L’apprendimento automatico rivela “geni di interesse” in agricoltura e medicina

L’apprendimento automatico può identificare “geni di interesse” che aiutano le colture a crescere utilizzando meno fertilizzanti, secondo un nuovo studio pubblicato su Connessioni con la natura. Può anche prevedere tratti aggiuntivi nelle piante e gli esiti delle malattie negli animali, illustrando le loro applicazioni oltre l’agricoltura.

Utilizzo dati genomici La previsione dei risultati in agricoltura e in medicina è sia promettente che impegnativa Biologia dei sistemi. I ricercatori stanno lavorando per determinare come utilizzare al meglio la grande quantità di dati genomici disponibili per prevedere come gli organismi risponderanno ai cambiamenti nella nutrizione, alle tossine e all’esposizione agli agenti patogeni, il che a sua volta migliorerà i raccolti, la diagnosi delle malattie, l’epidemiologia e la salute pubblica. Tuttavia, la previsione accurata di esiti così complessi in agricoltura e medicina a partire da informazioni su scala genomica rimane una sfida importante.

Nel Connessioni con la natura Nello studio, ricercatori e collaboratori della New York University negli Stati Uniti e a Taiwan hanno affrontato questa sfida utilizzando l’apprendimento automatico, un tipo di intelligenza artificiale utilizzata per rilevare modelli nei dati.

“Mostriamo che concentrarsi sui geni i cui modelli di espressione sono conservati evolutivamente tra le specie migliora la nostra capacità di apprendere e prevedere “geni di interesse” per le prestazioni di crescita delle colture essenziali, nonché gli esiti delle malattie negli animali”, ha spiegato Gloria Corozzi, Carroll, e Melton. Petrie è professore presso il Dipartimento di Biologia della New York University e il Center for Genomics and Systems Biology e autore senior dell’articolo.

“Il nostro approccio sfrutta la variazione naturale dell’espressione dell’intero genoma e dei relativi fenotipi all’interno o tra le specie”, ha aggiunto Chia Yi-cheng del Center for Genomics and Systems Biology della New York University e della National Taiwan University, autore principale di questo studio. “Mostriamo che ridurre il nostro input genomico ai geni i cui modelli di espressione sono conservati all’interno e tra le specie è un modo biologicamente basato sui principi per ridurre la dimensionalità dei dati genomici, migliorando notevolmente la capacità dei nostri modelli di apprendimento automatico di identificare i geni di un tratto importante”.

Come prova del concetto, i ricercatori hanno dimostrato che i geni la cui risposta all’azoto è conservata evolutivamente tra due diverse specie di piante: l’Arabidopsis, una piccola pianta da fiore ampiamente utilizzata. oggetto modello Nella biologia delle piante, le specie di mais, la coltura più grande d’America, hanno notevolmente migliorato la capacità dei modelli di apprendimento automatico di prevedere i geni importanti per l’efficienza con cui le piante utilizzano l’azoto. L’azoto è un nutriente essenziale per le piante e il componente principale dei fertilizzanti; Le colture che utilizzano l’azoto in modo più efficiente crescono meglio e richiedono meno fertilizzanti, il che ha vantaggi economici e ambientali.

I ricercatori hanno condotto esperimenti convalidando otto principali fattori di trascrizione come geni importanti per un uso efficiente dell’azoto. Hanno dimostrato che l’espressione genica alterata nell’Arabidopsis o nel mais può aumentare la crescita delle piante in terreni a basso contenuto di azoto, che hanno testato in un laboratorio della New York University e nei campi di grano dell’Università dell’Illinois.

“Ora che possiamo prevedere in modo più accurato quali ibridi di mais sono i migliori per l’applicazione di fertilizzanti azotati sul campo, possiamo migliorare rapidamente questa caratteristica. Efficienza nell’uso dell’azoto “Nel mais e in altre colture fornisce tre principali vantaggi riducendo i costi degli agricoltori, riducendo l’inquinamento ambientale e mitigando le emissioni di gas serra dall’agricoltura”, ha affermato l’autore dello studio Stephen Moss, professore di scienze delle colture presso l’Università dell’Illinois a Urbana-Champaign.

Inoltre, i ricercatori hanno dimostrato che questa è una scienza evolutiva apprendimento automatico L’approccio può essere applicato ad altri tratti e specie prevedendo tratti aggiuntivi nelle piante, compresa la biomassa e la resa sia nell’Arabidopsis che nel mais. Mostrano anche che questo approccio può prevedere i geni importanti per la resistenza alla siccità in un’altra coltura di base, il riso, nonché gli esiti delle malattie negli animali studiando modelli murini.

“Poiché abbiamo dimostrato che la pipeline evoluzionisticamente informata può essere applicata anche agli animali, ciò conferma la sua rilevabilità. geni Di interesse per qualsiasi caratteristica fisiologica o clinica significativa in biologia, agricoltura o medicina”, ha affermato Korozi.

“Molti tratti chiave del significato agricolo o clinico sono geneticamente complessi e quindi difficili da determinare, controllare ed ereditarietà. Il nostro successo dimostra che i big data e il pensiero a livello di sistema possono rendere tracciabili queste sfide notoriamente difficili”, ha affermato l’autore dello studio Ying Li, MD , membro della facoltà. nel Dipartimento di Orticoltura e Architettura del Paesaggio della Purdue University.