El modelado del crecimiento de las plantas puede ayudarnos a predecir cómo responderán los árboles al cambio climático a lo largo de su vida. Las predicciones precisas requieren información detallada sobre cómo el crecimiento de las plantas es controlado por endógeno procesos, impulsados ​​por la expresión del genotipo de la planta, y de exógeno procesos, impulsados ​​por la interacción entre la planta y su entorno.

Desafortunadamente, es difícil, si no imposible, observar y medir los efectos endógenos en los procesos de las plantas que regulan las tasas de crecimiento, ramificación y muerte de las estructuras vegetales.

Imagine medir la tasa de crecimiento de las raíces durante la vida útil de un árbol.

Esto hace que la estimación de los valores de los parámetros para las ecuaciones de crecimiento endógeno necesarias para modelar el crecimiento de toda la planta sea un desafío. Los parámetros que no pueden medirse directamente y solo estimarse se denominan "parámetros ocultos".

El investigador del CIRAD Dr. Jean-François Barczi y sus colegas superaron esta falta de datos utilizando técnicas de aprendizaje profundo. Su trabajo, publicado en in silico Plantas describe su método para predecir valores para estos parámetros ocultos utilizando redes neuronales profundas generativas. Como resultado, pudieron modelar con precisión el impacto del medio ambiente en los árboles.

Este artículo describe el desarrollo de RocoCau, un nuevo modelo estructural de crecimiento de toda la planta que describe el crecimiento de brotes y raíces y las interacciones raíz/brote (fig. 1). RoCoCau se vinculó a TOY, un nuevo complemento de modelo funcional que simula las interacciones entre los compartimentos de brotes y raíces de árboles que se enfrentan a climas variables.

Figura 1: Flujo de trabajo para predecir la arquitectura del árbol en diferentes condiciones ambientales utilizando RoCoCau+TOY.

Los parámetros ocultos de TOY se calibraron mediante inversión de modelo. Es decir, los autores identificaron los valores de entrada del modelo correctos al evaluar la precisión de la salida del modelo que produjeron esos parámetros. Para hacer esto, los autores realizaron simulaciones de RoCoCau+TOY utilizando 360,000 XNUMX valores climáticos y parámetros ocultos aleatorios de TOY. Se entrenó una red neuronal profunda en esta base de datos simulada para predecir los valores correctos de los parámetros ocultos de TOY. Luego, la red entrenada se validó en una base de datos separada para verificar si los valores de entrada pronosticados podían producir salidas del modelo similares a las salidas producidas usando los valores originales.

Figura 2: Valores pronosticados versus valores reales para el impacto de la disponibilidad de luz y agua en el desarrollo arquitectónico.

Descubrieron que los conjuntos de datos podían producir árboles simulados que se acercan a la realidad. Mediante el uso de valores de parámetros ocultos predichos, RoCoCau+TOY pudo predecir el impacto de la disponibilidad de agua y luz en el desarrollo arquitectónico con un 98 % de precisión (fig. 9). La precisión del umbral de muerte de brotes previsto, el umbral de ramificación y el factor de crecimiento apical fue del 95% (fig. 8).

Figura 3: Valores pronosticados versus valores reales de los 3 parámetros de brotes ocultos: umbral de muerte, umbral de ramificación y factor de crecimiento apical.

LEE EL ARTÍCULO:

Abel Louis Masson, Yves Caraglio, Eric Nicolini, Philippe Borianne, Jean-Francois Barczi, Modelado de la dependencia funcional entre los compartimentos de raíces y brotes para predecir el impacto del medio ambiente en la arquitectura de toda la planta. Metodología de ajuste de modelos sobre datos simulados utilizando técnicas de Deep Learning, in silico Plants, 2021, diab036, https://doi.org/10.1093/insilicoplants/diab036

Este manuscrito es parte de in silico Plant's Edición especial del Modelo Estructural Funcional de la Planta.

El código fuente del simulador RoCoCau con los archivos de parámetros de la planta utilizados para este estudio están disponibles gratuitamente en http://amapstudio.cirad.fr/. El código fuente de la herramienta de calibración de redes neuronales se puede descargar desde https://github.com/AbelMasson/VoxNet_Strat.