.
Num mundo que luta pela sustentabilidade, compreender a metade oculta de uma planta viva – as raízes – é crucial. As raízes não são apenas uma âncora; eles são uma interface dinâmica entre a planta e o solo, crítica para a absorção de água, absorção de nutrientes e, em última análise, para a sobrevivência da planta. Numa investigação para aumentar os rendimentos agrícolas e desenvolver culturas resilientes às alterações climáticas, os cientistas das divisões de Matemática Aplicada e Investigação Computacional (AMCR) e de Genómica Ambiental e Biologia de Sistemas (EGSB) do Laboratório Nacional Lawrence Berkeley (Berkeley Lab’s) deram um salto significativo. Sua mais recente inovação, RhizoNet, aproveita o poder da inteligência artificial (IA) para transformar a forma como estudamos as raízes das plantas, oferecendo novos insights sobre o comportamento das raízes sob diversas condições ambientais.
Essa ferramenta pioneira, detalhada em estudo publicado em 5 de junho no Relatórios Científicos, revoluciona a análise de imagem raiz, automatizando o processo com precisão excepcional. Os métodos tradicionais, que são trabalhosos e propensos a erros, ficam aquém quando confrontados com a natureza complexa e emaranhada dos sistemas radiculares. A RhizoNet intervém com uma abordagem de aprendizagem profunda de última geração, permitindo aos pesquisadores rastrear o crescimento das raízes e a biomassa com precisão. Usando um backbone avançado baseado em aprendizado profundo baseado em uma rede neural convolucional, esta nova ferramenta computacional segmenta semanticamente as raízes das plantas para avaliação abrangente de biomassa e crescimento, mudando a maneira como os laboratórios podem analisar as raízes das plantas e impulsionando os esforços em direção a laboratórios autônomos.
Como explicou Daniela Ushizima, do Berkeley Lab, investigadora principal do software baseado em IA, “A capacidade do RhizoNet de padronizar a segmentação e fenotipagem de raízes representa um avanço substancial na análise sistemática e acelerada de milhares de imagens. Esta inovação é fundamental para nosso contínuo esforços para aumentar a precisão na captura da dinâmica de crescimento das raízes sob diversas condições de planta.”
Chegando às raízes
A análise de raízes tradicionalmente depende de scanners de mesa e métodos de segmentação manual, que não são apenas demorados, mas também suscetíveis a erros, especialmente em estudos extensos de múltiplas plantas. A segmentação de imagens raiz também apresenta desafios significativos devido a fenômenos naturais como bolhas, gotículas, reflexos e sombras. A natureza complexa das estruturas radiculares e a presença de fundos ruidosos complicam ainda mais o processo de análise automatizada. Essas complicações são particularmente graves em escalas espaciais menores, onde estruturas finas às vezes têm apenas a largura de um pixel, tornando a anotação manual extremamente desafiadora, mesmo para anotadores humanos experientes.
A EGSB introduziu recentemente a versão mais recente (2.0) do EcoFAB, um novo dispositivo hidropônico que facilita a geração de imagens de plantas in-situ, oferecendo uma visão detalhada dos sistemas radiculares das plantas. EcoFAB – desenvolvido através de uma colaboração entre EGSB, o DOE Joint Genome Institute (JGI) e a divisão Climate & Ecosystem Sciences do Berkeley Lab – faz parte de um sistema experimental automatizado projetado para realizar experimentos de ecossistemas fabricados que melhoram a reprodutibilidade dos dados. RhizoNet, que processa varreduras coloridas de plantas cultivadas no EcoFAB que são submetidas a tratamentos nutricionais específicos, aborda os desafios científicos da análise de raízes de plantas. Ele emprega uma arquitetura U-Net residual sofisticada (uma arquitetura usada na segmentação semântica que melhora a U-Net original adicionando conexões residuais entre blocos de entrada e saída dentro do mesmo nível, ou seja, resolução, nos caminhos do codificador e do decodificador) para fornecer segmentação de raiz especificamente adaptada para condições EcoFAB, melhorando significativamente a precisão da previsão. O sistema também integra um procedimento de convexificação que serve para encapsular raízes identificadas de séries temporais e ajuda a delinear rapidamente os componentes da raiz primária de fundos complexos. Esta integração é fundamental para monitorar com precisão a biomassa e o crescimento das raízes ao longo do tempo, especialmente em plantas cultivadas sob tratamentos nutricionais variados em EcoFABs.
Para ilustrar isso, o novo Relatórios Científicos artigo detalha como os pesquisadores usaram EcoFAB e RhizoNet para processar varreduras de raiz de Distaquião de braquipódio (uma pequena espécie de gramínea) plantas submetidas a diferentes condições de privação de nutrientes durante aproximadamente cinco semanas. Estas imagens, tiradas a cada três a sete dias, fornecem dados vitais que ajudam os cientistas a compreender como as raízes se adaptam a ambientes variados. A natureza de alto rendimento do EcoBOT, o novo sistema de aquisição de imagens para EcoFABs, oferece às equipes de pesquisa o potencial para monitoramento experimental sistemático – desde que os dados sejam analisados prontamente.
“Fizemos muitos progressos na redução do trabalho manual envolvido em experimentos de cultivo de plantas com o EcoBOT, e agora a RhizoNet está reduzindo o trabalho manual envolvido na análise dos dados gerados”, observou Peter Andeer, cientista pesquisador da EGSB e pesquisador desenvolvedor líder do EcoBOT, que colaborou com Ushizima neste trabalho. “Isso aumenta nosso rendimento e nos leva ao objetivo de laboratórios autônomos.” Recursos do Centro Nacional de Computação Científica de Pesquisa Energética (NERSC) – uma instalação de usuário do Departamento de Energia dos EUA (DOE) localizada no Berkeley Lab – foram usados para treinar RhizoNet e realizar inferência, trazendo essa capacidade de visão computacional para o EcoBOT, Ushizima observado.
“O EcoBOT é capaz de coletar imagens automaticamente, mas não foi capaz de determinar se a planta responde a diferentes mudanças ambientais, viva ou não, ou crescendo ou não”, explicou Ushizima. “Ao medir as raízes com o RhizoNet, capturamos dados detalhados sobre a biomassa e o crescimento das raízes, não apenas para determinar a vitalidade da planta, mas para fornecer insights quantitativos abrangentes que não são facilmente observáveis por meios convencionais. Depois de treinar o modelo, ele pode ser reutilizado para vários experimentos (plantas invisíveis).”
“Para analisar as imagens complexas de plantas do EcoBOT, criamos uma nova rede neural convolucional para segmentação semântica”, acrescentou Zineb Sordo, engenheiro de sistemas computacionais da AMCR que trabalha como cientista de dados no projeto. “Nosso objetivo era projetar um pipeline otimizado que usasse informações prévias sobre a série temporal para melhorar a precisão do modelo além das anotações manuais feitas em um único quadro. O RhizoNet lida com imagens ruidosas, detectando raízes de plantas a partir de imagens para que a biomassa e o crescimento possam ser calculados.”
Um patch de cada vez
Durante o ajuste do modelo, as descobertas indicaram que o uso de patches de imagem menores melhora significativamente o desempenho do modelo. Nessas manchas, cada neurônio nas camadas iniciais da rede neural artificial possui um campo receptivo menor. Isso permite que o modelo capture detalhes finos de forma mais eficaz, enriquecendo o espaço latente com diversos vetores de recursos. Esta abordagem não apenas melhora a capacidade do modelo de generalizar para imagens EcoFAB invisíveis, mas também aumenta sua robustez, permitindo focar objetos finos e capturar padrões intrincados, apesar de vários artefatos visuais.
Patches menores também ajudam a evitar o desequilíbrio de classes, excluindo patches pouco rotulados – aqueles com menos de 20% de pixels anotados, predominantemente de fundo. Os resultados da equipe mostram alta exatidão, precisão, recall e interseção sobre união (IoU) para tamanhos de patches menores, demonstrando a capacidade aprimorada do modelo de distinguir raízes de outros objetos ou artefatos.
Para validar o desempenho das previsões de raízes, o artigo compara a biomassa radicular prevista com as medições reais. A análise de regressão linear revelou uma correlação significativa, ressaltando a precisão da segmentação automatizada em relação às anotações manuais, que muitas vezes têm dificuldade para distinguir pixels de raiz finos de ruídos de aparência semelhante. Esta comparação destaca o desafio que os anotadores humanos enfrentam e mostra os recursos avançados dos modelos RhizoNet, especialmente quando treinados em patches menores.
Este estudo demonstra as aplicações práticas do RhizoNet nos ambientes de pesquisa atuais, observaram os autores, e estabelece as bases para futuras inovações em soluções de energia sustentável, bem como na tecnologia de sequestro de carbono usando plantas e micróbios. A equipe de pesquisa está otimista quanto às implicações de suas descobertas.
“Nossos próximos passos envolvem o refinamento das capacidades do RhizoNet para melhorar ainda mais a detecção e os padrões de ramificação das raízes das plantas”, disse Ushizima. “Também vemos potencial na adaptação e aplicação desses algoritmos de aprendizado profundo para raízes no solo, bem como em novas investigações de ciência de materiais. Estamos explorando protocolos de treinamento iterativos, otimização de hiperparâmetros e aproveitando múltiplas GPUs. Essas ferramentas computacionais são projetadas para auxiliar a ciência equipes na análise de diversos experimentos capturados como imagens e têm aplicabilidade em diversas áreas.”
Outros trabalhos de pesquisa sobre dinâmica de crescimento de raízes de plantas são descritos em um livro pioneiro sobre experimentação autônoma editado por Ushizima e Marcus Noack, colega do Berkeley Lab, que foi lançado em 2023. Outros membros da equipe do Berkeley Lab incluem Peter Andeer, Trent Northen, Camille Catoulos e James Sethian. Este grupo multidisciplinar de cientistas faz parte do Twin Ecosystems, um projeto do DOE Office of Science Genomic Science Program que integra software de visão computacional e software de design experimental autônomo desenvolvido no Berkeley Lab (gpCAM) com um sistema experimental automatizado (EcoFAB e EcoBOT) para realizar experimentos de ecossistemas e melhorar a reprodutibilidade dos dados. O trabalho de análise de raízes de plantas sob diferentes tipos de nutrição e condições ambientais também faz parte da iniciativa Carbon Negative Earthshot do DOE (ver barra lateral).
.
