В исследовании представлен SST-MAE — инновационный фреймворк на основе самообучения (self-supervised learning), предназначенный для анализа гиперспектральных данных развития растений. Основная проблема текущих методов заключается в необходимости дорогостоящей аннотации признаков и игнорировании временной динамики роста. Авторы предложили архитектуру Masked Autoencoder (MAE), которая обучается восстанавливать скрытую информацию из траекторий развития, не требуя фенотипических меток. Модель была протестирована на 194 генотипах салата, собранных в полевых условиях в восьми временных точках. Результаты показали высокую эффективность: показатель AUROC превысил 0,89 для SNP, отвечающих за пигментацию антоцианами, и составил 0,77 для признака зазубренности листьев. Важным преимуществом является высокая эффективность использования данных: модель достигает показателей, близких к полному набору размеченных данных, используя всего 30-50% аннотаций. Данная технология открывает путь к масштабируемому высокопроизводительному генетическому скринингу на основе изображений.