Hội đồng liên chính phủ về biến đổi khí hậu (IPCC) đã tuyên bố rằng việc loại bỏ cacbon khỏi khí quyển hiện là cần thiết để chống biến đổi khí hậu và hạn chế sự gia tăng nhiệt độ toàn cầu. Để hỗ trợ những nỗ lực này, các nhà khoa học tại Viện Nghiên cứu sinh học Salk, Hoa Kỳ đang khai thác khả năng tự nhiên của thực vật để “hút” CO2 từ không khí bằng cách tối ưu hóa hệ thống rễ cây để lưu trữ nhiều cacbon hơn trong thời gian dài.

SLEAP ban đầu được thiết kế để theo dõi chuyển động của động vật trong phòng thí nghiệm, nhưng hiện được dùng cho thực vật để phân tích các kiểu hình của rễ cây, cụ thể là phạm vi phát triển sâu và rộng của rễ, mức độ phát triển của hệ thống rễ cây và các đặc tính vật lý khác. Việc áp dụng SLEAP cho cây trồng đã cho phép các nhà nghiên cứu lập danh mục phong phú chưa từng có về kiểu hình của hệ thống rễ.

Hơn nữa, việc theo dõi các đặc điểm vật lý của hệ thống rễ giúp các nhà khoa học tìm ra các gen có liên quan, cũng như xác định xem các đặc điểm đa dạng của rễ là do các gen giống nhau hay khác nhau chi phối. Từ đó, nhóm nghiên cứu xác định gen nào có lợi nhất cho thiết kế cây trồng.

Trước khi sử dụng SLEAP, việc theo dõi các đặc tính vật lý của cả thực vật và động vật đòi hỏi nhiều lao động khiến quá trình khoa học bị chậm lại. Nếu các nhà nghiên cứu muốn phân tích hình ảnh của thực vật, họ sẽ phải gắn cờ thủ công các phần của hình ảnh có và không có thực vật trong từng khung hình, từng phần, từng pixel. Chỉ khi đó các mô hình AI cũ hơn mới được áp dụng để xử lý hình ảnh và thu thập dữ liệu về cấu trúc của cây.

Điểm khác biệt của SLEAP là khả năng sử dụng cả thị giác máy tính (khả năng máy tính hiểu hình ảnh) và học sâu (phương pháp AI đào tạo cho máy tính học hỏi và hoạt động giống như bộ não người). Sự kết hợp này cho phép các nhà nghiên cứu xử lý hình ảnh mà không cần bước trung gian chuyển đổi từ hình ảnh đầu vào sang các đặc điểm của thực vật.

Các nhà nghiên cứu không điều chỉnh công nghệ cơ bản của SLEAP, mà thay vào đó, đã phát triển bộ công cụ mã nguồn mở cho SLEAP được gọi là sleap-roots. Qua đó, SLEAP có thể xử lý các đặc điểm sinh học của hệ thống rễ như độ sâu, khối lượng và góc phát triển.

Nhóm nghiên cứu đã thử nghiệm công cụ sleap-roots cho nhiều loại cây trồng như đậu tương, lúa và cải dầu, cũng như loài thực vật Arabidopsis thaliana, loại cỏ dại có hoa thuộc họ mù tạt. Trên nhiều loại thực vật được thử nghiệm, các nhà khoa học phát hiện ra rằng phương pháp mới dựa trên SLEAP vượt trội hơn các phương pháp hiện có, cụ thể là tốc độ nhanh hơn 1,5 lần, đào tạo mô hình AI nhanh gấp 10 lần và dự đoán cấu trúc thực vật trên dữ liệu mới nhanh hơn 10 lần.

Cùng với nỗ lực giải trình tự bộ gen trên quy mô lớn nhằm làm sáng tỏ dữ liệu về kiểu gen của số lượng lớn các giống cây trồng, dữ liệu về kiểu hình này như hệ thống rễ cây phát triển sâu dưới đất, có thể được ngoại suy để hiểu các gen sinh ra hệ thống rễ sâu đó.

Bước kết nối giữa kiểu hình và kiểu gen rất quan trọng để tạo ra những cây trồng thu giữ nhiều cacbon trong thời gian dài hơn, vì những cây đó sẽ cần hệ thống rễ được thiết kế sâu và khỏe hơn. Việc triển khai phần mềm chính xác và hiệu quả này sẽ cho phép Sáng kiến khai thác thực vật kết nối dễ dàng và nhanh chóng các kiểu hình như mong đợi với các gen mục tiêu.

Nhóm nghiên cứu hiện đã bắt tay vào thử thách mới là phân tích dữ liệu 3D bằng SLEAP. Những nỗ lực cải tiến, mở rộng và chia sẻ SLEAP và sleep-roots sẽ tiếp diễn trong nhiều năm tới, nhưng việc sử dụng phần mềm AI này trong Sáng kiến khai thác thực vật của Viện Salk đã thúc đẩy các thiết kế thực vật và tác động chống biến đổi khí hậu.

TH