Tokom fotosinteze, zeleni pigment hlorofil u algama i biljkama apsorbuje većinu energije iz dolazeće svetlosti. Hlorofil se uzbuđuje i prenosi ovu energiju na proteinske komplekse koji sakupljaju energiju fotosistema I (PSI) i II (PSII). Međutim, deo ove energije se rasipa kao toplota ili fluorescencija hlorofila (ChlF).
Promene u životnoj sredini ili fiziologiji biljaka koje utiču na PSII takođe menjaju ChlF, koji se stoga može koristiti kao brz, osetljiv i nedestruktivan indikator statusa PSII. Zaista, ChlF je moćno sredstvo za procenu više aspekata fotosinteze. Iako su merenja i analize ChlF složene, one omogućavaju istraživačima da proučavaju efekte različitih vrsta stresora na fotosintezu. Na primer, ChlF se koristi za praćenje efekata suše, toplote, zagađenja i stanja ishrane.
Veoma važno merenje koje se može dobiti od ChlF je odnos promenljive i maksimalne fluorescencije, ili F v /F m . Ovaj odnos pruža informacije o metabolizmu ugljenika i pouzdan je pokazatelj fotosinteze. Međutim, biljni uzorci prvo moraju biti prilagođeni tami da bi se kvantifikovao F v /F m .
Tamna adaptacija je zamorna i dugotrajna, tako da izbegavanje može ubrzati i eksperimente i analize. Sada, istraživači sa Univerziteta Jiangnan, Univerziteta Kolumbija i Univerziteta Ilinois-Urbana Champaign, razvili su brzi metod za precizne F v / F m analize koristeći veštačku inteligenciju (AI), bez potrebe za mračnom adaptacijom.
Njihovi nalazi su objavljeni u Plant Phenomics.
„AI nam je dozvolio da otkrijemo skrivenu vezu između F v /F m i ChlF bez adaptacije na tamu. Postigli smo značajnu uštedu vremena i sada možemo da pružimo brz uvid u biljnu fenomiju“, kaže dr Ja Guo, vodeći istraživač studije sa sedištem u Ključna laboratorija za naprednu kontrolu procesa za laku industriju, Univerzitet Jiangnan.
Metoda AI, poznata kao model mašine za vektorsku podršku najmanjih kvadrata (LSSVM), zaobilazi potrebu za adaptacijom na tamu tako što matematički predviđa F v /F m odnose pod adaptacijom na tamu iz ChlF merenja. Ovaj analitički proces je ekonomičniji i manje zamoran, jer zapravo nije potrebna oprema za adaptaciju na mrak.
Njihovi eksperimenti u ovoj studiji uključivali su preko 7.000 uzoraka 6 različitih genetskih sorti biljaka. Ove biljke su bile podvrgnute 4 vrste uslova suše, nekoliko različitih temperatura životne sredine, 3 različite sezone rasta (proleće, leto i zima), širokom spektru fotosintetskih gustina fotona i 3 različite lokacije za uzgoj (polje, staklenik i laboratorija). ). Svi ovi uslovi su rezultirali ogromnim razlikama u vrednostima ChlF.
Ovi nalazi pokazuju da LSSVM model može predvideti F v/F m odnose u biljnim uzorcima izloženim širokom spektru uslova, sa veoma malim greškama. Drugim rečima, ovaj model može pouzdano da identifikuje skriveni odnos između vrednosti ChlF i F v /F m bez tamne adaptacije.
Kada je elaborirao prednosti njihovog metoda zasnovanog na veštačkoj inteligenciji, dr Guo objašnjava: „LSSVM model je pokazao odlične performanse u određivanju F v /F m iz ChlF bez prilagođavanja na tamu i obradio je svaki uzorak za manje od četiri milisekundi. Njegovi rezultati predviđanja su imali visoke koeficijenti korelacije, niske srednje kvadratne greške i prihvatljivo zaostalo odstupanje predviđanja. Ovo su tri ključne metrike performansi koje su potvrdile njegovu tačnost.“
ChlF je veoma koristan alat za fenotipizaciju biljaka. Razumevanje mehanizama koji leže u osnovi fenotipova biljaka je ključno za poboljšanje rasta useva i prinosa. Do sada je bila neophodna tamna adaptacija za merenje ChlF. Međutim, pokazalo se da različita vremena adaptacije na tamu utiču na rezultate ChlF. Tamna adaptacija takođe zahteva dodatnu opremu i oduzima mnogo vremena.
U ovoj studiji, dr Guo i njegove kolege su postavili novo merilo merenjem ChlF bez tamne adaptacije da bi dobili prave vrednosti za F v/F m odnos. Njihov novi LSSVM model omogućava im da pogodno ispitaju fenotip biljke i fiziološki status koristeći brzinu i tačnost AI. Što je najvažnije, merenja se sada mogu vršiti direktno na terenu, u složenim uslovima životne sredine iu realnom vremenu.
„Ova studija nam pokazuje da AI može da otkrije skriveno ponašanje bioloških procesa kao što je fotosinteza sa nekoliko grešaka. Naš dokaz koncepta bi uskoro mogao da se koristi za predviđanje drugih parametara ChlF kao što su fotohemijski kvantni prinos PSII i kvantni prinos disipacije energije. Upravo sam zagrebao površinu njegove primene“, zaključuje dr Guo.
