Year: 2024
Type: dissertation
Abstract: En aquesta tesi es proposen diferents formes d'aplicar els models basats en xarxes neuronals a problemes dins de la investigació en genètica vegetal. Per això, se situa el focus en tres tasques diferents i es proposen solucions per a cadascuna. La primera tasca és la mesura i per abordar-la s'ha desenvolupat una eina de codi obert que utilitza un model de segmentació d'instàncies. Aquest model s'ha entrenat per a tres fruits: poma, pera i ametlla, i s'han implementat mesures específiques per a cadascun a fi de facilitar els estudis de forma. Per facilitar l'accés i l'ús per part de la comunitat científica s'ha desenvolupat també una interfície minimalista. La segona tasca és la mesura en sèries temporals. Per això, s'ha utilitzat un model de segmentació d'instàncies i s'ha acoblat juntament amb un nou mètode d'associació. Aquest mètode ha permès un estudi pioner de les diferències en rendiment fotosintètic entre dos genotips d'Arabidopsis thaliana a nivell de fulla. En aquest estudi es mostra com els patrons de rendiment fotosintètic a nivell de fulla no segueixen el patró mitjà en un genotip mentre que en l'altre sí que ho fan. L'última tasca és la predicció de fenotips. En aquest cas, s'ha investigat l'aplicabilitat de la intel·ligència artificial generativa a la predicció del fenotip des de marcadors genètics. La predicció de fenotips relacionats amb la forma i aparença resulta especialment complexa, ja que la selecció de característiques rellevants pot resultar subjectiva. Per tant, en aquesta tesi es demostra un mètode de generació d'imatges del fenotip des de marcadors genètics (GenoDrawing), així com possibles formes d'avançar en aquesta nova línia de recerca.
Author: Jurado-Ruiz, Federico
Language: Catalan
Topic: Smart Agriculture and AI
Subfield: Plant Science
Domain: Life Sciences
SDG: Zero hunger
Open Access status: green
OpenAlex ID: W7045369629