Zespół badawczy zaproponował innowacyjny framework łączący głębokie uczenie i zaawansowane metody statystyczne do kompleksowej analizy architektury żył w liściach. Zamiast tradycyjnego podejścia, które sprowadza się do obliczania kilku uproszczonych miar, nowa metoda analizuje całą sieć naczyń żylnych bezpośrednio z obrazów, zachowując kompletne informacje strukturalne.
Framework składa się z czterech kluczowych elementów. Po pierwsze, wykorzystuje model EDTER - sieć neuronową opartą na transformerach - do precyzyjnego wyodrębniania żył liściowych z fotografii RGB. Model jest dostrajany w taki sposób, aby jednocześnie uczył się lokalnych i globalnych cech kontekstowych. Po drugie, zespół stworzył nową bazę danych zawierającą adnotowane obrazy liści, integrując mapy krawędzi generowane przez model DiffusionEdge z bazą BSDS500. Po trzecie, zastosował metodę SSCCA (Semiparametric Sparse Canonical Correlation Analysis) do selekcji zmiennych i modelowania związków między wysoko-wymiarowymi cechami obrazów a czynnikami genetycznymi i środowiskowymi, uwzględniając rzadkie i zerowe dane.
To podejście stanowi znaczący postęp w badaniach asocjacyjnych genu-środowiska, ponieważ pozwala na niezwykle szczegółową analizę fenotypu bez utraty informacji. Testy na modelach symulacyjnych wykazały wydajność metody pod różnymi stopniami złożoności. Zastosowanie do rzeczywistych danych z topoli pokazuje praktyczną wartość tego podejścia dla biologii molekularnej i badań ewolucyjnych.