Цифровой помощник селекционера

Однако фенотипирование по-прежнему остаётся медленным и трудоёмким процессом и является «узким местом» в селекции сельхозкультур, подчеркнул ученый.

Цифровое фенотипирование направлено на ускорение фенотипирования и отбора растений с желаемыми признаками благодаря ряду своих преимуществ:

• отсутствие повреждения растений;
• высокая производительность (высокопропускной анализ);
• точность;
• сбор большого объёма данных, включая глубокий анализ пространственной и временной динамики в процессе фенотипирования.

Несмотря на прогресс, для широкого внедрения цифрового фенотипирвания необходимо решить ряд системных задач, отметил спикер.

• Преодоление «узкого места» фенотипирования. Одна из главных проблем – это «узкое место» современной селекции. Сбор и ручная обработка данных по сотням тысяч растений остается крайне ресурсоемким процессом. Ключевая задача – полная автоматизация этого этапа для радикального ускорения селекции.
• Переход к сложным признакам. Большинство текущих проектов успешно автоматизируют оценку простых морфологических признаков (высота, количество зерен). Главный вызов – научить ИИ прогнозировать сложные полигенные признаки: урожайность, устойчивость к засухе и болезням, качество продукции.
• Унификация и интеграция данных. Для эффективного обучения ИИ-моделей требуется огромный массив стандартизированных данных.
• Разработка отечественного ПО и оборудования.
• Интеграция с геномными данными. Конечная цель – создание полноценных платформ, где данные фенотипирования будут тесно связаны с генетической информацией. Это позволит не просто описывать растение, а предсказывать его свойства на основе генотипа.
• Подготовка кадров. Развитие технологий требует специалистов нового профиля, владеющих компетенциями в области биологии, ІТ, машинного зрения и анализа данных.
• Внедрение в реальный сектор.

• Основные сельскохозяйственный культуры: пшеница, рожь, соя, подсолнечник, рапс, горох, кукуруза, картофель и другие.
• Разработка и создание программного обеспечения.
• Применение для селекционной практики, разработки средств защиты растений и в агрохимических исследованиях.
• Моделирование климатических условий различных регионов мира и цифровое фенотипирование.
• Быстрая оценка перспективных генотипов.
• Фундаментальные исследования в области генетики, включая генетически редактированные растения.

Геннадий Карлов также рассказал о программном обеспечении и реальных примерах проведенных во ВНИИСБ исследований.

Он акцентировал внимание на автоматизированной системе фенотипирования на базе системы TRAITFINDER. Это технология мультиспектрального 3D-сканирования. Система измеряет морфологические и спектральные параметры по трехмерным моделям растений.

Ученые ВНИИСБ проводили исследования, в которых решающую роль оказало цифровое фенотипирование. С помощью TRAITFINDER повысилась оценка эффективности использования фосфора у различных фенотипов пшеницы и ржи, а также предсказание урожайности и качества по данным цифрового фенотипирования в условиях спидбридинга.

Сейчас ученые имеют определенные данные, модели, по которым можно предсказывать, как те или иные растения, растущие в условиях спидбридинга, будут проявлять в реальных полевых условиях. Также используются тепловизоры для оценки на засухоустойчивость, гиперспектральные камеры, которые применили, к примеру, для сравнения видов по устойчивости к пентазону.

Еще один пример – исследования, проведенные совместно с компаниями «Август» и «Щелково-Агрохим». Ученые оценивали активность препаративных форм гербицида с помощью цифрового фенотипирования. Технология позволила получить данные по каждому растению за весь период вегетации.

Ученые ВНИИСБ используют в том числе и подходы, связанные с искусственным интеллектом. Одна из последних работ – это оценка количества семян в корзинке подсолнечника. Подсчет числа семян в корзинке – очень трудоемкий процесс, на одну корзинку обычно уходит около часа. А подсчет семян с помощью компьютерного зрения по фото занимает всего несколько минут.

Искусственный интеллект также активно применяется для выявления болезней. Однако в процессе селекции нужно не просто выявить заболевание, но и оценить степень поражения, распространение болезни в конкретных растениях, в конкретных листьях. И в данном случае эффективно использование искусственного интеллекта для оценки степени поражения вплоть до каждого листочка.

Одна из проблем, которую решают инструменты цифрового фенотипирования – это обработка получаемых данных. TrainFinder генерирует огромный массив данных, в которых человек просто утонет.

В этой связи эксперт акцентировал внимание на разработанный во ВНИИСБ подход «Цифровая платформа для анализа данных цифрового фенотипирования с построением гипотез на основании полученных данных» StatFaRmer. Это проверенная, работающая платформа, которую ученые уже активно используют в своих исследованиях.

Опыт в разработке систем цифрового фенотипирования позволил ученым ВНИИСБ начать реализацию проекта по созданию цифрового помощника селекционера. Работа ведется уже третий год при поддержке Минобрнауки РФ.

Проект объединил несколько сельхозкультур. Ученые создают генетический материал, на основе которого можно реально проводить фенотипические и генетические исследования. Материал валидированный, проверенный. Это можно сделать с помощью спридбридинга. Далее проходит генотипирование, фенотипирование. Все полученные данные – и лабораторные, и полевые – объединяются в одну систему. На выходе ученые получают информацию, которая позволит с помощью, в том числе, подходов с использованием искусственного интеллекта, создать систему, которая будет не решать, а помогать селекционеру принимать оптимальные решения в области селекции растений.