Przez większą część historii hodowli roślin fenotypowanie było banalnie proste w założeniu:

patrzysz na roślinę i zapisujesz, co widzisz.

Wysokość.

Pokrój.

Tempo wzrostu.

Termin kwitnienia.

Objawy chorób.

Plon.

Kolor.

Strukturę organów.

A później wybierasz najlepsze osobniki.

Problem polega na tym, że współczesny breeding przestał być ograniczany wyłącznie przez brak danych genetycznych.

Coraz częściej ogranicza go coś innego:

brak wystarczająco dokładnych danych fenotypowych.

Możemy dziś genotypować tysiące roślin i analizować ogromną liczbę markerów DNA.

Ale jeżeli fenotyp nadal opisujemy jako:

„ładna roślina”

„dobry vigor”

„średnia struktura”

to najbardziej zaawansowany model genomiczny uczy się na bardzo prymitywnych danych.

I właśnie tutaj pojawia się:

High-Throughput Phenotyping.

Kamery RGB.

Obrazowanie multispektralne.

Termografia.

Fluorescencja chlorofilu.

LiDAR.

Obrazowanie hiperspektralne.

Automatyczne systemy pomiarowe.

Computer vision.

Machine learning.

Wszystkie te technologie tworzą coś, co można roboczo nazwać:

Fenotypowaniem 2.0.

Pytanie brzmi jednak:

czy maszyna naprawdę potrafi ocenić roślinę lepiej niż doświadczony breeder?

Odpowiedź jest ciekawsza niż proste „tak” albo „nie”.

1. Genomika stała się szybka. Fenotyp pozostał powolny

Rewolucja sekwencjonowania DNA dramatycznie zmniejszyła koszt genotypowania.

Dzisiaj stosunkowo łatwo wygenerować ogromną macierz:

rośliny × markery SNP.

Problem polega na tym, że druga połowa równania nadal wymaga fizycznego pomiaru:

rośliny × cechy.

I właśnie to jest często określane jako:

phenotyping bottleneck.

Wysokoprzepustowe fenotypowanie rozwijano właśnie po to, aby zmniejszyć dysproporcję pomiędzy szybkością generowania danych genomicznych a zdolnością do dokładnego mierzenia fenotypów. Systemy te wykorzystują automatyczne obrazowanie i czujniki do powtarzalnego mierzenia cech dużej liczby roślin.

W skrócie:

genotyping scaled.

phenotyping musi nadrobić zaległości.

2. Człowiek widzi roślinę. Kamera mierzy piksele

Tradycyjny breeder może spojrzeć na populację i powiedzieć:

„Ta roślina ma lepszą architekturę.”

Komputer nie rozumie pojęcia:

lepsza architektura.

Musi zamienić obraz na liczby.

Na przykład:

• wysokość = 112,4 cm,
• projected leaf area = 3 840 cm²,
• liczba widocznych rozgałęzień = 18,
• średni kąt liści = 42°,
• stosunek wysokość/szerokość = 2,8,
• tempo wzrostu = +3,2% dziennie.

To fundamentalna różnica.

Człowiek tworzy ocenę.

Sensor tworzy pomiar.

I właśnie dlatego oba systemy mają inne zalety.

3. Największą przewagą maszyny jest powtarzalność

Wyobraźmy sobie ocenę:

vigor 1–10.

Pierwszego dnia breeder daje roślinie: 8.

Tydzień później: 7.

Inny breeder: 9.

Czy roślina się zmieniła?

Być może.

Ale zmienić mogła się również ocena człowieka.

Subiektywne fenotypowanie cierpi na:

• observer bias,
• różnice między oceniającymi,
• zmęczenie,
• zmianę kryteriów,
• ograniczoną pamięć,
• efekt kolejności.

Dobrze skalibrowany system obrazowania może każdego dnia używać dokładnie tego samego algorytmu.

To ogromna zaleta.

4. Kamera może zobaczyć zmianę wcześniej niż człowiek

Człowiek często zauważa problem, kiedy staje się wizualnie oczywisty.

Sensor może wykryć zmianę wcześniej.

Przykładowo termografia mierzy temperaturę powierzchni liści.

Roślina ograniczająca transpirację może zacząć się nagrzewać zanim objawy stresu wodnego staną się oczywiste gołym okiem.

Podobnie obrazowanie spektralne może wykrywać zmiany związane z:

• zawartością chlorofilu,
• bilansem wodnym,
• fizjologią liści,
• odpowiedzią stresową.

W przeglądach high-throughput plant phenotyping wymienia się właśnie obrazowanie RGB, termiczne, fluorescencyjne, multispektralne i hiperspektralne jako komplementarne źródła informacji o stanie roślin.

Czyli maszyna nie musi widzieć więcej niż człowiek.

Może widzieć inaczej.

5. RGB: zwykła kamera może mierzyć zaskakująco dużo

Najprostsze systemy wykorzystują klasyczne obrazy RGB.

Z fotografii można estymować:

• rozmiar rośliny,
• projected area,
• wysokość,
• szerokość,
• compactness,
• kolor,
• dynamikę wzrostu,
• niektóre elementy architektury.

Jeżeli wykonujemy obraz codziennie, otrzymujemy nie jeden fenotyp, ale:

trajectory phenotype.

Nie wiemy tylko:

„jak duża była roślina w dniu 50?”

Możemy wiedzieć:

„jak rosła od dnia 1 do dnia 50.”

To znacznie bogatsza informacja.

6. Fenotyp dynamiczny może być ważniejszy niż wynik końcowy

Wyobraźmy sobie dwie rośliny.

W dniu 60 obie osiągnęły:

100 jednostek biomasy.

Klasyczny końcowy pomiar mówi:

identyczny wynik.

Ale trajectory może wyglądać tak:

Genotyp A

bardzo szybki wzrost początkowy,

następnie plateau.

Genotyp B

wolniejszy początek,

ale stabilny wzrost przez cały okres.

Dla określonego systemu produkcji te strategie mogą mieć zupełnie inne znaczenie.

Fenotypowanie czasowe pozwala więc badać:

tempo

a nie tylko:

stan końcowy.

To ogromna zmiana.

7. Time series może ujawnić geny działające tylko przez kilka dni

Cecha fenotypowa nie musi być stała w czasie.

QTL może silnie wpływać na wzrost:

dzień 20–30

a praktycznie przestać mieć znaczenie:

dzień 50.

Jeżeli wykonujemy tylko jeden końcowy pomiar, możemy tego nigdy nie zobaczyć.

High-throughput phenotyping umożliwia analizę tzw. functional traits i dynamicznych przebiegów wzrostu, co pozwala łączyć genom z fenotypem w określonych fazach rozwoju.

To otwiera zupełnie nowe możliwości QTL mapping i genomic prediction.

8. Termografia: stres zapisany w temperaturze

Liść jest biologicznym wymiennikiem ciepła.

Transpiracja chłodzi jego powierzchnię.

Jeżeli aparaty szparkowe się zamykają, chłodzenie maleje.

Temperatura liścia może wzrosnąć.

Dlatego kamery termiczne są używane do analizy:

• water stress,
• stomatal conductance,
• różnic w transpiracji,
• odpowiedzi na temperaturę.

To bardzo ciekawy fenotyp dla breedingu odporności na stres.

Człowiek patrzy:

„roślina wygląda jeszcze dobrze.”

Sensor może powiedzieć:

„jej fizjologia już zachowuje się inaczej.”

9. Fluorescencja chlorofilu: kamera może zajrzeć do fotosyntezy

Fotosynteza pozostawia mierzalny sygnał.

Fluorescencja chlorofilu pozwala oceniać funkcjonowanie fotosystemu II i reakcję aparatu fotosyntetycznego na stres.

Popularne wskaźniki obejmują między innymi:

Fv/Fm.

To oznacza, że fenotypowanie może przestać ograniczać się do:

jak roślina wygląda

i zacząć mierzyć:

jak działa jej fizjologia.

To szczególnie cenne, ponieważ zaburzenia fizjologiczne mogą pojawić się przed oczywistymi zmianami morfologicznymi.

10. Multispectral imaging: więcej kolorów niż widzi oko

Ludzkie oko widzi tylko część promieniowania elektromagnetycznego.

Sensor multispektralny może analizować również zakresy takie jak:

near infrared — NIR.

Roślinność odbija promieniowanie w różnych zakresach w sposób zależny od:

• struktury tkanki,
• pigmentów,
• zawartości wody,
• kondycji fizjologicznej.

Na tej podstawie można budować różnego rodzaju indeksy wegetacyjne.

W zastosowaniach polowych najbardziej znany jest:

NDVI.

Ale to tylko jeden z wielu możliwych wskaźników.

11. Hyperspectral imaging: zamiast kilku kanałów — setki

Multispectral imaging mierzy kilka wybranych pasm.

Hyperspectral imaging może rejestrować:

dziesiątki lub setki wąskich pasm spektralnych.

Każdy piksel zawiera wtedy coś przypominającego:

widmo rośliny.

Potencjalnie pozwala to przewidywać:

• skład chemiczny,
• stan fizjologiczny,
• stres,
• choroby,
• cechy tkanek.

Ale pojawia się problem.

Jedno zdjęcie może zawierać gigantyczną liczbę zmiennych.

I tutaj niemal automatycznie potrzebujemy:

machine learning.

12. Sensor nie mierzy cechy. Często mierzy proxy

To bardzo ważne.

Kamera termiczna nie mierzy bezpośrednio:

„odporności na suszę”.

Mierzy:

temperaturę powierzchni.

Model interpretuje ją jako część odpowiedzi fizjologicznej.

Kamera RGB nie mierzy:

„biomasy”.

Mierzy:

piksele.

Na ich podstawie możemy estymować biomasa proxy.

Hyperspectral imaging nie zawsze mierzy bezpośrednio:

zawartość związku X.

Model wykorzystuje wzorzec widmowy do jego przewidywania.

Dlatego zawsze należy odróżniać:

direct phenotype measurement

od:

phenotypic proxy.

To dokładnie ten sam problem, który wcześniej omawialiśmy przy markerach DNA.

13. Phenotyping także posiada swoje „markery”

To ciekawa analogia.

Marker DNA mówi:

„ten wariant jest związany z cechą.”

Sensor może mówić:

„ten wzorzec obrazu jest związany z cechą.”

W obu przypadkach potrzebujemy:

walidacji.

Jeżeli algorytm przewiduje biomasę z obrazu, należy sprawdzić jego wynik względem rzeczywistego pomiaru biomasy.

Jeżeli przewiduje chorobę:

trzeba porównać z potwierdzoną diagnozą.

Czyli:

image prediction ≠ ground truth.

14. Ground truth jest królem

Każdy system AI potrzebuje prawdziwego wyniku, na którym się uczy.

Jeżeli chcemy nauczyć model przewidywać plon z obrazu:

potrzebujemy realnych danych o plonie.

Jeżeli chcemy przewidywać skład chemiczny:

potrzebujemy analizy laboratoryjnej.

Jeżeli chcemy rozpoznawać chorobę:

potrzebujemy wiarygodnego oznaczenia choroby.

To właśnie:

ground truth.

Bez niego komputer nie „uczy się biologii”.

Uczy się naszych etykiet.

Jeżeli etykiety są słabe:

model będzie bardzo precyzyjnie odtwarzał słaby standard.

15. Największy problem AI vision: model może nauczyć się nie tego, czego chcemy

Wyobraźmy sobie zbiór zdjęć.

Rośliny odporne fotografowano zawsze:

na białym tle.

Podatne:

na szarym.

Model osiąga:

99% accuracy.

Czy nauczył się rozpoznawać odporność?

Nie.

Nauczył się:

koloru tła.

To klasyczny problem:

shortcut learning.

W fenotypowaniu modele mogą przypadkowo wykorzystywać:

• pozycję rośliny,
• doniczkę,
• oświetlenie,
• kamerę,
• numer stanowiska,
• dzień fotografowania.

Dlatego projekt eksperymentu jest równie ważny jak algorytm.

16. Kamera nie usuwa environmental noise

Automatyzacja pomiaru nie powoduje, że środowisko przestaje wpływać na fenotyp.

Jeżeli roślina stoi:

bliżej źródła światła

albo:

na skraju doświadczenia

może zachowywać się inaczej.

W doświadczeniach polowych istnieją:

• gradients,
• edge effects,
• różnice gleby,
• wilgotność,
• mikroklimat.

Sensor bardzo dokładnie zmierzy tę różnicę.

Ale nadal trzeba ustalić:

czy różnica pochodziła z genotypu, czy środowiska.

Automatyczne fenotypowanie zwiększa precision measurement.

Nie automatycznie experimental validity.

17. Dlatego randomizacja nadal jest potrzebna

Nawet w najbardziej futurystycznej szklarni obowiązuje klasyczna metodologia eksperymentalna:

randomization

replication

blocking.

Jeżeli genotyp A zawsze znajduje się w sektorze 1, a genotyp B w sektorze 2, nie wiemy, czy obserwowane różnice są genetyczne.

Mogą wynikać z pozycji.

Technologia nie zastępuje dobrego design of experiments.

Może go jedynie lepiej wykorzystać.

18. LiDAR: roślina staje się chmurą punktów

Kamera 2D ma ograniczenie.

Roślina jest strukturą 3D.

LiDAR oraz inne techniki 3D pozwalają tworzyć:

point cloud.

Możemy mierzyć:

• wysokość,
• objętość,
• kształt,
• kąty,
• rozmieszczenie organów,
• architekturę przestrzenną.

To szczególnie interesujące dla cech architektonicznych.

Zamiast opisowego:

„bardziej otwarta struktura”

możemy otrzymać numeryczny model korony.

19. Architektura rośliny może stać się cechą matematyczną

Breeder może oceniać:

compact / open / branchy / tall.

Computer vision może próbować wyliczyć:

• branching angle,
• internode distance,
• fractal dimension,
• canopy density,
• convex hull volume,
• skeleton topology.

To pozwala przekształcić „typ rośliny” w zestaw cech ilościowych.

A cechy ilościowe można potem wykorzystać w:

QTL mapping

lub:

genomic selection.

20. Fenotypowanie 2.0 łączy się bezpośrednio z AI breeding

W poprzednim artykule pytaliśmy:

czy AI może projektować odmianę?

Jednym z największych ograniczeń AI były dane treningowe.

Fenotypowanie 2.0 może dostarczyć ich gigantyczną ilość.

Każda roślina może mieć:

• genotype
• 1000 images
• growth trajectory
• thermal profile
• spectral signature
• environmental data

final yield.

To zupełnie inny poziom informacji niż:

„phenotype score = 8.”

I właśnie tutaj AI może stać się naprawdę użyteczne.

21. Fenotyp przestaje być jedną kolumną w Excelu

Klasyczny breeding dataset:

Genotype	Height	Yield
A	100	420
B	112	460

Fenotypowanie 2.0:

Genotype A

↓

• dzienna seria RGB
• termografia
• widmo
• growth curve
• architektura 3D
• stres response trajectory
• environmental history.

Fenotyp staje się:

multidimensional.

To radykalnie zwiększa ilość dostępnej informacji.

22. Ale więcej danych nie oznacza automatycznie lepszego fenotypu

Milion pikseli nie musi być bardziej informacyjny niż jeden dobry pomiar.

Możemy posiadać:

2 TB obrazów

i nadal nie wiedzieć:

która cecha ma znaczenie hodowlane.

To fundamentalna zasada data science:

data volume ≠ information value.

Dlatego celem phenomics nie powinno być:

„zbierzmy wszystko.”

Tylko:

„zmierzmy cechy, które poprawiają decyzję hodowlaną.”

23. Czy można przewidzieć skład chemiczny z obrazu?

To jeden z najbardziej kuszących kierunków.

Wyobraźmy sobie:

kamera fotografuje roślinę

↓

model analizuje obraz lub widmo

↓

przewiduje metabolity.

Hyperspectral imaging i spectroscopy mogą rzeczywiście być wykorzystywane do budowania modeli przewidujących chemiczne właściwości materiału roślinnego.

Ale tutaj ponownie obowiązuje:

prediction ≠ direct chemical analysis.

Model trzeba kalibrować względem referencyjnych metod analitycznych.

W przeciwnym razie mamy tylko:

bardzo elegancką zgadywarkę.

24. Sensor fusion: jedna kamera może nie wystarczyć

Najbardziej zaawansowane systemy łączą różne źródła.

Na przykład:

RGB

mówi o morfologii.

Thermal

o transpiracji.

Hyperspectral

o fizjologii i składzie optycznym.

LiDAR

o strukturze 3D.

Environmental sensors

o warunkach.

Połączenie:

sensor fusion

może dać znacznie pełniejszy opis.

Ale wraz z tym rośnie:

• koszt,
• złożoność,
• potrzeba synchronizacji,
• liczba błędów technicznych.

25. Największym problemem może stać się kalibracja

Wyobraźmy sobie dwie kamery.

Jedna mierzy kolor trochę inaczej.

Druga ma inną ekspozycję.

Dodajmy:

• różne lampy,
• różne temperatury sensorów,
• inne odległości,
• zmianę ustawień.

Nagle różnica pomiędzy zdjęciami może wynikać:

z urządzenia

a nie:

z rośliny.

Dlatego profesjonalny phenotyping potrzebuje:

• calibration targets,
• standaryzacji,
• kontroli jakości,
• monitoringu driftu sensorów.

Najnowocześniejszy system również może produkować złe dane.

Tylko znacznie szybciej.

26. Batch effect istnieje nie tylko w genomice

Jeżeli serię A fotografowano w styczniu, a serię B w marcu, mogą różnić się:

• światło,
• ustawienia,
• kamera,
• personel,
• środowisko.

Model może nauczyć się:

batch

zamiast:

genotype.

To analogiczne do problemów występujących w omics.

Dlatego dane z phenotyping platform muszą być analizowane z kontrolą:

batch effects.

27. Fenotypowanie dużej liczby roślin może ujawnić coś, czego breeder nigdy nie zauważy

Człowiek ma ograniczoną uwagę.

Jeżeli obserwuje 5000 roślin, zauważa przede wszystkim:

• ekstremalne fenotypy,
• oczywiste problemy,
• cechy, których aktywnie szuka.

Model może znaleźć subtelny wzorzec:

„rośliny, które między dniem 18 a 23 zwiększają projected area o określone tempo, później mają średnio większą wartość cechy X.”

Breeder mógł nigdy wcześniej nie zdefiniować tej cechy.

To jeden z najciekawszych aspektów phenomics.

AI może tworzyć:

nowe cyfrowe fenotypy.

28. Digital phenotype: cecha, której człowiek nie potrafi nazwać

Wyobraźmy sobie sieć neuronową analizującą obrazy.

Model odkrywa cechę latentną:

Feature 127.

Nie wiemy dokładnie, czym jest wizualnie.

Ale Feature 127 okazuje się silnym predyktorem:

odporności.

Czy jest to prawdziwy fenotyp?

Z matematycznego punktu widzenia:

tak.

Z biologicznego:

musimy zrozumieć, co właściwie reprezentuje.

To tworzy napięcie między:

prediction

a:

interpretability.

Dokładnie takie samo jak w genomic prediction.

29. Black box może być użyteczny, ale breeder powinien wiedzieć, kiedy mu nie ufać

Model może osiągać świetną accuracy.

Ale jeżeli nie wiemy, na czym opiera decyzję, pojawia się problem przy zmianie warunków.

Model wytrenowany:

w szklarni A

może działać słabiej:

w szklarni B.

Model z kamery X może nie działać:

na kamerze Y.

To:

domain shift.

Dlatego profesjonalny system powinien być walidowany poza środowiskiem treningowym.

30. External validation ponownie staje się testem prawdy

Model powinien zostać sprawdzony na:

• nowych roślinach,
• nowej generacji,
• innym sezonie,
• innym środowisku,
• najlepiej innym sprzęcie.

Jeżeli działa tylko na danych, na których został opracowany, może być bardzo efektownym prototypem.

Nie musi być użytecznym narzędziem hodowlanym.

To identyczna zasada jak w:

marker validation

oraz:

AI breeding.

31. Czy kamera może ocenić „jakość”?

Tu zaczyna być trudniej.

Łatwo zmierzyć:

height.

Trudniej:

overall quality.

Bo „jakość” może oznaczać kombinację:

• struktury,
• składu chemicznego,
• odporności,
• zachowania po zbiorze,
• cech sensorycznych.

Człowiek może intuicyjnie integrować wiele sygnałów.

Model również może.

Ale najpierw musimy mu powiedzieć:

co oznacza quality.

Jeżeli nie potrafimy tego zdefiniować ilościowo, komputer nie rozwiąże problemu.

32. Organoleptyka jest trudniejsza do zastąpienia niż wysokość

Niektóre cechy są łatwo mierzalne instrumentalnie.

Inne nadal wymagają oceny sensorycznej.

Aromat można częściowo scharakteryzować przez:

• GC-MS,
• profile terpenów,
• volatile compounds.

Ale sensoryczna percepcja człowieka jest wynikiem bardzo złożonej integracji.

Podobnie:

„ładna struktura”

może składać się z wielu drobnych parametrów, których breeder nieświadomie używa jednocześnie.

Dlatego automatyzacja prawdopodobnie najpierw zastąpi:

powtarzalne pomiary

a dopiero znacznie później:

całościową ekspercką ocenę.

33. Human scoring ma jedną niezwykłą zaletę: adaptacyjność

Doświadczony breeder może zobaczyć nową cechę i natychmiast pomyśleć:

„Nigdy wcześniej tego nie selekcjonowałem, ale to jest ciekawe.”

Algorytm wytrenowany do:

oceny X, Y i Z

może zupełnie zignorować:

nową cechę Q.

Człowiek jest bardzo dobry w:

open-ended discovery.

Maszyna jest bardzo dobra w:

consistent measurement.

I właśnie dlatego najprawdopodobniej będą się uzupełniać.

34. Anomaly detection może jednak pomóc znaleźć „dziwne” rośliny

AI może również zostać wykorzystane odwrotnie.

Zamiast oceniać:

„która roślina jest najlepsza?”

możemy zapytać:

„która roślina jest najbardziej nietypowa?”

Model anomaly detection może znaleźć osobniki odbiegające od populacji.

W dużym programie hodowlanym to może być niezwykle wartościowe.

Breeder może wtedy obejrzeć tylko:

top 0,5% najbardziej nietypowych fenotypów.

To ciekawy przykład współpracy:

AI znajduje anomalię.

Człowiek decyduje, czy jest cenna.

35. Kamera może obserwować każdą roślinę codziennie. Człowiek nie

To być może najbardziej oczywista przewaga technologiczna.

Breeder ma:

8 godzin dziennie.

System kamer może pracować:

24/7.

Może wykonać:

• zdjęcie codziennie,
• zdjęcie co godzinę,
• pomiar temperatury co minutę.

To tworzy ciągłą historię życia rośliny.

Nie:

snapshot.

Tylko:

movie.

Fenotyp staje się procesem.

36. Environment też powinien być fenotypowany

To bardzo ważny kierunek.

Jeżeli chcemy zrozumieć:

G×E

musimy dokładnie znać:

E.

Czyli mierzymy:

• temperaturę,
• wilgotność,
• światło,
• VPD,
• wodę,
• skład podłoża,
• mikroklimat.

Wtedy dataset może wyglądać:

genotype + phenotype trajectory + environment trajectory.

Dopiero wtedy można próbować modelować:

reaction norm.

37. Reaction norm jest bardziej interesująca niż jeden fenotyp

Genotyp nie posiada jednego fenotypu.

Posiada pewną reakcję na środowisko.

Można to opisać jako:

reaction norm.

Przykład:

Genotyp A:

bardzo dobry w środowisku optymalnym,

gwałtownie traci performance pod stresem.

Genotyp B:

nieco słabszy w optimum,

ale bardzo stabilny pod stresem.

Który jest lepszy?

To zależy od celu hodowlanego.

Fenotypowanie 2.0 umożliwia dokładniejsze mapowanie takich reakcji.

38. Stability może zostać zmierzona zamiast opisana

W artykule o stabilności genetycznej pisaliśmy, że zamiast:

„very stable”

powinniśmy pokazywać:

wariancję.

Phenotyping 2.0 daje dokładnie taką możliwość.

Możemy mierzyć:

temporal stability

environmental stability

within-population variation.

Zamiast jednego wyniku otrzymujemy:

rozkład reakcji.

To ogromny krok w stronę prawdziwie ilościowego breedingu.

39. Sensor może pomóc oddzielić tolerance od avoidance

Wyobraźmy sobie dwie rośliny dobrze radzące sobie podczas stresu.

Jedna:

unika stresu dzięki ograniczeniu transpiracji.

Druga:

utrzymuje funkcjonowanie mimo stresu.

Końcowy plon może być podobny.

Ale ich fizjologia jest inna.

Połączenie:

• termografii,
• fluorescencji,
• pomiarów wzrostu

może pomóc rozróżnić takie strategie.

Dla hodowcy to znacznie bogatsza informacja niż:

„obie przeżyły.”

40. Fenotypowanie 2.0 może zmienić sposób definiowania odmiany

Dzisiaj odmianę opisujemy przez ograniczony zestaw cech.

W przyszłości „cyfrowy profil fenotypowy” może obejmować:

1000 parametrów.

Możemy wtedy tworzyć:

phenotypic fingerprint.

Dwa genotypy mogą być porównywane nie tylko według:

• wysokości,
• czasu kwitnienia,

ale według całej trajektorii rozwojowej.

To potencjalnie przydatne również do:

• kontroli jakości,
• identyfikacji off-types,
• porównywania seed batches.

41. Off-type może zostać wykryty automatycznie

Załóżmy, że mamy 5000 roślin F1.

System zna typowy cyfrowy fenotyp populacji.

Może automatycznie oznaczyć:

rośliny znajdujące się poza wielowymiarowym zakresem normalności.

Czyli zamiast ręcznie szukać off-types:

algorytm tworzy listę:

n = 37 podejrzanych osobników.

Breeder je sprawdza.

To świetny przykład automatyzacji, która nie zastępuje eksperta, lecz zwiększa jego przepustowość.

42. Phenomic selection może stać się odpowiednikiem genomic selection

To jeden z ciekawszych kierunków badań.

Jeżeli profile spektralne lub inne wysokowymiarowe fenotypy korelują z wartością hodowlaną, można próbować wykorzystywać je do przewidywania performance.

Niektóre koncepcje określa się jako:

phenomic selection.

Zamiast tysięcy markerów DNA używamy:

tysięcy cech spektralnych.

W pewnych zastosowaniach może to być tańsze niż pełne genotypowanie.

Nie zastąpi genomiki wszędzie.

Ale może być interesującym uzupełnieniem predictive breeding.

43. Genomic + phenomic prediction może być mocniejsze niż każde osobno

Najbardziej naturalny następny krok to integracja.

Model otrzymuje:

• SNP
• pangenome haplotypes
• RGB trajectories
• spectral data
• environment

↓

prediction.

Jeżeli informacje są komplementarne, accuracy może wzrosnąć.

To właśnie prawdziwa wizja:

integrated breeding.

Nie:

genomika kontra fenotypowanie.

Tylko:

genomika + phenomics.

44. Czy potrzebujemy wtedy jeszcze klasycznego breedera?

Tak.

Bo ktoś musi zdecydować:

co mierzyć.

Ktoś musi ustalić:

jaki jest cel hodowlany.

Ktoś musi zauważyć:

że model optymalizuje niewłaściwą rzecz.

I ktoś musi ocenić:

czy interesujący fenotyp rzeczywiście ma wartość użytkową.

Technologia może perfekcyjnie optymalizować źle zdefiniowany cel.

To nadal prowadzi do złego produktu.

45. Algorytm może stworzyć odmianę „idealną” według złej definicji

Wyobraźmy sobie model:

maximize biomass.

Po kilku generacjach selekcji otrzymujemy niezwykle wysoką biomasę.

Ale jednocześnie:

• pogorszył się inny parametr,
• zmieniła się architektura,
• spadła odporność,
• materiał nie spełnia oczekiwań jakościowych.

Model wykonał zadanie poprawnie.

Problemem była:

objective function.

Dlatego breeder przyszłości będzie być może jeszcze bardziej potrzebny jako:

designer of breeding objectives.

46. Selekcja hodowcy jest również algorytmem — tylko biologicznym

To interesująca perspektywa.

Doświadczony breeder również posiada model.

Tylko nie zapisany w Pythonie.

Przez lata nauczył się:

„kiedy widzę kombinację A+B+C, często prowadzi to do dobrego potomstwa.”

To rodzaj:

human predictive model.

Jego parametry znajdują się w doświadczeniu.

Problem:

trudno go skalować i trudno przekazać.

Machine learning może część tego doświadczenia:

sformalizować.

Ale nie oznacza, że eksperckie doświadczenie staje się bezużyteczne.

47. Najlepszy system może trenować AI na decyzjach breedera

Wyobraźmy sobie, że każdego roku ekspert ocenia 10 000 roślin.

System zapisuje:

• obrazy,
• sensory,
• genotyp,
• ocenę breedera,
• późniejszy wynik potomstwa.

Po kilku latach AI może zacząć uczyć się:

co breeder zauważa.

Jeszcze ciekawiej:

może wykryć, w których sytuacjach:

breeder się myli.

A breeder może zauważyć, gdzie:

model się myli.

To tworzy prawdziwy:

Human-AI feedback loop.

48. Breeder może stać się nauczycielem maszyny

Dzisiaj breeder:

selekcjonuje rośliny.

Jutro może równocześnie:

trenować system selekcyjny.

Każda decyzja:

keep / discard

staje się etykietą danych.

Po kilku generacjach model może pomóc w pierwszym screeningu.

Breeder ogląda już nie:

20 000 roślin

ale:

2000 najbardziej interesujących.

To radykalnie zwiększa jego efektywność.

49. Czy to zabije „pheno hunting”?

Raczej go zmieni.

Klasyczny pheno hunt:

1000 roślin → człowiek ogląda 1000.

Phenotyping 2.0:

1000 roślin

↓

automatyczne pomiary

↓

clustering

↓

anomaly detection

↓

ranking

↓

człowiek ogląda:

50 najbardziej interesujących.

Nie tracimy selekcji.

Zmniejszamy przestrzeń poszukiwania.

Dokładnie tak samo, jak AI breeding redukuje liczbę potencjalnych krzyżowań.

50. Największą zaletą nie musi być zastąpienie pracy. Może być zwiększenie populacji

To bardzo ważne.

Jeżeli breeder jest w stanie ręcznie dokładnie ocenić:

500 roślin

a dzięki automatyzacji:

5000

to intensity of selection może dramatycznie wzrosnąć.

Większa populacja oznacza większą szansę znalezienia:

• rzadkich rekombinantów,
• transgressive phenotypes,
• wyjątkowych kombinacji alleli.

Czyli kamera może poprawić genetic gain nie dlatego, że jest „mądrzejsza”.

Tylko dlatego, że pozwala breederowi:

szukać w większej populacji.

51. To ponownie prowadzi do równania postępu genetycznego

W uproszczeniu:

ΔG ∝ (i × r × σₐ) / L

gdzie:

• i = selection intensity,
• r = accuracy,
• σₐ = additive genetic variation,
• L = generation interval.

Phenotyping 2.0 może potencjalnie poprawić:

i

bo analizujemy większe populacje,

oraz:

r

bo fenotyp mierzymy dokładniej.

Jeżeli dodatkowo mierzymy wcześniej, możemy potencjalnie skrócić:

L.

To jest prawdziwy powód, dla którego technologia ma znaczenie.

52. Nie liczy się liczba kamer. Liczy się genetic gain

Firma może pokazać:

• roboty,
• sensory,
• serwery,
• dashboardy.

Wygląda to niezwykle nowocześnie.

Ale pytanie jest takie samo jak przy AI:

Czy dzięki temu program hodowlany robi szybszy postęp?

Jeżeli nie:

to mamy:

expensive photography.

Nie:

better breeding.

53. Jak zweryfikować firmę mówiącą „AI phenotyping”?

Kilka pytań szybko oddziela technologię od prezentacji inwestorskiej.

Co dokładnie mierzycie?

Nie:

plant health.

Tylko konkretnie:

• leaf area?
• canopy temperature?
• growth rate?
• architecture?

Jakie sensory?

RGB?

thermal?

hyperspectral?

3D?

Co jest ground truth?

Jak potwierdzacie wynik?

Jaka jest accuracy?

RMSE?

R²?

classification accuracy?

Na jakiej populacji model był trenowany?

Czy wykonano external validation?

Czy model działa w nowych genotypach?

Czy działa w nowym środowisku?

Czy jego wykorzystanie poprawiło decyzje selekcyjne?

Ostatnie pytanie jest najważniejsze.

54. „98% accuracy” może nadal niczego nie znaczyć

Załóżmy, że 98% roślin jest zdrowych.

Model zawsze mówi:

healthy.

Accuracy:

98%.

Czy mamy genialny system diagnostyczny?

Nie.

Dlatego potrzebujemy również:

• sensitivity,
• specificity,
• precision,
• recall,
• confusion matrix.

Marketing lubi jedną liczbę.

Nauka potrzebuje całego kontekstu.

55. Fenotypowanie 2.0 również potrzebuje pangenomu i genotypu

Wyobraźmy sobie, że kamera znajduje wyjątkowo odporną roślinę.

Świetnie.

Ale breeder chce wiedzieć:

czy cecha jest dziedziczna?

Wtedy potrzebuje genomiki.

Może:

• znaleźć QTL,
• wykonać GWAS,
• zidentyfikować haplotyp,
• stworzyć marker.

Czyli:

phenomics odkrywa

↓

genomics tłumaczy i śledzi

↓

breeding utrwala.

To jest prawdziwy system.

56. A genomika potrzebuje phenomics

Relacja jest symetryczna.

Pangenom może powiedzieć:

„tu znajduje się unikalny wariant.”

Ale dopiero phenotyping odpowiada:

„czy ten wariant ma jakiekolwiek znaczenie?”

Bez fenotypu genom jest katalogiem różnic.

Bez genomu fenotyp jest obserwacją bez pełnej informacji o dziedziczeniu.

Dlatego przyszłość to:

genotype × phenotype × environment.

57. Możemy dojść do cyfrowego bliźniaka rośliny

Najbardziej ambitna wizja integruje:

• genome
• pangenome position
• transcriptome
• phenomic trajectory
• environment
• physiology

w jeden model.

Otrzymujemy coś w rodzaju:

digital twin.

Model mógłby symulować:

„jak genotyp X zareaguje na środowisko Y?”

To byłby ogromny krok.

Ale dzisiejsze modele nadal są tylko częściowymi przybliżeniami.

Nie posiadamy kompletnego cyfrowego modelu organizmu.

58. Kamera nie będzie musiała „rozumieć” rośliny, aby być użyteczna

To ważne.

System może nie wiedzieć:

dlaczego Feature X przewiduje wynik.

Jeżeli stabilnie i niezależnie przewiduje go z wysoką accuracy, może być praktycznie wartościowy.

Breeding jest ostatecznie procesem decyzyjnym.

Nie każdy predyktor musi być pełnym modelem mechanistycznym.

Ale im mniej rozumiemy model, tym ważniejsza staje się:

walidacja.

59. Najbardziej niebezpieczna przyszłość to breeder, który przestaje patrzeć na rośliny

Wyobraźmy sobie całkowicie zautomatyzowany system.

Dashboard pokazuje:

Plant 1847: breeding score = 0.942.

Roślina zostaje wybrana.

Nikt jej nie ogląda.

To kuszące.

I niebezpieczne.

Model może nie mierzyć:

• nowej choroby,
• nietypowej cechy,
• problemu niewystępującego w danych treningowych.

Człowiek nadal pełni rolę:

biological sanity check.

Jeżeli kompletnie usuniemy go z procesu, możemy optymalizować model zamiast rośliny.

60. Najbardziej wartościowa roślina może być tą, którą AI chce odrzucić

To paradoks kończący cały cykl.

Model został nauczony:

jak wygląda dobry fenotyp według przeszłości.

Ale prawdziwa innowacja może wyglądać:

inaczej niż przeszłość.

Nietypowy osobnik może otrzymać niski score.

A właśnie on może reprezentować:

• nową architekturę,
• nową kombinację cech,
• niezwykły rekombinant.

Dlatego dobry system powinien nie tylko rankingować:

best predicted.

Powinien również pokazywać:

most unusual.

Czy kamery i sensory zastąpią selekcję hodowcy?

W przypadku wielu rutynowych pomiarów:

prawdopodobnie tak.

Maszyna może być lepsza w:

• mierzeniu wysokości,
• powierzchni,
• dynamiki wzrostu,
• temperatury,
• powtarzalnym scoringu,
• analizie tysięcy roślin.

W przypadku decyzji:

„który genotyp powinien zdefiniować przyszłość programu hodowlanego?”

odpowiedź jest znacznie mniej oczywista.

Bo ta decyzja wymaga nie tylko pomiaru.

Wymaga:

• celu,
• kontekstu,
• oceny kompromisów,
• biologicznej interpretacji,
• czasami intuicji.

Dlatego bardziej prawdopodobna przyszłość wygląda tak:

kamera mierzy

↓

AI analizuje

↓

model rankinguje

↓

breeder interpretuje

↓

potomstwo weryfikuje.

Fenotypowanie 2.0 nie zabije breedera. Zmieni jego oczy.

To chyba najlepsza definicja.

Kiedyś breeder widział roślinę:

oczami.

Później otrzymał:

analizę chemiczną.

Następnie:

markery DNA.

Teraz dochodzą:

• kamery,
• widma,
• temperatura,
• modele 3D,
• dane czasowe,
• sztuczna inteligencja.

Każda technologia daje mu nowy rodzaj wzroku.

Nie oznacza to, że poprzedni staje się zbędny.

Najlepszy breeder przyszłości może nadal wejść między rośliny i powiedzieć:

„Ta jest interesująca.”

Tyle że sekundę później będzie mógł zapytać komputer:

„Pokaż mi wszystko, czego moje oczy nie zauważyły.”

I właśnie w tym miejscu kończy się marketingowy mit o maszynie zastępującej hodowcę.

A zaczyna coś znacznie ciekawszego:

breeder, który dzięki technologii widzi więcej niż kiedykolwiek wcześniej.

Finał całego cyklu: od intuicji do pomiaru

Jeżeli połączymy wszystkie elementy tej serii:

MAS

genomic selection

AI breeding

stabilność genetyczną

F1

pangenom

genotype ≠ phenotype

high-throughput phenotyping

otrzymujemy dość jasny obraz przyszłości.

Nowoczesny breeding nie zmierza w stronę świata, w którym:

algorytm zastępuje hodowcę.

Zmienia się raczej ilość informacji dostępnej przed każdą decyzją.

Kiedyś breeder miał:

fenotyp + doświadczenie.

Dzisiaj może mieć:

• fenotyp
• genotyp
• haplotyp
• pangenom
• środowisko
• dynamikę rozwoju
• modele predykcyjne.

Najważniejsze pytanie pozostaje jednak dokładnie takie samo jak sto lat temu:

Którą roślinę wybrać do następnego pokolenia?

Technologia nie usuwa tego pytania.

Sprawia tylko, że odpowiedź może być znacznie lepiej uzasadniona.

I być może właśnie to — a nie AI, roboty czy laboratoria — jest prawdziwą definicją Breeding 2.0:

mniej zgadywania, więcej mierzenia, ale ostateczna prawda nadal znajduje się w kolejnej generacji roślin.