一种复杂条件下快速植物表型分析的人工智能方法

在光合作用过程中，藻类和植物中的绿色色素叶绿素吸收了入射光的大部分能量。叶绿素被激发并将这种能量转移到能量收集蛋白质复合物光系统I(PSI)和II(PSII)中。然而，其中一些能量以热量或叶绿素荧光(ChlF)的形式消散。

影响PSII的环境或植物生理变化也会改变ChlF，因此可以用作PSII状态的快速，灵敏和非破坏性指标。事实上，ChlF是评估光合作用多个方面的强大工具。虽然ChlF测量和分析很复杂，但它们使研究人员能够研究各种类型的压力源对光合作用的影响。例如，ChlF用于监测干旱，高温，污染和营养状况的影响。

可以从ChlF获得的一个非常重要的测量值是可变荧光与最大荧光的比值，或Fv/Fm.该比率提供了有关碳代谢的信息，是光合作用的可靠指标。然而，植物样品必须首先进行暗适应，以便量化F。v/Fm.

暗适应既乏味又耗时，因此避免它既可以加快实验和分析的速度。现在，来自江南大学，哥伦比亚大学和诺伊大学厄巴纳香槟分校的研究人员已经开发出一种快速方法，用于精确测量F。 v/Fm使用人工智能 (AI) 进行分析，无需黑暗适应。

他们的研究结果发表在植物表型组学上。

“AI让我们揭示了F之间隐藏的关系v/Fm和没有黑暗适应的 ChlF。我们已经节省了大量时间，现在可以快速了解植物表型组学，“江南大学轻工业先进过程控制重点实验室的首席研究员郭亚博士说。

被称为最小二乘支持向量机模型(LSSVM)的AI方法通过数学预测F绕过了暗适应的需要。v/FmChlF测量的暗适应下的比率。这种分析过程更经济，更不乏味，因为实际上不需要暗适应设备。

他们在这项研究中的实验涉及7种不同植物遗传品种的000，6多个样本。这些植物经受4种干旱条件，几种不同的环境温度，3种不同的生长季节(春季，夏季和冬季)，广泛的光合光子通量密度和3种不同的生长地点(田间，温室和实验室)。所有这些条件都导致了ChlF值的巨大差异。

这些发现表明，LSSVM模型可以预测Fv/Fm暴露于各种条件下的植物样品中的比率，误差非常小。换句话说，该模型可以可靠地识别ChlF和F之间的隐藏关系v/Fm没有黑暗适应的价值观。

在阐述其基于AI的方法的优势时，郭博士解释说：“LSSVM模型在确定F方面表现出优异的性能。v/Fm来自ChlF，没有暗适应，并在四毫秒内处理每个样品。其预测结果具有较高的相关系数、较低的均方根误差和可接受的残差预测偏差。这是确认其准确性的三个关键性能指标。

ChlF是植物表型分析的一个非常有用的工具。了解植物表型背后的机制对于改善作物生长和产量至关重要。到目前为止，暗适应对于进行ChlF测量是必要的。然而，不同的暗适应时间已被证明会影响ChlF结果。黑暗适应还需要额外的设备，而且很耗时。

在这项研究中，郭博士和他的同事通过测量ChlF而没有暗适应来获得F的真实值，从而设定了新的基准。v/Fm比率。他们新的LSSVM模型使他们能够利用AI的速度和准确性方便地探测植物表型和生理状态。最重要的是，现在可以直接在现场、在复杂的环境条件下实时进行测量。

“这项研究向我们表明，人工智能可以发现光合作用等生物过程的隐藏行为，几乎没有错误。我们的概念验证很快就会用于预测其他ChlF参数，如PSII的光化学量子产率和能量耗散的量子产率。我们只是触及了其应用的表面，“郭博士总结道。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！