La combinazione di tecniche di computer vision e di deep learning ha consentito ai ricercatori di un Ateneo arabo di monitorare e di analizzare processi biologici dinamici, come la germinazione dei semi e la crescita delle radici di alcune tipologie di piante.

TAKEAWAY

  • Un team di ricerca della King Abdullah University of Science and Technology ha ideato un metodo alternativo per lo studio delle dinamiche di crescita delle piante, che coniuga un dispositivo video dotato di intelligenza artificiale e algoritmi di deep learning per l’elaborazione e l’analisi dei dati raccolti.
  • In seno a tale metodo, la segmentazione delle immagini è affidata ad algoritmi AI che, all’interno dei fotogrammi dei semi e delle radici delle piante, ne individuano i singoli pixel per poi restituire i relativi riquadri di delimitazione e calcolare le dimensioni.
  • Tra le applicazioni future del sistema messo a punto, i test sulla resistenza di determinate colture a diverse condizioni del terreno e l’indagine in merito alla risposta delle piante a prodotti fitosanitari, batteri e agenti patogeni.

L’impiego di tecniche di intelligenza artificiale per applicazioni nell’ambito della biologia vegetale rimanda, tra i diversi filoni di ricerca, alla selezione sempre più attenta di colture in grado di crescere senza disequilibri, di interagire con il suolo per assorbire in modo efficiente acqua e sostanze nutritive. Selezione funzionale all’aumento globale della domanda alimentare, che richiede l’allevamento delle colture migliori.

Gli strumenti attualmente disponibili per osservare e studiare le dinamiche di crescita dei semi e delle radici delle piante comprendono dispositivi di imaging, grazie ai quali è possibile eseguire la fenotipizzazione per estrarre le caratteristiche strutturali e morfologiche delle colture.

Tuttavia, «isolare piante con fenotipi particolari e studiarle in modo accurato e non invasivo è un processo piuttosto impegnativo, in quanto comporta l’analisi da centinaia a migliaia di campioni e, talora, la selezione di specifiche caratteristiche complesse a livelli multiscala, che vanno dalla cellula, dal tessuto all’intera pianta» osservano i ricercatori della King Abdullah University of Science and Technology (KAUST), a Thuwal, in Arabia Saudita, in un studio descritto in “MultipleXLab: a high-throughput portable live-imaging root phenotyping platform using deep learning and computer vision”.

In particolare, nel documento viene illustrato un metodo alternativo per il monitoraggio continuo di migliaia di semi (dalla loro germinazione allo sviluppo delle radici) per mezzo di una telecamera collegata a un sistema di rotazione motorizzato, i cui dati video vengono segmentati e analizzati automaticamente da un algoritmo di deep learning. Vediamo di che cosa si tratta e quale ruolo ha giocato l’intelligenza artificiale in seno al progetto.

Intelligenza artificiale per la biologia vegetale: il monitoraggio della germinazione e della crescita delle radici

In tema di intelligenza artificiale per la biologia vegetale, il team di ricerca è partito da un obiettivo preciso, ossia sviluppare una piattaforma in grado di combinare l’acquisizione delle caratteristiche morfologiche e funzionali della pianta con l’alta risoluzione e l’analisi automatica di tali caratteristiche.

Il sistema messo a punto si fonda su una telecamera portatile – con algoritmi di computer vision a bordo – «adattata per acquisire processi dinamici in modo non invasivo nei sistemi biologici viventi» e, più in particolare, per acquisire quei processi relativi alla germinazione dei semi e alla crescita delle radici su apposite piastre utilizzate per la coltura di microrganismi.

Più precisamente, durante lo studio è stato possibile acquisire simultaneamente le immagini da diciotto piastre contenenti più campioni, consentendo lo screening di migliaia di piantine.

«Il sistema video può acquisire e analizzare fino a 100 immagini all’ora, ciascuna con un massimo di 64 semi o di radici. Abbiamo anche implementato tecnologie di visione artificiale e di riconoscimento dei modelli combinate con tecniche di deep learning per analizzare e quantificare fenotipi distinti» spiega il team.

L’automatizzazione dell’acquisizione delle immagini

In tema di intelligenza artificiale per la biologia vegetale, la peculiarità del sistema video messo a punto è data dall’automatizzazione del processo di acquisizione delle immagini, ottenuta – spiegano i ricercatori – microposizionando le telecamere con l’ausilio di motori passo-passo in grado di raggiungere una risoluzione di un micromètro (un milionesimo di metro) per passo.

Un altro tratto distintivo è rappresentato dall’imaging time-lapse di campioni di piante utilizzando l’intervallometro integrato nella telecamera stessa, per stabilire una frequenza adeguata, atta a visualizzare processi dinamici in tempi prolungati quali – appunto – la germinazione dei semi e la crescita delle radici:

«Questa configurazione ci ha consentito di utilizzare la telecamera in modo autonomo e di impiegare, invece, il computer per controllare il sistema per quanto riguarda attività più specifiche e complesse, come, ad esempio, le operazioni di messa a fuoco automatica»

Il monitoraggio (non invasivo), nel tempo, dei cambiamenti nello sviluppo delle radici delle piante durante la loro crescita, è stato reso possibile ricorrendo a un sistema “mini-rizotrone” personalizzato, che consiste di una mini telecamera sotterranea, scavata sotto il livello del suolo, per seguire – attraverso una lastra di vetro – gli impercettibili movimenti delle radici delle piante.

In particolare, la fase sperimentale ha visto il monitoraggio (per tre giorni) delle radici della pianta Arabidopsis e (per quattordici giorni) della crescita delle radici di pomodoro, reso possibile dal mini-rizotrone agganciato alla telecamera a piastra singola, utilizzando il suo stesso orientamento orizzontale.

Intelligenza artificiale per la biologia vegetale: la segmentazione dei dati video acquisiti

In tema di intelligenza artificiale per la biologia vegetale, per quanto concerne la parte relativa all’elaborazione e all’analisi di tutte le immagini acquisite durante il monitoraggio, oltre agli algoritmi di computer vision a bordo delle telecamere, comunemente adoperati per questo tipo di applicazione, sono stati sviluppati due modelli di deep learning per la segmentazione delle immaginiSeedNet, deputato alla rilevazione dei pixel dei semi, e RootNet, per rilevare i pixel specifici delle radici delle piante.

Il lavoro di segmentazione dei dati video – spiegano gli autori – ha inizio analizzando il primo fotogramma della pianta, all’interno del quale si procede all’identificazione dei primi pixel del seme utilizzando l’algorimto SeedNet. Successivamente, per individuare i singoli semi per intero, viene utilizzato l’algoritmo del “componente connesso” OpenCV, che restituisce – per ogni seme – i relativi riquadri di delimitazione.

A quel punto, l’algoritmo RootNet passa all’individuazione dei pixel che – all’interno di ogni fotogramma – compongono le radici delle piante ed «espande i riquadri di delimitazione man mano che le radici crescono, avvalendosi dell’algoritmo del componente connesso. La pipeline determina i riquadri di delimitazione per ogni radice in ogni frame».

Quindi, entra in scena l’algoritmo di “scheletrizzazione”, grazie al quale la pipeline calcola la lunghezza della radice di ciascuna pianta attraverso le serie temporali.

Immagine - ottenuta mediante tecnica di fotogrammetria, utilizzando un profilometro ottico - che illustra la crescita delle radici delle piante oggetto dello studio, con, destra, alcuni particolari delimitati (Fonte: “MultipleXLab: a high-throughput portable live-imaging root phenotyping platform using deep learning and computer vision” - King Abdullah University of Science and Technology (KAUST) - https://plantmethods.biomedcentral.com/articles/10.1186/s13007-022-00864-4).
Immagine – ottenuta mediante tecnica di fotogrammetria, utilizzando un profilometro ottico – che ritrae la crescita delle radici delle piante di Arabidopsis con, a destra, alcuni particolari delimitati (Fonte: “MultipleXLab: as high-throughput portable live-imaging root phenotyping platform using deep learning and computer vision” – King Abdullah University of Science and Technology (KAUST) – https://plantmethods.biomedcentral.com/articles/10.1186/s13007-022-00864-4).

Futuri obiettivi e possibili applicazioni

I due modelli di deep learning messi a punto per la segmentazione delle immagini – spiegano gli autori della ricerca – consentono al sistema di funzionare con una supervisione umana minima. Ed è questo il tratto saliente di questo studio in materia di intelligenza artificiale per la biologia vegetale.

«La capacità – del sistema che abbiamo sviluppato – di visualizzare (mediante telecamere) e di quantificare (mediante l’intelligenza artificiale) il tasso di crescita di diversi campioni di piante contemporaneamente, ci ha permesso di estrarre nuovi fenotipi. E in futuro potremmo identificare una crescita sempre più lenta per diversi mutanti vegetali»

Tra le possibili applicazioni, anche l’analisi delle differenze tra i mutanti vegetali e la valutazione della qualità dei semi in diversi lotti.

Anche lo screening di fenotipi particolari – tra cui, ad esempio, i livelli di germinazione e la lunghezza delle radici – e i test sulla resistenza a diverse condizioni del terreno (salinità e carenza di nutrienti), rappresentano ulteriori ambiti di applicazione del sistema ideato dalla King Abdullah University of Science and Technology.

Infine, si apre anche un filone di studi per indagare la risposta di determinate colture a stimolatori della crescita, a batteri e ad agenti patogeni.

Scritto da:

Paola Cozzi

Caporedattrice Leggi articoli Guarda il profilo Linkedin