Au cours de la photosynthèse, le pigment vert chlorophylle des algues et des plantes absorbe la majeure partie de l’énergie de la lumière entrante. La chlorophylle est excitée et transfère cette énergie aux photosystèmes I (PSI) et II (PSII) des complexes protéiques récupérateurs d’énergie. Cependant, une partie de cette énergie se dissipe sous forme de chaleur ou de fluorescence de chlorophylle a (ChlF).
Les changements dans l’environnement ou la physiologie des plantes qui affectent le PSII modifient également le ChlF, qui peut donc être utilisé comme un indicateur rapide, sensible et non destructif de l’état du PSII. En effet, ChlF est un outil puissant pour évaluer de multiples aspects de la photosynthèse. Bien que les mesures et les analyses de ChlF soient complexes, elles permettent aux chercheurs d’étudier les effets de divers types de facteurs de stress sur la photosynthèse. Par exemple, ChlF est utilisé pour surveiller les effets de la sécheresse, de la chaleur, de la pollution et de l’état nutritionnel.
Une mesure très importante qui peut être obtenue à partir de ChlF est le rapport de la fluorescence variable à la fluorescence maximale, ou Fv/Fm. Ce rapport fournit des informations sur le métabolisme du carbone et est un indicateur fiable de la photosynthèse. Cependant, les échantillons de plantes doivent d’abord être adaptés à l’obscurité afin de quantifier Fv/Fm.
L’adaptation à l’obscurité est fastidieuse et prend du temps, donc l’éviter peut accélérer à la fois les expériences et les analyses. Maintenant, des chercheurs de l’Université de Jiangnan, de l’Université de Columbia et de l’Université de l’Illinois-Urbana Champaign ont développé une méthode rapide pour des analyses Fv/Fm précises à l’aide de l’intelligence artificielle (IA), sans nécessiter d’adaptation à l’obscurité.
Leurs conclusions ont été publiées dans Phénomique végétale.
« L’IA nous a permis de révéler la relation cachée entre Fv/Fm et ChlF sans adaptation à l’obscurité. Nous avons réalisé un gain de temps significatif et pouvons désormais fournir des informations rapides sur la phénomique des plantes », déclare le Dr Ya Guo, chercheur principal de l’étude basé au Key Laboratoire de contrôle avancé des processus pour l’industrie légère, Université de Jiangnan.
La méthode AI, connue sous le nom de modèle de machine vectorielle de support des moindres carrés (LSSVM), contourne le besoin d’adaptation à l’obscurité en prédisant mathématiquement les rapports Fv/Fm sous adaptation à l’obscurité à partir des mesures ChlF. Ce processus d’analyse est plus économique et moins fastidieux, car aucun équipement d’adaptation à l’obscurité n’est réellement nécessaire.
Leurs expériences dans cette étude ont impliqué plus de 7 000 échantillons de 6 variétés génétiques différentes de plantes. Ces plantes ont été soumises à 4 types de conditions de sécheresse, plusieurs températures environnementales différentes, 3 saisons de croissance différentes (printemps, été et hiver), une large gamme de densités de flux de photons photosynthétiques et 3 lieux de culture différents (champ, serre et laboratoire). ). Toutes ces conditions ont entraîné d’énormes différences dans les valeurs ChlF.
Ces résultats montrent que le modèle LSSVM peut prédire les rapports Fv/Fm dans des échantillons de plantes exposés à un large éventail de conditions, avec de très petites erreurs. En d’autres termes, ce modèle peut identifier de manière fiable la relation cachée entre les valeurs ChlF et Fv/Fm sans adaptation à l’obscurité.
En élaborant sur les avantages de leur méthode basée sur l’IA, le Dr Guo explique : « Le modèle LSSVM a montré d’excellentes performances dans la détermination de Fv/Fm à partir de ChlF sans adaptation à l’obscurité et a traité chaque échantillon en moins de quatre millisecondes. Ses résultats de prédiction avaient des coefficients de corrélation élevés. , des erreurs quadratiques moyennes faibles et un écart de prédiction résiduel acceptable. Ce sont trois indicateurs de performance clés qui ont confirmé son exactitude. »
ChlF est un outil très utile pour le phénotypage des plantes. Comprendre les mécanismes sous-jacents aux phénotypes des plantes est essentiel pour améliorer la croissance et le rendement des cultures. Jusqu’à présent, une adaptation à l’obscurité a été nécessaire pour effectuer des mesures de ChlF. Cependant, il a été démontré que différents temps d’adaptation à l’obscurité affectent les résultats de ChlF. L’adaptation à l’obscurité nécessite également un équipement supplémentaire et prend du temps.
Dans cette étude, le Dr Guo et ses collègues ont établi une nouvelle référence en mesurant ChlF sans adaptation à l’obscurité pour obtenir de vraies valeurs pour les rapports Fv/Fm. Leur nouveau modèle LSSVM leur permet de sonder facilement le phénotype et l’état physiologique des plantes en tirant parti de la vitesse et de la précision de l’IA. Plus important encore, les mesures peuvent désormais être effectuées directement sur le terrain, dans des conditions environnementales complexes et en temps réel.
« Cette étude nous montre que l’IA peut découvrir le comportement caché des processus biologiques comme la photosynthèse avec peu d’erreurs. Notre preuve de concept pourrait bientôt être utilisée pour prédire d’autres paramètres ChlF comme le rendement quantique photochimique du PSII et le rendement quantique de la dissipation d’énergie. Nous ‘ai juste effleuré la surface de son application », conclut le Dr Guo.
Plus d’information:
Qian Xia et al, Détermination de F v / F m à partir de la fluorescence de la chlorophylle a sans adaptation à l’obscurité par un modèle LSSVM, Phénomique végétale (2023). DOI : 10.34133/plantphenomics.0034