Intergovernmental Panel on Climate Change (IPCC) har förklarat att avlägsnande av kol från atmosfären nu är avgörande för att bekämpa klimatförändringar och begränsa den globala temperaturökningen. För att stödja dessa ansträngningar utnyttjar forskare från Salk Institute växters naturliga förmåga att dra ut koldioxid ur luften genom att optimera deras rotsystem för att lagra mer kol under en längre tid.
För att designa dessa klimatbesparande växter använder forskare i Salks Harnessing Plants Initiative ett sofistikerat nytt forskningsverktyg som heter SLEAP – en lättanvänd programvara för artificiell intelligens (AI) som spårar flera funktioner i rottillväxt. Skapat av Salk Fellow Talmo Pereira, SLEAP designades ursprungligen för att spåra djurrörelser i labbet. Nu har Pereira slagit sig ihop med växtforskaren och Salk-kollegan professor Wolfgang Busch för att applicera SLEAP på växter.
I en studie publicerad i Plant Phenomics , Busch och Pereira debuterar ett nytt protokoll för att använda SLEAP för att analysera växtrotsfenotyper – hur djupa och breda de växer, hur massiva deras rotsystem blir och andra fysiska egenskaper som – innan SLEAP – var tråkiga att mäta. Tillämpningen av SLEAP på växter har redan gjort det möjligt för forskare att upprätta den hittills mest omfattande katalogen av fenotyper av växtrotsystem.
Dessutom hjälper spårning av dessa fysiska rotsystemegenskaper forskare att hitta gener som är anslutna till dessa egenskaper, såväl som om flera rotegenskaper bestäms av samma gener eller oberoende. Detta gör att Salk-teamet kan avgöra vilka gener som är mest fördelaktiga för deras växtdesign.
"Detta samarbete är verkligen ett bevis på vad som gör Salk-vetenskapen så speciell och effektfull", säger Pereira. "Vi 'lånar' inte bara från olika discipliner – vi ställer dem verkligen på lika villkor för att skapa något som är större än summan av dess delar."
Innan man använde SLEAP krävde det mycket arbete att spåra de fysiska egenskaperna hos både växter och djur, vilket saktade ned den vetenskapliga processen. Om forskare ville analysera en bild av en växt skulle de behöva flagga manuellt de delar av bilden som var och inte var växt – bildruta för bildruta, del för del, pixel för pixel. Först då kunde äldre AI-modeller användas för att bearbeta bilden och samla in data om anläggningens struktur.
Det som skiljer SLEAP åt är dess unika användning av både datorseende (förmågan för datorer att förstå bilder) och djupinlärning (en AI-metod för att träna en dator att lära sig och fungera som den mänskliga hjärnan). Denna kombination gör det möjligt för forskare att bearbeta bilder utan att flytta pixel för pixel, istället hoppa över detta mellanliggande arbetsintensiva steg för att hoppa direkt från bildinmatning till definierade anläggningsfunktioner.
"Vi skapade ett robust protokoll som validerats i flera anläggningstyper som minskar analystiden och mänskliga fel, samtidigt som vi betonar tillgänglighet och användarvänlighet - och det krävde inga ändringar i själva SLEAP-mjukvaran", säger första författaren Elizabeth Berrigan, en bioinformatikanalytiker i Buschs labb.
Utan att modifiera grundtekniken för SLEAP, utvecklade forskarna en nedladdningsbar verktygslåda för SLEAP som kallas sleap-roots (tillgänglig som öppen källkod här). Med sleap-roots kan SLEAP bearbeta biologiska egenskaper hos rotsystem som djup, massa och tillväxtvinkel.
Teamet testade sleap-roots-paketet i en mängd olika växter, inklusive skördeväxter som sojabönor, ris och raps, såväl som modellväxtarten Arabidopsis thaliana – ett blommande ogräs i senapsfamiljen. I de olika växter som testats fann de att den nya SLEAP-baserade metoden överträffade befintlig praxis genom att kommentera 1,5 gånger snabbare, träna AI-modellen 10 gånger snabbare och förutsäga anläggningens struktur på ny data 10 gånger snabbare, alla med samma eller bättre noggrannhet än tidigare.
Tillsammans med massiva genomsekvenseringsinsatser för att belysa genotypdata i ett stort antal grödor, kan dessa fenotypiska data, såsom en växts rotsystem som växer särskilt djupt i jorden, extrapoleras för att förstå generna som är ansvariga för att skapa det särskilt djupa rotsystemet.
Det här steget – att koppla samman fenotyp och genotyp – är avgörande i Salks uppdrag att skapa växter som håller på mer kol och längre, eftersom dessa växter kommer att behöva rotsystem utformade för att vara djupare och mer robusta. Genom att implementera denna exakta och effektiva programvara kommer Harnessing Plants Initiative att kunna koppla samman önskvärda fenotyper till målbara gener med banbrytande lätthet och snabbhet.
"Vi har redan kunnat skapa den mest omfattande katalogen av fenotyper av växtrotsystem hittills, vilket verkligen påskyndar vår forskning för att skapa kolfångande växter som bekämpar klimatförändringar", säger Busch, Hess ordförande i växtvetenskap på Salk. "SLEAP har varit så lätt att applicera och använda, tack vare Talmos professionella mjukvarudesign, och det kommer att bli ett oumbärligt verktyg i mitt labb framåt."
Tillgänglighet och reproducerbarhet stod i främsta rummet för Pereira när han skapade både SLEAP och sleap-rötter. Eftersom programvaran och sleap-roots-verktygslådan är gratis att använda, är forskarna spännande att se hur sleap-roots kommer att användas runt om i världen. Redan har de inlett diskussioner med NASA-forskare i hopp om att använda verktyget inte bara för att hjälpa till att vägleda kolbindande växter på jorden, utan också för att studera växter i rymden.
På Salk är det samarbetsteamet ännu inte redo att upplösas – de ger sig redan på en ny utmaning att analysera 3D-data med SLEAP. Arbetet med att förfina, expandera och dela SLEAP och sleap-roots kommer att fortsätta i många år framöver, men dess användning i Salks Harnessing Plants Initiative accelererar redan anläggningsdesignerna och hjälper institutet att påverka klimatförändringarna.
Andra författare inkluderar Lin Wang, Hannah Carrillo, Kimberly Echegoyen, Mikayla Kappes, Jorge Torres, Angel Ai-Perreira, Erica McCoy, Emily Shane, Charles Copeland, Lauren Ragel, Charidimos Georgousakis, Sanghwa Lee, Dawn Reynolds, Avery Talgo, Juan Gonzalez, Ling Zhang, Ashish Rajurkar, Michel Ruiz, Erin Daniels, Liezl Maree och Shree Pariyar från Salk.
Mer information: Elizabeth M. Berrigan et al, Fast and Efficient Root Fenotyping via Pose Estimation, Plant Phenomics (2024). DOI:10.34133/plantphenomics.0175
Tillhandahålls av Salk Institute
