La implementación de visión por computadora basada en Inteligencia Artificial reveló variabilidad en caracteres del durazno contenida en una colección de germoplasma

Abstract

Automatizar la toma de datos fenotípicos es crucial a la hora de aumentar la escala de un programa de mejora. En el caso de los frutales, esta necesidad es incluso más evidente si se tiene en cuenta que el mantenimiento de árboles a campo encarece el costo de fenotipado por las horas-hombre necesarias. Sin embargo, según nuestro conocimiento no existe un programa de mejora de frutales que haya implementado alguna aproximación fenómica. En la EEA San Pedro del INTA se lleva a cabo un programa de mejoramiento de duraznero que en los últimos 10 años fue modernizado mediante la implementación de tecnologías genómicas. En la actualidad estamos interesados en aumentar la eficiencia de este programa mediante la implementación del fenotipado de alto caudal. En el contexto de una colaboración entre la Startup Biotango, el INTA y la carrera en especialización en Inteligencia Artificial de la FIUBA se desarrolló un algoritmo que usa aprendizaje profundo combinado con visión por computadoras para cuantificar características del fruto a partir de fotos. Con esta herramienta se analizó un total de 1028 fotos de frutos de la colección que fueron tomadas durante 7 campañas entre los años 2013 y 2020, registrándose entre 86 (campaña 2017-2018) y 281 (campaña 2010-2011) variedades. Cada foto contiene 4 frutos de una variedad que muestran diferentes vistas: 1) vista superior, 2) vista inferior, 3) vista lateral y 4) fruto cortado en el plano ecuatorial donde se observa la pulpa con el carozo. El algoritmo desarrollado detecta para cada fruto: I) el alto y ancho (mm) que se utilizó para estimar la relación alto/ancho; II) el área observada (mm2) que permite estimar el tamaño de fruto y III) para el caso del fruto cortado (4), el porcentaje de pulpa/carozo (%) y tanto el color subjetivo (amarillo/blanco) como el color objetivo (CIELAB) de la pulpa. En cuanto al tamaño, se observó variabilidad tanto para la vista lateral (3) como para las vistas ecuatoriales (1, 2 y 4), con diferencias mayores a 4x (frutos más grandes/fruto más chico) entre variedades en ambos casos. La relación alto/largo de la vista lateral (3) mostró valores extremos de 1.30 para variedades con frutos alargados y 0.60 para variedades chatas. Para el caso de la forma ecuatorial (1, 2 y 4) también se observó variabilidad en la relación alto/ancho variando entre 1.17 para frutos con quilla marcada y 0.80 para frutos achatados. Se obtuvo porcentajes de pulpa entre 77.78%-98.86%, indicando que también existe variabilidad para este carácter. En cuanto a la asignación de color subjetivo, el algoritmo tuvo una precisión del 99.13%. La información obtenida se combinará con datos genómicos para entender el control genético de caracteres útiles para la mejora. A su vez esta herramienta fenómica abre la posibilidad de modelar características de relevancia económica en función del clima y sus genes, un paso fundamental para hacer frente al cambio climático.