Impiego dell'intelligenza artificiale per la caratterizzazione delle risorse genetiche in progetti di conservazione decentralizzata

Le risorse genetiche sono fondamentali nei programmi di miglioramento genetico e come fonte di variabilità genetica e fenotipica; tuttavia, spesso il loro potenziale non può essere esplorato, anche per limiti tecnici (e.g., necessità di spazi e risorse per la loro caratterizzazione). Approcci partecipativi come quello identificato nel progetto INCREASE, mediante il CSE, permettono quindi di esplorare la variabilità fenotipica di un numero elevato di accessioni, in un ampio numero di ambienti, consentendo una maggior comprensione della plasticità fenotipica e degli effetti ambientali su caratteri agronomici rilevanti. Nella sezione sperimentale del presente elaborato verranno illustrate le caratteristiche ed il disegno sperimentale utilizzato nel CSE; inoltre l’obiettivo dell’elaborato è quello di effettuare un’analisi preliminare dei dati registrati dai cittadini, identificando strategie opportune per l’analisi di ampi dataset, con dati provenienti da ambienti differenti, al fine di studiare la qualità del dato registrato e la fattibilità del ricorso ad approcci partecipativi per la caratterizzazione e conservazione decentralizzata delle risorse genetiche agrarie. Inoltre, i cittadini, oltre a fornire dati, potevano contribuire con l’invio di immagini per caratteri di interesse. Nel presente elaborato sono state catalogate ed etichettate 11.632 immagini ricevute dai cittadini durante lo svolgimento dei primi tre round del CSE, al fine di utilizzarne un sotto set (n=6.960) rappresentanti foglie di fagiolo, per allenare un modello di intelligenza artificiale basato sul machine learning, finalizzato alla predizione di caratteri fenotipici sulla base di immagini. Il carattere “forma della foglia” rappresenterà quindi un modello che verrà poi esteso al riconoscimento di altre caratteristiche come ad esempio, colore del fiore, forma e colore dei semi e caratteri dei baccelli.