研究者らは、葉脈の情報を最大限に活用するため、深層学習と統計を統合した革新的なフレームワークを提案した。従来の遺伝子-環境関連研究では、葉脈をわずかな低次元の要約特性（例えば葉脈密度や分岐角度など）で定量化するに留まり、元の画像に含まれる豊富な構造情報の大部分が失われていた。本フレームワークでは、葉脈構造全体を全ネットワーク画像表現として扱うことで、空間的な配置やトポロジーの詳細を保持することに成功した。
深層学習モジュールでは、Transformerベースのエッジ検出モデル（EDTER）を微調整している。EDTERは画像の局所的特徴と大局的文脈の両方を学習でき、RGBカラー画像から葉脈ネットワークを正確に抽出する。従来のエッジ検出法では困難だった複雑な背景やノイズに対しても頑健である。学習データとして、DiffusionEdgeが生成したエッジマップとBerkeley Segmentation Database（BSDS500）を統合し、多様性とラベル品質の高い新しい注釈付き葉画像データベースを構築した。
統計解析には、半パラメトリック疎典型相関分析（SSCCA）を採用している。SSCCAは高次元の二変量画像応答（葉脈ネットワークの水平・垂直方向成分）と高次元の遺伝子型・環境予測変数間の関連をモデル化し、同時に変数選択を行う。さらに、切詰潜在ガウスコピュラモデルにより、エッジマップデータが持つ疎性とゼロ過剰な分布を適切に扱う。このアプローチにより、統計的推論の信頼性が向上している。
フレームワークの性能は、複雑さを段階的に増した2つのシミュレーション研究で検証され、良好な結果が得られた。実データへの適用として、ポプラ（Populus）のデータセットを解析し、葉脈構造に関連する3つの有意な遺伝子-地理相互作用を同定した。この成果は植物生物学に新たな知見をもたらすとともに、高次元複雑画像表現に対する汎用的な方法論を確立するものである。研究はプレプリントとしてarXiv（ID: 2607.22763）で公開されており、計算生物学や植物表現型学の分野に新たな研究ツールを提供している。