Fenotipagem de alto rendimento, machine learning e deep learning: aplicação de métodos de inteligência artificial no melhoramento genético de plantas autógamas.

Abstract

A aplicação de tecnologias emergentes, como fenotipagem de alto rendimento associados à inteligência artificial, tem revolucionado o melhoramento genético, tornando os processos de seleção mais ágeis, precisos e acessíveis. Neste estudo, foram investigadas duas abordagens inovadoras: a fenotipagem de alto rendimento para avaliação da qualidade dos grãos de arroz, além do uso de Machine Learning para classificação de genótipos e Deep Learning para a estimar do valor agronômico em soja, sendo, portanto, explorados dois métodos de inteligência artificial para esta culltura. A fenotipagem de alto rendimento mostrou-se uma ferramenta eficaz para a análise da qualidade dos grãos de arroz, substituindo métodos tradicionais demorados e manuais. Utilizando imagens RGB e hiperespectrais, foi possível quantificar a presença de grãos gessados com alta correlação em relação aos dados obtidos pelo método tradicional seedcount. A técnica baseada em câmeras RGB apresentou uma precisão de 92%, reduzindo drasticamente o tempo necessário para análise, de três meses para apenas nove dias. Além da eficiência, essa abordagem se mostrou economicamente viável, garantindo resultados confiáveis com um custo muito inferior ao de equipamentos especializados, enquanto um custa em torno de 2 mil dólares o outro custa 40 mil dólares. Por outro lado, no melhoramento genético da soja, a inteligência artificial foi aplicada para otimizar a seleção de genótipos. Algoritmos de ML foram empregados para classificar genótipos em grupos de desempenho agronômico, atingindo uma acurácia de 95%. Paralelamente, modelos de DL foram utilizados para prever o valor agronômico, alcançando um coeficiente de determinação (R²) de até 86,35%, demonstrando grande precisão na estimava de características fenotípicas. Essa abordagem integrada possibilitou uma avaliação mais robusta dos genótipos, reduzindo o viés humano e aumentando a eficiência da seleção. Os resultados deste estudo evidenciam o potencial da automação na agricultura, permitindo maior precisão e velocidade nos programas de melhoramento genético. A combinação de fenotipagem de alto rendimento com a inteligência artificial não apenas otimiza o processo de seleção de cultivares superiores, mas também contribui para a adaptação das culturas às novas demandas climáticas e produtivas. O avanço dessas tecnologias representa um passo essencial para uma agricultura mais sustentável e eficiente, garantindo maior produtividade e qualidade na produção agrícola.

The application of emerging technologies, such as highthroughput phenotyping combined with artificial intelligence, has revolutionized plant breeding by making selection processes faster, more accurate, and more accessible. This study investigated two innovative approaches: high-throughput phenotyping for evaluating rice grain quality, and the use of Machine Learning for genotype classification and Deep Learning to estimate agronomic value in soybean—thus exploring two artificial intelligence strategies for this crop. High-throughput phenotyping proved to be an effective tool for analyzing rice grain quality, replacing time-consuming and manual traditional methods. Using RGB and hyperspectral imaging, it was possible to quantify the presence of chalky grains with a high correlation to the data obtained through the traditional SeedCount method. The RGB-based technique achieved 92% accuracy, drastically reducing the analysis time from three months to just nine days. In addition to its efficiency, this approach proved to be economically viable, providing reliable results at a much lower cost than specialized equipment, with one costing around 2,000 USD compared to 40,000 USD. In soybean breeding, artificial intelligence was applied to optimize genotype selection. ML algorithms were used to classify genotypes based on agronomic performance, reaching 95% accuracy. Concurrently, DL models were employed to predict agronomic value, achieving a coefficient of determination (R²) of up to 86.35%, demonstrating high precision in estimating phenotypic traits. This integrated approach enabled a more robust evaluation of genotypes, reducing human bias and increasing selection efficiency. The results of this study highlight the potential of automation in agriculture, enabling greater precision and speed in plant breeding programs. The combination of high -throughput phenotyping with artificial intelligence not only optimizes the selection of superior cultivars but also contributes to adapting crops to new climatic and productive demands. The advancement of these technologies represents a key step toward more sustainable and efficient agriculture, ensuring higher productivity and quality in food production.