Während der Photosynthese absorbiert der grüne Farbstoff Chlorophyll in Algen und Pflanzen den größten Teil der Energie des einfallenden Lichts. Chlorophyll wird angeregt und überträgt diese Energie auf die energiesammelnden Proteinkomplexe Photosystem I (PSI) und II (PSII). Ein Teil dieser Energie wird jedoch als Wärme oder Chlorophyll-Fluoreszenz (ChlF) abgegeben.
Veränderungen in der Umgebung oder Pflanzenphysiologie, die sich auf PSII auswirken, verändern auch ChlF, das daher als schneller, empfindlicher und zerstörungsfreier Indikator für den PSII-Status verwendet werden kann. Tatsächlich ist ChlF ein leistungsfähiges Werkzeug zur Bewertung mehrerer Aspekte der Photosynthese. Obwohl ChlF-Messungen und -Analysen komplex sind, ermöglichen sie Forschern, die Auswirkungen verschiedener Arten von Stressoren auf die Photosynthese zu untersuchen. ChlF wird beispielsweise verwendet, um die Auswirkungen von Dürre, Hitze, Umweltverschmutzung und Ernährungszustand zu überwachen.
Eine sehr wichtige Messung, die von ChlF erhalten werden kann, ist das Verhältnis von variabler zu maximaler Fluoreszenz oder Fv/Fm. Dieses Verhältnis gibt Aufschluss über den Kohlenstoffstoffwechsel und ist ein zuverlässiger Indikator für die Photosynthese. Pflanzenproben müssen jedoch zunächst dunkeladaptiert werden, um Fv/Fm zu quantifizieren.
Die Dunkelanpassung ist mühsam und zeitaufwändig, daher kann ihre Vermeidung sowohl die Experimente als auch die Analysen beschleunigen. Jetzt haben Forscher der Jiangnan University, der University of Columbia und der University of Illinois-Urbana Champaign eine schnelle Methode für genaue Fv/Fm-Analysen mit künstlicher Intelligenz (KI) entwickelt, ohne dass eine Dunkelanpassung erforderlich ist.
Ihre Ergebnisse wurden in veröffentlicht Pflanzenphänomik.
„Mit KI konnten wir die verborgene Beziehung zwischen Fv/Fm und ChlF ohne Dunkelanpassung aufdecken. Wir haben eine erhebliche Zeitersparnis erzielt und können jetzt schnelle Einblicke in die Pflanzenphänomik liefern“, sagt Dr. Ya Guo, der leitende Forscher der Studie am Key Labor für fortschrittliche Prozesskontrolle für die Leichtindustrie, Universität Jiangnan.
Die KI-Methode, bekannt als Least-Squares Support Vector Machine Model (LSSVM), umgeht die Notwendigkeit der Dunkeladaption, indem sie Fv/Fm-Verhältnisse unter Dunkeladaption aus ChlF-Messungen mathematisch vorhersagt. Dieses Analyseverfahren ist wirtschaftlicher und weniger langwierig, da eigentlich keine Dunkelanpassungsgeräte benötigt werden.
Ihre Experimente in dieser Studie umfassten über 7.000 Proben von 6 verschiedenen genetischen Pflanzensorten. Diese Pflanzen wurden 4 Arten von Dürrebedingungen, mehreren unterschiedlichen Umgebungstemperaturen, 3 verschiedenen Wachstumszeiten (Frühling, Sommer und Winter), einem breiten Spektrum an photosynthetischen Photonenflussdichten und 3 verschiedenen Anbauorten (Feld, Gewächshaus und Labor) ausgesetzt ). Alle diese Bedingungen führten zu enormen Unterschieden in den ChlF-Werten.
Diese Ergebnisse zeigen, dass das LSSVM-Modell Fv/Fm-Verhältnisse in Pflanzenproben, die einer Vielzahl von Bedingungen ausgesetzt sind, mit sehr kleinen Fehlern vorhersagen kann. Mit anderen Worten, dieses Modell kann die verborgene Beziehung zwischen ChlF- und Fv/Fm-Werten ohne Dunkeladaption zuverlässig identifizieren.
Bei der Erläuterung der Vorteile ihrer KI-basierten Methode erklärt Dr. Guo: „Das LSSVM-Modell zeigte eine hervorragende Leistung bei der Bestimmung von Fv/Fm aus ChlF ohne Dunkelanpassung und verarbeitete jede Probe in weniger als vier Millisekunden. Seine Vorhersageergebnisse hatten hohe Korrelationskoeffizienten , niedrige mittlere quadratische Fehler und eine akzeptable verbleibende Vorhersageabweichung. Dies sind drei wichtige Leistungsmetriken, die seine Genauigkeit bestätigt haben.“
ChlF ist ein sehr nützliches Werkzeug für die Phänotypisierung von Pflanzen. Das Verständnis der Mechanismen, die Pflanzenphänotypen zugrunde liegen, ist entscheidend für die Verbesserung von Pflanzenwachstum und -ertrag. Bisher war für ChlF-Messungen eine Dunkeladaption notwendig. Es hat sich jedoch gezeigt, dass unterschiedliche Dunkeladaptationszeiten die ChlF-Ergebnisse beeinflussen. Auch die Dunkeladaption erfordert zusätzliches Equipment und ist zeitaufwändig.
In dieser Studie haben Dr. Guo und seine Kollegen einen neuen Maßstab gesetzt, indem sie ChlF ohne Dunkeladaption gemessen haben, um wahre Werte für Fv/Fm-Verhältnisse zu erhalten. Mit ihrem neuen LSSVM-Modell können sie den Phänotyp und den physiologischen Status von Pflanzen bequem untersuchen, indem sie die Geschwindigkeit und Genauigkeit der KI nutzen. Am wichtigsten ist, dass Messungen jetzt direkt im Feld, unter komplexen Umgebungsbedingungen und in Echtzeit durchgeführt werden können.
„Diese Studie zeigt uns, dass KI das verborgene Verhalten biologischer Prozesse wie der Photosynthese mit wenigen Fehlern aufdecken kann. Unser Machbarkeitsnachweis könnte bald verwendet werden, um andere ChlF-Parameter wie die photochemische Quantenausbeute von PSII und die Quantenausbeute der Energiedissipation vorherzusagen. Wir haben gerade erst an der Oberfläche seiner Anwendung gekratzt“, schließt Dr. Guo.
Mehr Informationen:
Qian Xia et al, Bestimmung von F v / F m aus Chlorophyll-a-Fluoreszenz ohne Dunkelanpassung durch ein LSSVM-Modell, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0034