新的成像和机器学习方法加快了减少作物对水需求的努力

伊利诺伊州香槟市——科学家们开发并部署了一系列新的成像和机器学习工具，以发现有助于作物光合作用过程中水分利用效率的属性，并揭示这些性状变异的遗传基础。

这些发现在伊利诺伊大学厄巴纳-香槟分校研究生 Jiayang (Kevin) Xie 和 Parthiban Prakash 以及博士后研究人员 John Ferguson、Samuel Fernandes 和 Charles Pignon 领导的四篇研究论文中进行了描述。

负责这项研究的伊利诺伊大学厄巴纳-香槟分校植物生物学和作物科学教授Andrew Leakey说，目标是培育或改造在不牺牲产量的情况下更擅长节水的作物。

“干旱压力比其他任何事情都更能限制农业生产，”利基说。“科学家们正在努力寻找方法，在不减少叶子吸收的二氧化碳量的情况下，最大限度地减少植物叶子的水分流失。”

植物通过叶子上称为气孔的小孔“吸入”二氧化碳。二氧化碳驱动光合作用并有助于植物生长。但是气孔也允许水分以水蒸气的形式逸出。

“叶子和大气之间交换的水蒸气和二氧化碳的量取决于气孔的数量、大小以及它们响应环境信号而打开或关闭的速度，”Leakey 说。“如果降雨量少或空气太热太干燥，可能没有足够的水来满足需求，导致光合作用、生产力和生存率降低。”

为了更好地了解玉米、高粱和狗尾草等植物的这一过程，该团队分析了其叶子上的气孔如何影响植物的水分利用效率。

“我们调查了这些密切相关物种中气孔关闭运动的数量、大小和速度，”Leakey 说。“这是非常具有挑战性的，因为测量这些特征的传统方法非常缓慢和费力。”

例如，确定气孔密度以前需要在显微镜下手动计算气孔。Leakey 说，这种方法的缓慢意味着科学家无法分析大型数据集。

“叶表皮的许多特征通常无法测量，因为这需要太多时间，”他说。“或者，如果他们得到测量，那是在非常小的实验中。而且你无法通过一个非常小的实验来发现一个性状的遗传基础。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！