Det klassiska mikroskopet får en modern twist – amerikanska forskare utvecklar ett AI-drivet mikroskopsystem som kan göra jordhälsotester snabbare, billigare och mer tillgängliga för jordbrukare och markförvaltare över hela världen.
Forskare vid University of Texas i San Antonio, USA, har framgångsrikt kombinerat lågkostnads optisk mikroskopi med maskininlärning för att mäta förekomsten och mängden svampar i jordprover. Deras tidiga koncepttestteknik presenteras på Goldschmidt-konferensen i Prag onsdagen den 9 juli.
Att bestämma förekomsten och mångfalden av svampar i jorden kan ge värdefull information om jordens hälsa och fertilitet, eftersom svampar spelar en viktig roll i den biogeokemiska kretsloppet av näringsämnen, vattenhållning och växttillväxt. Med denna kunskap kan jordbrukare optimera grödproduktionen och hållbarheten genom att fatta välgrundade beslut om markhantering, inklusive gödsling, bevattning och jordbearbetning.
Optiska mikroskop är den äldsta mikroskopkonstruktionen och har länge använts för att upptäcka och identifiera små organismer i jorden. Andra former av jordanalys använder tekniker som fosfolipidfettsyraanalys och DNA-analys för att upptäcka organismer eller mäta förekomsten av kemikalier som kväve, fosfor och kalium. Dessa moderna metoder är kraftfulla, men tenderar att vara kostsamma eller bara betona kemisk sammansättning, ofta utan att ta hänsyn till den biologiska komplexiteten i jordens ekosystem.
Alec Graves från University of Texas at San Antonio College of Sciences, USA, presenterar forskningen på Goldschmidt-konferensen denna vecka. Han säger: ”Nuvarande former av biologisk jordanalys är begränsade och kräver antingen dyr laboratorieutrustning för att mäta molekylsammansättningen eller en expert som kan identifiera organismer med hjälp av laboratoriemikroskop. Omfattande jordanalyser är inte allmänt tillgängliga för jordbrukare och markförvaltare, som behöver förstå hur jordbruksmetoder påverkar jordens hälsa.
Med hjälp av maskininlärningsalgoritmer och ett optiskt mikroskop skapar vi en kostnadseffektiv lösning för jordanalys som minskar behovet av arbetskraft och expertis, samtidigt som den ger en mer fullständig bild av jordens biologi.”
I det inledande skedet av projektet utvecklade och testade forskarna en maskininlärningsalgoritm för att detektera svampbiomassa i jordprover, som sedan integrerades i en specialutvecklad programvara för att märka mikroskopbilder. Programvaran skapades med hjälp av en dataset bestående av flera tusen bilder av svampar från jordprover från södra centrala Texas. Programvaran fungerar med endast 100x och 400x total mikroskopförstoring, vilket finns i många prisvärda mikroskop som finns i handeln, inklusive sådana som finns i skollaboratorier.
”Vår teknik analyserar en video av ett jordprov, delar upp den i bilder och använder ett neuralt nätverk för att identifiera och kvantifiera svampar”, säger Graves. ”Vår proof-of-concept kan redan upptäcka svampsträngar i utspädda prover och uppskatta svampbiomassa.”
Teamet arbetar nu med att integrera sin teknik i en mobil robotplattform för att upptäcka svampar i jorden. Systemet kommer att kombinera provtagning, mikrofotografering och analys i en enda enhet. Målet är att ha en fullt utvecklad, användbar enhet klar för testning inom de närmaste två åren.
Forskningen leds av professor Saugata Datta, direktör för Institute of Water Research Sustainability and Policy vid UTSA. Detaljer om maskininlärningsalgoritmen kommer att publiceras i en peer-reviewed tidskrift senare i år.
Mer information: Maskininlärningsmikroskopi för snabb biogeokemisk analys av prover: Tillämpningar från jordbruksmark till exobiologi. conf.goldschmidt.info/goldschm … gapp.cgi/Paper/26258
