AVATARS: Advanced Virtuality and Augmented Reality Approaches in Seeds to Seeds
- Laufzeit: 01.06.2019 - 30.09.2024
Zuwendungsgeber: BMBF
Prof. Dr. Marius Kloft
Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau
AVATARS - Advanced Virtuality and AugmenTed Reality AppRoaches in Seeds to Seeds - ist ein vom BMBF gefördertes Projekt mit einer Laufzeit von fünf Jahren, das im Juni 2019 startete.
Fortschritte in der "Omics"-Analyse und der Hochdurchsatz-Phänotypisierung von Pflanzen bieten ungeahnte Möglichkeiten für die Verbesserung von Nutzpflanzen. Der enorme Anstieg des Datenvolumens und der Komplexität bringt jedoch enorme Herausforderungen für die Datenanalyse, Visualisierung und Interpretation mit sich. Das AVATARS-Projekt wird neuartige Ansätze für die Datenintegration und -visualisierung auf der Grundlage von Modellierung und gemischter Realität verwenden:
- Daten besser zugänglich zu machen,
- um relevante Informationen im multidimensionalen Datenraum auf verschiedenen Auflösungsebenen auszuwählen und
- um Analysen effizient durchzuführen.
AVATARS wird aus einem zentralen wissenschaftlichen Modul und zwei flankierenden Modulen zur Projektkoordination und Kommunikation/Bildung bestehen. Letzteres wird Verbindungen zu wissenschaftlichen Zielgruppen in der Grundlagen- und angewandten Forschung, der Pflanzenzüchtung und der Computer Vision herstellen und sich mit einem bildungsorientierten Arbeitspaket an Studenten, Wissenschaftsjournalisten und die interessierte Öffentlichkeit wenden.
Wissenschaftlich wird sich AVATARS auf die Samenbildung von Brassica napus konzentrieren. Unser Ziel ist es, ein zeitaufgelöstes virtuelles 3D-Samenmodell zu entwickeln, das auf hochauflösenden MRT-, Hochdurchsatz-Röntgen-CT- und histologischen Daten basiert. Das 3D-Samenmodell wird in eine VR/AR-Umgebung übertragen, die es ermöglicht, Transkriptom-, Proteom- und Metabolomdaten interaktiv zu erleben. Darüber hinaus wird das virtuelle 3D-Samenmodell epigenetische Informationen von drei Genotypen enthalten, die unter kontrollierten Bedingungen angebaut wurden, die für die Samenbildung entweder vorteilhaft oder nachteilig sind. Die Integration von genetischen und umweltbedingten Faktoren ermöglicht die Bestimmung ihrer Auswirkungen auf die Saatguteigenschaften. Neuartige Deep-Learning-Algorithmen, die Informationen aus phänotypischen, umweltbezogenen und genotypischen Daten sammeln, die in Feldversuchen mit bis zu 400 Zuchtlinien gesammelt wurden, werden die Vorhersage von agronomisch wichtigen Saatguteigenschaften unterstützen.
AVATARS wird die von DPPN und de.NBI eingerichteten Infrastrukturen nutzen und über Übersetzungsexperimente Verbindungen zu großen Datensätzen aus früheren Projekten (BMBF: BreedPatH, IRFFA, PROGReSs; DFG: PREDICT) herstellen, um deren effiziente Integration und Nutzung zu unterstützen.
https://www.avatars-project.de/
KI-Schwerpunktfelder des Forschungsprojekts
Grundlagenforschung
- Machine Learning (ML): Anomaly Detection, Feature Engineering/Feature Extraction
- Robotik: Sensorische Erfassung und Perzeption