip gylis, masė ir augimo kampai. Šie požymiai yra svarbūs anglies sekestracijai, nes augalai su gilesnėmis ir išplėstinėmis šaknų sistemomis gali ilgesnį laikotarpį saugoti daugiau anglies dirvožemyje, padedant pašalinti perteklinį CO2 iš atmosferos.
K: Kaip SLEAP programinės įrangos taikymas prisideda prie kultūrų dizaino?
A: SLEAP leidžia greitai ir tiksliai analizuoti šaknų fenotipinius požymius, kurie padeda nustatyti genetinius pagrindus, atsakingus už pageidaujamų šaknų savybių. Ši informacija gali būti naudojama kultūrų veisimo programose, siekiant projektuoti kultūras su optimaliomis šaknų sistemomis didesnei anglies sekestracijai.
K: Kokie yra pagrindiniai iššūkiai ar kontroversijos, susijusios su dirbtinio intelekto tyrimais augalų moksle?
A: Vienas iš iššūkių yra užtikrinti, kad dirbtinio intelekto modeliai būtų apmokomi įvairiuose duomenų rinkiniuose, kad būtų išvengta iškraipymo ir atspindėtų natūralių aplinkų ir rūšių įvairovę tiksliai. Taip pat gali kilti kontroversijos, susijusios su genetinės informacijos nuosavybe ir galimybe, kad tokią technologiją gali monopolizuoti tam tikros įmonės ar subjektai, kuriuos atstovauja etinės ir teisinės diskusijos.
Privalumai ir trūkumai:
Privalumai:
– Didėjantis efektyvumas: dirbtinis intelektas gali analizuoti didelius duomenų rinkinius daug greičiau nei žmonės, ženkliai pagreitindamas tyrimus.
– Tikslumas: dirbtinis intelektas sumažina žmogiškus klaidas žymint ir matuojant šaknų savybes.
– Naujoviškos įžvalgos: dirbtinis intelektas gali aptikti modelius ir koreliacijas, kurios gali būti neaiškūs žmogaus tyrėjams.
Trūkumai:
– Kompleksiškumas ir sąnaudos: išvystyti ir palaikyti sudėtingas dirbtinio intelekto sistemas gali būti brangu ir techniškai reikalaujantis darbas.
– Duomenų iškraipymas: jei dirbtinį intelektą moko riboti duomenys, jis gali blogai generalizuoti įvairiose aplinkose ar rūšyse.
– Per didelis pasitikėjimas: per daug pasitikėjimo dirbtiniu intelektu gali praleisti vertingų kokybinių pastabų, kurias gali padaryti patyrę tyrėjai.
Susijęs nuoroda:
Galite rasti daugiau informacijos apie augalų mokslą kovojant su klimato kaita iš oficialios Tarptautinės klimato kaitos tarybos (IPCC) svetainės: IPCC.
Prašome atkreipti dėmesį, kad nors stengiuosi užtikrinti pateiktų URL adresų tikslingumą, rekomenduoju nepriklausomai jas patikrinti, kad būtumėte tikri, jog jos išlieka esminės.
The source of the article is from the blog radiohotmusic.it