Классический микроскоп обретает современный вид - исследователи разрабатывают систему микроскопа на базе искусственного интеллекта, которая может сделать тестирование здоровья почвы более быстрым, дешевым и доступным для фермеров и землеустроителей по всему миру.
Исследователи из Техасского университета в Сан-Антонио, UTSA, США, успешно объединили недорогую оптическую микроскопию с машинным обучением для измерения наличия и количества грибов в образцах почвы. Их ранняя стадия проверки концепции технологии была представлена на Goldschmidt Conference 2025 (это крупнейшая ежегодная международная конференция по геохимии и смежным дисциплинам, организуемая Европейской ассоциацией геохимии и смежных наук) в Праге в среду 9 июля.
Определение численности и разнообразия почвенных грибов может дать ценную информацию о здоровье и плодородии почвы, поскольку грибы играют важную роль в биогеохимическом цикле питательных веществ, удержании воды и росте растений. Обладая этими знаниями, фермеры могут оптимизировать производство сельскохозяйственных культур и устойчивость земледелия, принимая обоснованные решения об управлении почвой, включая внесение удобрений, орошение и обработку почвы.
Оптические микроскопы являются старейшей конструкцией микроскопов и долгое время использовались для обнаружения и идентификации крошечных организмов в почве. Другие формы тестирования почвы используют такие методы, как тестирование жирных кислот фосфолипидов и анализ ДНК для обнаружения организмов или измерения присутствия химических веществ, таких как азот, фосфор и калий. Несмотря на свою эффективность, эти современные методы, как правило, являются дорогостоящими или просто подчеркивают химический состав, часто упуская из виду всю биологическую сложность почвенных экосистем.
Алекс Грейвс из Техасского университета в колледже наук Сан-Антонио, США, представляя свое исследование, сказал: «Современные формы биологического анализа почвы ограничены, требуя либо дорогостоящего лабораторного оборудования для измерения молекулярного состава, либо эксперта для визуальной идентификации организмов с помощью лабораторных микроскопов. Комплексное тестирование почвы не является широкодоступным для фермеров и землеустроителей, которым необходимо понимать, как методы ведения сельского хозяйства влияют на здоровье почвы. Используя алгоритмы машинного обучения и оптический микроскоп, мы создаем недорогое решение для анализа почвы, которое сокращает требуемые трудозатраты и экспертные знания, обеспечивая при этом более полную картину биологии почвы».
На ранней стадии разработки исследователи создали и протестировали алгоритм машинного обучения для обнаружения грибной биомассы в образцах почвы, включив его в пользовательское программное обеспечение для маркировки микроскопических изображений. Это было создано с использованием набора данных из нескольких тысяч изображений грибов из почв по всему Южному Центральному Техасу. Программное обеспечение работает всего с 100-кратным и 400-кратным общим увеличением микроскопа, доступным во многих доступных стандартных микроскопах, включая те, что используются в школьных лабораториях.
«Наша методика анализирует видео образца почвы, разбивая его на изображения, и использует нейронную сеть для идентификации и количественной оценки грибов. Наша проверка концепции уже может обнаруживать грибные нити в разбавленных образцах и оценивать грибную биомассу», - рассказал ученый.
Проверочные изображения, полученные с помощью нейронной сети обнаружения грибов (изображения не использовались для обучения); (вверху: изображение с микроскопа, посередине: экспертная человеческая метка, внизу: прогноз нейронной сети). Источник: UTSA.
Команда сейчас работает над интеграцией своей техники в мобильную роботизированную платформу для обнаружения грибов в почве. Система объединит сбор образцов, микрофотографирование и анализ в одном устройстве. Они намерены получить полностью разработанное, масштабируемое устройство, готовое к тестированию в течение следующих двух лет.
Исследование возглавляет профессор Саугата Датта, директор Института исследований устойчивости и политики водных ресурсов в UTSA. Подробности алгоритма машинного обучения должны быть опубликованы в рецензируемом журнале в конце этого года.
Источник: Goldschmidt Conference.