لأول مرة بعالم النبات طريقة برمجة جديدة لتنميط الجذرالظاهري

مصر:إيهاب محمد زايد
تلعب جذور النباتات دورًا محوريًا في بقاء ونمو جميع النباتات الأرضية تقريبًا. فهي مسؤولة عن امتصاص الماء والمغذيات، وتثبيت النبات، ويمكن أن تكون بمثابة أجهزة تخزين. ترتبط العديد من هذه الوظائف ارتباطًا وثيقًا بالتوزيع المكاني للجذور داخل نظام الجذر في التربة. يتم تعريف هذا التكوين المكاني على أنه بنية نظام الجذر (RSA). يشير RSA إلى حجم التربة التي يتم استكشافها بواسطة نظام الجذر ومساحة سطح الجذر التي تمثل الواجهة بين الجذور والتربة.

ولذلك فإن RSA أمر بالغ الأهمية لاستيعاب العناصر الغذائية والمياه، وهي الموارد التي يتم توزيعها بشكل غير موحد في التربة. ولذلك يرتبط RSA ببقاء النبات وإنتاجيته. على سبيل المثال، يرتبط التجذير العميق بتحمل الجفاف في العديد من أنواع المحاصيل وترتبط الجذور الضحلة بإنتاجية أعلى في ظل ظروف انخفاض الفوسفات، وهو مادة مغذية متوضعة في التربة السطحية. وبالنظر إلى هذه الوظائف الحاسمة، فإن الجذور تلعب دوراً رئيسياً في مقاومة الإجهاد والتكيف مع بيئات مختلفة.

إن قدرتها على نقل الكربون إلى التربة تضعها في قلب تغير المناخ والتخفيف من آثاره. ويعتقد أن تعزيز سمات جذور النباتات التي تؤدي إلى تخزين المزيد من الكربون الثابت في التربة لفترة أطول يمكن أن يساهم في التخفيف بشكل كبير من تغير المناخ. لتحديد الجينات والمتغيرات الجينية التي يمكن تسخيرها لتطوير نباتات ذات أنظمة جذرية متفوقة، ولتحديد أصناف النباتات الموجودة بهذه السمات، من الضروري إجراء عمليات فحص ظاهرية واسعة النطاق للنباتات وRSA الخاصة بها.

ويمكن استخدام البيانات الناتجة في التحسين الوراثي لأنواع المحاصيل لزيادة أداء نظام الجذر لتعزيز الخصائص المهمة مثل تحمل الإجهاد أو كفاءة استخدام الموارد وعزل الكربون. ومع ذلك، فإن التنميط الظاهري لـ RSA على نطاق واسع يمثل تحديًا حيث أن الجذور مخفية في التربة وعندما يتم التنقيب عنها لا تحتفظ ببنيتها ثلاثية الأبعاد.
تسمح أنظمة التنميط الظاهري للنباتات عالية الإنتاجية بالحصول على مجموعات بيانات صور كبيرة جدًا. على سبيل المثال، يتيح لنا نظام أسطوانة التصوير ثلاثي الأبعاد (RADICYL) ذو الإنتاجية العالية للنمط الظاهري للجذر التقاط صور لـ RSA ثلاثي الأبعاد لمئات النباتات يوميًا باستخدام كاميرات الرؤية الآلية ومرحلة دوارة آلية.

ويسهل النظام الحصول على صور شاملة ومفصلة خلال المراحل الأولى من تطوير النبات (عادة ما يصل إلى أسبوعين، اعتماداً على المحصول/الصنف) مع الحفاظ على مدة التجربة الإجمالية قصيرة نسبياً. هدفنا الأساسي هو تحديد وتوصيف الأنماط الجذرية الشابة على المستويين الفردي والجذري مع القدرة التنبؤية لتلك النباتات الناضجة. يمكن استخدام هذه التقنية جنبًا إلى جنب مع طرق إنتاجية أقل، مثل تلك التي تتضمن التربة أو النباتات القديمة، للتحقق من صحة النتائج. إنه يمكّن التنميط الظاهري منخفض التكلفة وعالي الإنتاجية في بيئة خاضعة للرقابة.

بالإضافة إلى ذلك، سيكون التوصيف الكامل لـ RSA في خط الأنابيب هذا مفيدًا لدراسات الارتباط على مستوى الجينوم (GWASs) حيث يمكن قياس الارتباطات بين الاختلافات الوراثية والمظهرية ويمكن أن يؤدي إلى تحديد الجينات ومتغيراتها التي تحدد RSA.
من أجل أتمتة تحليل الصور الجذرية واستخراج السمات المظهرية RSA اللاحقة، اعتمدت معظم الأساليب السابقة على تجزئة الصورة. تقوم هذه التقنية أولاً بفصل بكسلات جذر النبات الأمامي عن الخلفية، مما يتطلب تعديلاً يدوياً يستغرق وقتاً طويلاً لمعلمات العتبة والمناطق ذات الاهتمام من أجل تحقيق تجزئة موثوقة.

بمجرد الحصول على أقنعة التجزئة، يمكن تطبيق “الهيكلة”، وهي خوارزمية تستعيد الخط المركزي لجذور النباتات التي يمكن استخدامها لاستخراج السمات الهندسية (على سبيل المثال، أطوال الجذر) والطوبولوجية (على سبيل المثال، زوايا المتفرعة). تعتبر هذه العملية حساسة للغاية للأخطاء في خطوة تجزئة الصورة حيث أن حالات الفشل الطفيفة قد تؤدي إلى جذور مجزأة أو مدمجة. في حين أن هذه المشكلة مقبولة في الإعدادات الأصغر حجمًا حيث يكون التصحيح اليدوي أو الإرشادي ممكنًا، إلا أنها يمكن أن تصبح مستعصية بسرعة في الشاشات واسعة النطاق أو عند العمل مع أنواع متعددة بسبب التباين في ظروف التصوير والتشكل.

أدى اعتماد التعلم العميق إلى تحسين دقة تجزئة الجذر بشكل كبير. على الرغم من هذه التطورات، لا تزال هناك مشكلتان: (أ) يعد التعليق التوضيحي للتجزئة أمرًا شاقًا بشكل جوهري حيث يجب تعليق وحدات البكسل بعناية و(ب) الهيكل العظمي النهائي وتجزئة المثيلات لديهم تسامح منخفض جدًا مع الأخطاء. تم تطوير أساليب حديثة للتخفيف من مشكلة عمل التعليقات التوضيحية باستخدام التعليقات التوضيحية البشرية في الحلقة (على سبيل المثال، RootPainter ) أو البيانات الاصطناعية.

ومع ذلك، لا تزال هذه تخضع لتحديات الهيكلة والتجزئة. ولمعالجة هذه المشكلة، لجأت أساليب أخرى إلى الكائن الكشف، الذي لا يعيد بناء RSA بأكمله؛ وصف إحصائيات الصورة، الذي لا يوفر توطين الخصائص المورفولوجية اللازمة لاستخراج بعض السمات الترتيبية والمكانية (على سبيل المثال، أعداد الجذر)؛ أو البنى الهجينة التي تجمع بين التجزئة واكتشاف المعالم، والتي لا تزال تعاني من نفس المشكلات التي تعاني منها أساليب التجزئة فقط.
لقد ثبت مؤخرًا أن تقدير الوضعية المتعددة المثيلات، وهي تقنية لتوطين المعالم وتجميعها، يمكن استخدامها لاستخراج مورفولوجيا النبات مباشرة في الصور المتتابعة]. على عكس الأساليب الهجينة، يكون تقدير الوضع خاليًا تمامًا من التجزئة، وبالتالي التحايل على مشكلات العمل التوضيحي والحساسية تجاه الأخطاء.

على الرغم من هذه المزايا، لم يتم تقييم الأساليب القائمة على تقدير الوضع بشكل منهجي في سياق التنميط الظاهري لـ RSA للنبات، ويرجع ذلك جزئيًا إلى عدم وجود أدوات لاستخراج سمات ذات معنى من البيانات الموضعية التي يوفرها تقدير الوضع.
هنا، نقوم بوصف خط أنابيب لتقدير وضعية جذر النبات (الكشف عن المعالم وتجميعها بدون تجزئة) واستخراج سمات RSA في المصب. لتقدير الوضعية، استفدنا من SLEAP (تقديرات Social LEAP لأوضاع الحيوانات)،

وهو إطار عمل قائم على التعلم العميق لاكتشاف المعالم وتجميعها تم تطويره في الأصل لالتقاط حركة الحيوانات. نظرًا لأن معظم أدوات تقدير سمات RSA مصممة للمدخلات القائمة على التجزئة، فقد قمنا أيضًا بتطوير sleap-roots، وهي حزمة قائمة على Python لاستخراج سمات RSA على أساس الوضعية،

والتي تنتج ما يصل إلى 1035 سمة لكل نبات. طبقنا نهجنا على مجموعة من الأنواع النباتية، بما في ذلك نباتات المحاصيل مثل فول الصويا (Glycine max؛ Movie S1)، والأرز (Oryza sativa؛ Movie S2)، الكانولا (Brassica napus؛ Movie S3)، والنبات النموذجي Arabidopsis (Arabidopsis). ثاليانا؛ فيلم S4). تظهر نتائجنا أن النهج الذي نتبعه دقيق للغاية (0.3 مم إلى 2.3 مم خطأ في توطين معلم الجذر) وفعال (ذروة الدقة عند 10 إلى 200 صورة مصنفة)، اعتمادًا على التعقيد المورفولوجي للنبات. لقد وجدنا أن طريقتنا تتفوق على الأساليب القائمة على التجزئة من حيث سرعة التعليق التوضيحي (~ 1.5 × أسرع)، والتدريب (~ 10 × أسرع)، والتنبؤ (~ 10 × أسرع)، بنفس الدقة أو أفضل.

نحن نتحقق أيضًا من صحة خط أنابيب استخراج السمات الخاص بنا، مما يوضح أنه دقيق للغاية عند مقارنته بالتعليقات التوضيحية اليدوية للسمات المستندة إلى فيجي (R2 = 0.980 إلى 0.998) أو السمات المحسوبة من المعالم التي تمت تدقيقها يدويًا (ما يصل إلى 99.5% من نقاط البيانات خلال 1 إس دي). أخيرًا، كدليل على المبدأ، نظهر أن السمات المشتقة من خط أنابيبنا يمكن استخدامها لتصنيف النمط الوراثي وتصور مساحة السمات المظهرية غير الخاضعة للرقابة. نحن نجعل جميع الأكواد والبيانات المصنفة والنماذج المدربة متاحة على: https://github.com/talmolab/sleap-roots وhttps://osf.io/k7j9g/.
ملخص النتائج
تم نشره الآن: خط الأنابيب المفضل لدينا للتنميط الظاهري للجذر: التنميط الظاهري للجذر سريع وفعال عبر تقدير الوضعية! تعاون كبير مع
يُستخدم تجزئة الصور بشكل شائع لتقدير موقع وشكل النباتات وهياكلها الخارجية. يتم بعد ذلك استخدام أقنعة التقسيم لتحديد المعالم محل الاهتمام وحساب السمات الهندسية الأخرى التي تتوافق مع النمط الظاهري للنبات.

على الرغم من انتشارها، فإن الأساليب القائمة على التجزئة شاقة (تتطلب شرحًا شاملاً للتدريب) وعرضة للخطأ (الميزات الهندسية المشتقة حساسة لتكامل قناع المثيل). نقدم هنا نهجًا خاليًا من التجزئة يعزز اكتشاف المعالم وتجميعها القائم على التعلم العميق، والمعروف أيضًا باسم تقدير الوضعية. نحن نستخدم أداة تم تطويرها في الأصل لالتقاط حركة الحيوانات تسمى SLEAP (تقديرات LEAP الاجتماعية لأوضاع الحيوانات) لأتمتة اكتشاف المعالم المورفولوجية المميزة على جذور النباتات.

باستخدام نظام تصوير أسطواني هلامي عبر أنواع متعددة، نظهر أن نهجنا يمكن أن يستعيد بشكل موثوق وفعال طوبولوجيا نظام الجذر بدقة عالية، وعدد قليل من العينات المشروحة، وسرعة أكبر من الأساليب القائمة على التجزئة. من أجل الاستفادة من هذا التمثيل القائم على المعالم للتنميط الظاهري للجذر، قمنا بتطوير مكتبة Python (جذور النوم) لاستخراج السمات التي يمكن مقارنتها مباشرة ببرامج التحليل القائمة على التجزئة.

لقد أظهرنا أن سمات الجذر المشتقة من الوضعية دقيقة للغاية ويمكن استخدامها في المهام النهائية الشائعة بما في ذلك تصنيف النمط الوراثي ورسم خرائط السمات غير الخاضعة للرقابة. بشكل عام، يحدد هذا العمل صحة ومزايا التنميط الظاهري للنبات القائم على تقدير الوضع. لتسهيل اعتماد هذه الأداة سهلة الاستخدام ولتشجيع المزيد من التطوير، نجعل sleap-roots وجميع بيانات التدريب والنماذج وكود استخراج السمات متاحة على: https://github.com/talmolab/sleap-roots و https://osf.io/k7j9g/.