由二年级博士岩正晃平 (Kohei Iwamasa) 领导的研究小组
植物的叶脉在水和光合产物的运输中发挥着重要作用，表现出多样性。然而，常规研究主要集中于基于长度、直径、分支角度等简单测量值的评估方法，尚未采用。
在这项研究中，我们新开发了一种简单而高效的表型分析方法，结合了图像分析、深度学习和形态测量。通过使用深度神经网络模型从图像中仅提取叶脉并将其转换为图形，就可以计算网络特征值。利用这些数值数据，他们对分层且复杂的叶脉结构进行了数学分析，并试图识别叶脉“形状”的规律性和多样性。
研究小组将开发的表型分析方法应用于国立科学博物馆叶脉标本数据库中5个种的479个叶标本和5个属的328个染色标本。结果，我们发现了叶脉形状数据的一维分布，以及从树状到循环状转变的规律性和多样性。此外，这种分布模式存在一种权衡关系，即改变矿脉的形状来改善其中任何一项、运输效率、形成效率或抗损伤的鲁棒性，都会降低其他一项或两项。发现很有可能处于“帕累托最优”状态。
这项研究中使用的方法预计未来将应用于叶脉以外的网络结构。例如，它有望作为分析基础，根据特定工件的功能需求进行权衡，制定最佳设计建议。
