美国研究人员正研发一款创新的人工智能显微镜系统，旨在让全球农民和土地管理者能够更快捷、经济且简便地进行土壤健康检测。美国德克萨斯大学圣安东尼奥分校科研团队成功将低成本光学显微镜与机器学习技术融合，用以精准测量土壤样本中的真菌数量与存在情况。该早期概念验证技术已于7月9日在布拉格举行的Goldschmidt会议上亮相。

土壤真菌的丰度与多样性是评估土壤健康和肥力的关键指标，它们在养分循环、水分保持及植物生长中扮演着举足轻重的角色。尽管传统光学显微镜长久以来被用于土壤微生物的发现与识别，但现代检测方法如磷脂脂肪酸检测、DNA分析等，虽功能强大却成本高昂，且往往侧重于化学成分分析，忽视了土壤生态系统的整体生物复杂性。

德克萨斯大学圣安东尼奥科学学院的亚历克·格雷夫斯在会议上介绍，当前生物土壤分析手段受限，要么依赖昂贵的实验室设备，要么需专家通过显微镜目测识别。而他们团队的新技术，则利用机器学习算法与光学显微镜相结合，旨在打造一种低成本、低劳动强度且专业知识要求较低的土壤测试方案，同时提供更全面的土壤生物学信息。

在早期研发阶段，研究团队已构建并测试了一种机器学习算法，能够检测土壤样本中的真菌生物量，并将其集成至定制软件中，用于显微镜图像的标记。该软件基于德克萨斯州中南部土壤的数千张真菌图像数据集开发，支持100倍和400倍的总放大倍数，适用于众多价格亲民的现成显微镜。

格雷夫斯透露，该技术能分析土壤样本视频，将其拆解为图像，并借助神经网络精确识别和量化真菌。目前，概念验证阶段已能检测稀释样本中的真菌链，并估算真菌生物量。

研究团队正致力于将此技术整合至一个移动机器人平台上，该平台将集样本采集、显微摄影与分析功能于一体。他们计划在未来两年内完成设备的全面开发与测试，并准备投入实际应用。

此项研究由德克萨斯大学圣安东尼奥分校水资源研究可持续性与政策研究所所长Saugata Datta教授领衔，机器学习算法的详细内容将于今年晚些时候在同行评审期刊上发表。

更多信息： 机器学习显微镜分析快速样本生物地球化学评估：从农业土壤到外星生物学的应用。