Модель машинного обучения выявляет биомаркёры стресса для классификации абиотического стресса у Micro-Tom

Почему стресс у растений важен для нашего продовольствия

Растения томатов, как и все сельскохозяйственные культуры, постоянно сталкиваются с тяжёлыми условиями — засухой, солёными почвами и загрязнением тяжёлыми металлами. Эти невидимые нагрузки не только сдерживают рост растений, но и угрожают глобальному продовольствию в условиях потепления климата. В этом исследовании используется компактный сорт томата Micro-Tom и современные инструменты машинного обучения, чтобы превратить внутреннюю химию растения в «систему раннего предупреждения», которая показывает, насколько сильно растение действительно стрессует. Такие инструменты однажды могут помочь фермерам заметить проблемы ещё до того, как растения визуально завянут или погибнут.

Томаты под давлением

Исследователи сосредоточились на трёх распространённых угрозах: нехватке воды, избытке соли и загрязнении кадмием — токсичным тяжёлым металлом. Растения Micro-Tom выращивали в контролируемых условиях, а затем в течение десяти дней подвергали либо умеренному, либо сильному уровню каждого стресса, а также оставляли контрольную группу без стресса. Вместо того, чтобы смотреть только на побурение листьев или уменьшение размера растений, исследователи измеряли, что происходит внутри листьев, включая малые молекулы и защитные ферменты, которые реагируют при атаке на клетки.

Чтение химических сигналов растения

Когда растения испытывают стресс, они образуют нестабильные кислородсодержащие молекулы, которые могут повреждать липиды клеточных мембран, белки и ДНК. В исследовании отслеживали два ключевых маркера повреждений, связанные с этим процессом: малоновый диальдегид, побочный продукт «растрескивания» липидов, и перекись водорода, реактивную форму кислорода. Одновременно команда измеряла набор природных защит — как ферменты, так и малые соединения — которые помогают сдерживать эти повреждения. Среди них аминокислота пролин и фермент супероксиддисмутаза выделялись как центральные участники, резко увеличиваясь при стрессе и тесно отражая изменения маркеров повреждений.

Разные стрессы — разные отпечатки

Каждый тип стресса оставлял в листьях характерный химический отпечаток. Воздействие кадмия вызывало наибольший рост сигналов повреждения, что указывает на то, что растения испытывали трудности с детоксикацией этого металла. Засоление и нехватка воды также усиливали окислительные повреждения, но по-разному и в разной степени: при сильном солевом стрессе особенно сильно активировались несколько защитных ферментов. Даже когда уровни повреждений выглядели схожими, баланс между различными защитами смещался, показывая, что растения используют более чем одну стратегию выживания в зависимости от вида и интенсивности стресса.

Обучение машины оценивать уровни стресса

Чтобы превратить эти сложные измерения в нечто полезное, исследователи обучили модель решающего дерева — простую, правило-ориентированную форму искусственного интеллекта. Они разделили общий уровень стресса на четыре градации от низкого до высокого, опираясь на маркеры повреждений. Модель затем научилась распознавать комбинации внутренних сигналов, которые наилучшим образом предсказывают каждую градацию. Пролин оказался главным «решающим узлом», а супероксиддисмутаза дала следующий по информативности раздел. Для наименее и наиболее стрессированных растений классификация модели была высокой надёжности. С некоторыми трудностями модель сталкивалась в промежуточных случаях, где химические профили «низе-среднего» и «высоко-среднего» стрессов перекрывались.

От лабораторного стола к интеллектуальным полям

Эта работа показывает, что собственная химия томата может быть преобразована в понятные, автоматизированные оценки степени стрессового воздействия. Хотя для доработки подхода потребуются дополнительные данные и дополнительные сигналы — например, измерения корней или более поздние стадии роста — исследование демонстрирует, что простые модели машинного обучения способны упорядочить запутанную сеть растительных защит. В будущем аналогичные инструменты могут лечь в основу быстрых тестов или сенсорных систем, которые предупреждают производителей, когда посевы переходят от лёгкого дискомфорта к повреждающему стрессу, позволяя принимать более ранние и точные меры для защиты урожая.

Цитирование: Ribera, L.M., da Silveira Sousa Junior, G., Meneses, M.D. et al. Machine learning model provides stress biomarkers for the classification of abiotic stress in Micro-Tom. Sci Rep 16, 7545 (2026). https://doi.org/10.1038/s41598-026-39117-y

Ключевые слова: стресс растений, помидор, машинное обучение, антиоксиданты, точное земледелие