在一个追求可持续发展的世界里，了解活植物隐藏的那一半——根——是至关重要的。根不仅仅是锚;它们是植物和土壤之间的动态界面，对植物的水分吸收、养分吸收以及最终的生存至关重要。在一项旨在提高农业产量和开发适应气候变化的作物的研究中，劳伦斯伯克利国家实验室(伯克利实验室)应用数学与计算研究(AMCR)和环境基因组学与系统生物学(EGSB)部门的科学家取得了重大飞跃。他们的最新创新产品RhizoNet利用人工智能(AI)的力量改变了我们研究植物根系的方式，为研究不同环境条件下根系的行为提供了新的见解。

6月5日发表在《科学报告》(Scientific Reports)上的一项研究详细介绍了这一开创性的工具，它通过以极高的准确性自动化过程，彻底改变了根图像分析。传统的方法是劳动密集型的，容易出错，当面对根系的复杂和纠结的性质时，效果不佳。RhizoNet采用最先进的深度学习方法，使研究人员能够精确地跟踪根的生长和生物量。使用基于卷积神经网络的先进深度学习主干，这种新的计算工具在语义上对植物根系进行分段，以进行全面的生物量和生长评估，改变实验室分析植物根系的方式，并推动自动驾驶实验室的努力。

作为人工智能驱动软件的首席研究员，伯克利实验室的Daniela Ushizima解释说:“RhizoNet标准化根分割和表型的能力代表了数千张图像系统和加速分析的实质性进步。这项创新有助于我们不断努力提高在不同植物条件下捕捉根系生长动态的精度。”

回到根源

根系分析传统上依赖于平板扫描仪和人工分割方法，这不仅耗时而且容易出错，特别是在广泛的多植物研究中。由于气泡、水滴、反射和阴影等自然现象，根图像分割也面临着重大挑战。根结构的复杂性质和噪声背景的存在进一步使自动化分析过程复杂化。这些复杂性在较小的空间尺度上尤其严重，在较小的空间尺度上，精细结构有时只有一个像素那么宽，这使得手动注释即使对专业的人类注释者也是极具挑战性的。

EGSB最近推出了EcoFAB的最新版本(2.0)，这是一种新型的水培设备，通过提供植物根系的详细视图来促进原位植物成像。EcoFAB是由EGSB、美国能源部联合基因组研究所(JGI)和伯克利实验室气候与生态系统科学部门合作开发的，是自动化实验系统的一部分，旨在进行虚构的生态系统实验，提高数据的可重复性。RhizoNet处理在EcoFAB中生长的植物的彩色扫描，这些植物受到特定的营养处理，解决了植物根系分析的科学挑战。它采用了一种复杂的残差U-Net架构(一种用于语义分割的架构，通过在编码器和解码器路径中添加相同级别(即分辨率)的输入和输出块之间的残差连接来改进原始U-Net)，以提供专门适用于EcoFAB条件的根分割，显着提高了预测精度。该系统还集成了一个凸化程序，用于封装时间序列中已识别的根，并有助于从复杂背景中快速描绘主根成分。这种整合是准确监测根系生物量和生长随时间变化的关键，特别是在EcoFABs中不同营养处理下生长的植物。

为了说明这一点，新的《科学报告》论文详细介绍了研究人员如何使用EcoFAB和RhizoNet对在大约五周的时间里遭受不同营养剥夺条件的短柄草(一种小型禾草)植物进行根系扫描。这些图像每三到七天拍摄一次，提供了重要的数据，帮助科学家了解树根如何适应不同的环境。EcoBOT是用于EcoFABs的新型图像采集系统，其高通量特性为研究团队提供了系统实验监测的潜力——只要数据得到及时分析。

EGSB的研究科学家、EcoBOT的主要开发人员彼得·安迪尔(Peter Andeer)指出:“我们在减少使用EcoBOT进行植物栽培实验的手工工作方面取得了很大进展，现在RhizoNet正在减少分析生成数据的手工工作。”他与Ushizima合作开展了这项工作。“这增加了我们的吞吐量，使我们朝着自动驾驶实验室的目标迈进。”Ushizima指出，国家能源研究科学计算中心(NERSC)的资源(NERSC是美国能源部(DOE)位于伯克利实验室的用户设施)被用于训练RhizoNet并执行推理，将这种计算机视觉能力引入EcoBOT。

Ushizima解释说:“EcoBOT能够自动收集图像，但它无法确定植物是如何应对不同的环境变化的，是活的还是死的，还是生长的。”“通过使用RhizoNet测量根系，我们捕获了根系生物量和生长的详细数据，不仅可以确定植物的活力，还可以提供通过传统方法不易观察到的全面、定量的见解。训练模型后，它可以重复用于多个实验(看不见的植物)。”

“为了分析来自EcoBOT的复杂植物图像，我们创建了一个新的卷积神经网络来进行语义分割，”AMCR的计算机系统工程师Zineb Sordo补充道，他是该项目的数据科学家。“我们的目标是设计一个优化的管道，使用关于时间序列的先验信息来提高模型的准确性，而不是在单个帧上进行手动注释。RhizoNet处理噪声图像，从图像中检测植物根系，从而计算生物量和生长。”

一次一个补丁

在模型调整过程中，研究结果表明，使用较小的图像补丁可以显著提高模型的性能。在这些补丁中，人工神经网络早期层中的每个神经元都有较小的接受野。这使得模型能够更有效地捕捉细节，丰富具有不同特征向量的潜在空间。这种方法不仅提高了模型泛化到看不见的EcoFAB图像的能力，而且还增加了它的鲁棒性，使其能够专注于薄物体并捕获复杂的图案，尽管有各种视觉伪像。

较小的补丁也有助于防止类不平衡，通过排除稀疏标记的补丁-那些少于20%的注释像素，主要是背景。研究小组的结果显示，对于较小的贴片尺寸，该模型具有较高的准确性、精确度、召回率和相交率(IoU)，这表明该模型在区分根与其他物体或人工制品方面的能力得到了提高。

为了验证根系预测的性能，本文将预测的根系生物量与实际测量值进行了比较。线性回归分析显示了显著的相关性，强调了自动分割比手动注释的精度，手动注释通常难以区分细根像素和相似的噪声。这种比较突出了人类注释者面临的挑战，并展示了RhizoNet模型的高级功能，特别是在较小的补丁尺寸上进行训练时。

这组作者指出，这项研究展示了RhizoNet在当前研究环境中的实际应用，并为可持续能源解决方案的未来创新以及利用植物和微生物的碳封存技术奠定了基础。研究小组对他们的发现的影响持乐观态度。

Ushizima说:“我们的下一步工作包括改进RhizoNet的能力，以进一步提高植物根系的检测和分支模式。”“我们也看到了将这些深度学习算法应用于土壤中的根以及新材料科学研究的潜力。我们正在探索迭代训练协议、超参数优化和利用多个gpu。这些计算工具旨在帮助科学团队分析以图像形式捕获的各种实验，并在多个领域具有适用性。”

在植物根系生长动力学方面的进一步研究工作，在由Ushizima和伯克利实验室同事Marcus Noack编辑的一本关于自主实验的开创性书籍中进行了描述，该书籍于2023年发布。来自伯克利实验室的其他团队成员包括Peter Andeer, Trent Northen, Camille Catoulos和James Sethian。这个多学科的科学家小组是孪生生态系统的一部分，孪生生态系统是美国能源部科学基因组科学计划办公室项目的一部分，该项目将计算机视觉软件和伯克利实验室(gpCAM)开发的自主实验设计软件与自动化实验系统(EcoFAB和EcoBOT)集成在一起，以执行合成生态系统实验并提高数据的可重复性。