在光合作用过程中，藻类和植物中的绿色色素叶绿素吸收了入射光的大部分能量。叶绿素被激发并将能量传递给能量收集蛋白复合体光系统I (PSI)和光系统II (PSII)。然而，其中一些能量以热量或叶绿素a荧光(ChlF)的形式消散。
影响PSII的环境或植物生理变化也会改变ChlF，因此ChlF可以作为PSII状态的快速、敏感和非破坏性指标。事实上，chf是评估光合作用多个方面的有力工具。虽然chf的测量和分析是复杂的，但它们使研究人员能够研究不同类型的应激源对光合作用的影响。例如，ChlF用于监测干旱、高温、污染和营养状况的影响。
从ChlF可以获得的一个非常重要的测量值是可变荧光与最大荧光的比值，或Fv/Fm。这个比值提供了碳代谢的信息，是光合作用的可靠指标。然而，为了量化Fv/Fm，植物样品必须首先适应黑暗。
暗适应既繁琐又耗时，因此避免暗适应可以加快实验和分析的速度。现在，来自江南大学、哥伦比亚大学和伊利诺伊大学厄巴纳香槟分校的研究人员已经开发出一种使用人工智能(AI)进行准确Fv/Fm分析的快速方法，而无需黑暗适应。
他们的发现发表在《植物表型学》杂志上。
“AI让我们在没有黑暗适应的情况下揭示了Fv/Fm和ChlF之间的隐藏关系。我们已经大大节省了时间，现在可以快速了解植物表型学，”该研究的首席研究员、江南大学轻工业先进过程控制重点实验室的郭亚博士说。
人工智能方法，被称为最小二乘支持向量机模型(LSSVM)，通过从ChlF测量中数学预测暗适应下的Fv/Fm比，绕过了暗适应的需要。这种分析过程更经济，也不那么繁琐，因为实际上不需要暗适应设备。
他们在这项研究中的实验涉及6种不同基因品种的7000多个样本。这些植物经受了4种不同的干旱条件、几种不同的环境温度、3个不同的生长季节(春、夏、冬)、广泛的光合光子通量密度和3个不同的生长地点(田间、温室和实验室)。所有这些条件导致ChlF值的巨大差异。
这些发现表明，LSSVM模型可以预测暴露在各种条件下的植物样品的Fv/Fm比率，误差非常小。也就是说，该模型可以可靠地识别ChlF和Fv/Fm值之间的隐藏关系，而无需进行暗适应。
在阐述其基于人工智能的方法的优势时，郭博士解释说:“LSSVM模型在没有暗适应的情况下从ChlF中确定Fv/Fm方面表现出优异的性能，并在4毫秒内处理每个样品。预测结果相关系数高，均方根误差小，残差预测偏差可接受。这三个关键性能指标证实了其准确性。”
chf是一种非常有用的植物表型分析工具。了解植物表型背后的机制对改善作物生长和产量至关重要。到目前为止，暗适应对于ChlF测量是必要的。然而，不同的黑暗适应时间已被证明会影响ChlF结果。暗适应还需要额外的设备，而且很耗时。
在这项研究中，郭博士和他的同事们通过测量没有暗适应的ChlF来获得Fv/Fm比值的真实值，从而建立了一个新的基准。他们的新LSSVM模型可以利用人工智能的速度和准确性，方便地探测植物表型和生理状态。最重要的是，现在可以在复杂的环境条件下直接在现场进行实时测量。
“这项研究向我们表明，人工智能可以发现像光合作用这样的生物过程的隐藏行为，而且几乎没有错误。我们的概念证明可以很快用于预测其他ChlF参数，如PSII的光化学量子产率和能量耗散的量子产率。我们只是触及了其应用的表面，”郭博士总结道。
更多资料:夏倩等，叶绿素a荧光无暗适应的LSSVM模型测定F v / F m, Plant Phenomics(2023)。DOI: 10.34133 / plantphenomics.0034
南京农业大学提供
引文:复杂条件下快速植物表型的人工智能方法(2023,4月28日)检索自https://phys.org/news/2023-04-artificial-intelligence-method-rapid-phenotyping.html
本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
