Ученые США и Тайваня научились определять признаки растений с помощью ИИ

Машинное обучение может определить «важные гены», которые помогают культурам расти с меньшим количеством удобрений. Такой вывод следует из исследования проведенного учеными Нью-Йоркского университета и опубликованного в журнале Nature Communications, 24 сентября пишет издание Science Daily.

С помощью ИИ также возможно предсказывать дополнительные особенности растений и исходы болезней у животных, иллюстрируя его применение за пределами сельского хозяйства, считают ученые.

Использование геномных данных для прогнозирования результатов в сельском хозяйстве и медицине является как перспективным, так и сложным для системной биологии.

Исследователи работали над определением того, как наилучшим образом использовать огромное количество доступных геномных данных для прогнозирования того, как организмы реагируют на изменения в питании, токсины и воздействие патогенов, что, в свою очередь, повлияло бы на улучшение урожая, прогноз заболеваний, эпидемиологию и общественное здоровье. Однако точное предсказание таких сложных результатов в сельском хозяйстве и медицине на основе генетической информации остается серьезной проблемой.

«Мы показываем, что сосредоточение внимания на генах, паттерны экспрессии которых эволюционно сохраняются у разных видов, повышает нашу способность изучать и прогнозировать [важные гены] для роста основных культур, а также исходы болезней у животных», — объяснила Глория Коруцци, профессор Кэрролла и Милтона Петри из биологического факультета Нью-Йоркского университета и Центра геномики и системной биологии и старший автор статьи.

«Наш подход использует естественные вариации экспрессии генома в целом и связанных с ними фенотипов внутри или между видами», — добавил Чиа-И Ченг из Центра геномики и системной биологии Нью-Йоркского университета и Национального университета Тайваня, ведущий автор этого исследования.

«Мы показываем, что сокращение нашего геномного вклада в гены, паттерны экспрессии которых сохраняются внутри и между видами, является биологически принципиальным способом уменьшить размерность геномных данных, что значительно улучшает способность наших моделей машинного обучения определять, какие гены важны для признака», — пояснил ученый.

В качестве доказательства концепции исследователи продемонстрировали, что гены, чувствительность которых к азоту эволюционно сохраняется между двумя различными видами растений — арабидопсисом, небольшим цветущим растением, широко используемым в качестве модельного организма в биологии растений, и сортами кукурузы, крупнейшей американской культурой, — значительно улучшили способность моделей машинного обучения предсказывать гены, имеющие значение для того, насколько эффективно растения используют азот.

Азот является важнейшим питательным веществом для растений и основным компонентом удобрений; культуры, которые более эффективно используют азот, растут лучше и требуют меньше удобрений, что имеет экономические и экологические преимущества.

Исследователи провели эксперименты, которые подтвердили восемь основных факторов транскрипции в качестве генов, имеющих важное значение для эффективности использования азота. Они показали, что измененная экспрессия генов у арабидопсиса или кукурузы может увеличить рост растений на почвах с низким содержанием азота, что они протестировали как в лаборатории Нью-Йоркского университета, так и на кукурузных полях в Университете Иллинойса.

«Теперь, когда мы можем более точно предсказать, какие гибриды кукурузы лучше используют азотные удобрения в полевых условиях, мы можем быстро улучшить эту черту. Повышение эффективности использования азота в кукурузе и других культурах дает три ключевых преимущества за счет снижения затрат фермеров, снижения загрязнения окружающей среды и снижения выбросов парниковых газов в сельском хозяйстве», — сказал автор исследования Стивен Муз, профессор наук о растениеводстве в Университете Иллинойса в Урбана-Шампейн.

Кроме того, исследователи доказали, что этот эволюционно обоснованный подход к машинному обучению может быть применен к другим признакам и видам путем прогнозирования дополнительных признаков у растений, включая биомассу и урожайность как у арабидопсиса, так и кукурузы. Они также показали, что этот подход может предсказать гены, имеющие значение для устойчивости к засухе в другой основной культуре, рисе, а также исходы болезней у животных с помощью изучения моделей мышей.

«Поскольку мы показали, что наш эволюционно обоснованный конвейер также может быть применен на животных, это подчеркивает его потенциал для выявления генов, важных для любых физиологических или клинических признаков, представляющих интерес в биологии, сельском хозяйстве или медицине», — сказал Коруцци.

«Многие ключевые черты, имеющие агрономическое или клиническое значение, генетически сложны, и поэтому трудно определить их контроль и наследование. Наш успех доказывает, что большие данные и системное мышление могут сделать эти заведомо сложные задачи выполнимыми», — сказал автор исследования Ин Ли, преподаватель кафедры садоводства и ландшафтной архитектуры Университета Пердью.