Проблеми у відборі готового для польових робіт генетичного матеріалу змушують селекціонерів шукати інструменти нового покоління.
Прагнення створити витриваліші та високоврожайні культури завжди було рушійною силою селекції рослин. Селекціонери протягом багатьох поколінь покладалися на поєднання селекції та адаптації до середовища для досягнення цих цілей. Але в умовах зміни клімату та змін навколишнього середовища це завдання стає складнішим.
«Розуміння того, як кліматичні дані взаємодіють із генетикою, щоб впливати на риси рослин, стало вирішальним аспектом сучасної селекції рослин», — говорить доктор Рупашрі Дасс, керівник досліджень Computomics. Це означає, що потрібні нові інструменти, щоб допомогти селекціонерам інтегрувати кліматичні дані у свої програми розведення.
«Рослини, як і люди, розвивають варіації на основі клімату, у якому вони існують», — каже Дасс. Взаємодія між генетикою та навколишнім середовищем лежить в основі того, що робить кожен живий організм унікальним.
«Для рослин зміни у фенотипі відбуваються внаслідок генетичних впливів, впливу навколишнього середовища, впливу управління полями або комбінації всього цього. Різні місця з різним кліматом, включаючи такі фактори, як температура, вологість, сонячне світло та кількість опадів, відіграють значну роль у формуванні фенотипу або фенотипових ознак рослини».
Цю взаємодію між генетикою, навколишнім середовищем і управлінням на місцях часто називають G×E×M, що означає взаємодію генетики (G), середовища (E) і управління (M). Дуже важливо розуміти, як рослина буде рости та працювати в певному середовищі, враховуючи такі змінні, як екстремальні температури, різні рівні опадів і типи ґрунту.
Машинне навчання, клімат і селекція рослин йдуть разом
Машинне навчання вступає в дію, дозволяючи селекціонерам рослин приймати більш обґрунтовані рішення на основі величезних обсягів даних. Його також можна застосувати для моделювання майбутніх кліматичних сценаріїв для конкретних місць. Потім ця інформація може бути використана для визначення типів культур, які добре підходять для цих нових умов, або для визначення того, де в майбутньому можуть виникнути сприятливі умови для конкретних культур.
Дасс підкреслює використання машинного навчання для прогнозування продуктивності заводу в невідомих місцях з унікальним кліматом.
«Скажімо, ми хочемо перенести нашу програму розведення до Техасу. Тоді ми хотіли б зрозуміти, яка генетика буде найкращою в цих умовах. Машинне навчання може допомогти нам змоделювати умови навколишнього середовища та спрогнозувати ефективність урожаю в нових або невідомих місцях, розмістивши потрібний продукт у потрібному середовищі. »
Крім того, машинне навчання допомагає визначити, які конкретні гени мають вирішальне значення для певних рис і як вони взаємодіють із середовищем, щоб отримати ці риси.
«Розуміння генетичної основи цих ознак може значно прискорити процес розмноження», — додає вона.
Рішення ×SeedScore® від Computomics на основі ШІ пропонує селекціонерам інноваційний підхід. Це платформа штучного інтелекту, адаптована до світу селекції рослин.
«Це інструмент для пошуку найкращої генетики для конкретного місця чи клімату. Крім того, його можна використовувати для прогнозування ефективності нової генетики у відомих місцях». Дасс каже.
×SeedScore® може передбачити ефективність генетики рослин у різних середовищах, що робить його безцінним надбанням для селекціонерів, які прагнуть розширити свої програми на нові місця або адаптуватися до зміни клімату. Це допомагає визначити, яка генетика процвітатиме в певному регіоні, гарантуючи, що селекціонери можуть приймати обґрунтовані рішення щодо того, де зосередити свої ресурси.
Дасс ділиться переконливим прикладом проекту, що фінансується державою (HEB-KI) за участю Computomics та університету Мартіна Лютера в Галле-Віттенберзі в Німеччині. Проект має на меті передбачити час цвітіння глобальної популяції ячменю в різних місцях на чотирьох континентах.
«Використовуючи як генетичні дані, так і дані навколишнього середовища, проект демонструє потужність машинного навчання для прогнозування продуктивності рослин у раніше не досліджених регіонах. Цей проект демонструє потенційний вплив інтеграції кліматичних даних і генетики в сучасну селекцію рослин», — каже вона.
Виклики та рішення
Хоча інтеграція машинного навчання та кліматичних даних відкриває чудові можливості, існує також кілька проблем. Одним із таких завдань є переконання традиційних селекціонерів у перевагах машинного навчання.
«Це вимагає зміни мислення та розуміння того, що машинне навчання є інструментом для допомоги, а не для заміни заводчиків», — каже Дасс.
Ще одна серйозна проблема – якість даних.
«Збір точних і вичерпних історичних даних, включаючи генетичну інформацію, інформацію про навколишнє середовище та інформацію про управління, має вирішальне значення для успіху моделей машинного навчання. Селекціонерам, можливо, доведеться налаштувати свої методи збору даних, щоб використовувати весь потенціал цієї технології».
Машинне навчання та інтеграція кліматичних даних можуть принести користь заводчикам, чиї програми залежать від знання того, як певна генетика поводитиметься в конкретних кліматичних умовах. Чим різноманітніші доступні дані, тим потужнішими стають моделі машинного навчання.
Також по темі: Японія створила штучний інтелект, що розшифровує “мову” курей
Хоча технологія вже дає чудові результати, вона постійно вдосконалюється. Зараз дослідницька група Computomics докладає багато зусиль для вдосконалення моделей штучного інтелекту, щоб визначити стійку генетику, яка може добре працювати в більшості умов навколишнього середовища. Інша увага приділяється прогнозуванню продуктивності неперевірених генотипів і оптимізації генетичного різноманіття.
Дасс підкреслює, що кожна програма розведення унікальна, і не існує універсального рішення. «Індивідуалізація є ключовою для вирішення конкретних завдань і цілей кожного клієнта. Ми завжди працюємо разом з нашими клієнтами, оскільки важливо розуміти потреби їхніх програм розведення».
Вона вважає, що з розвитком технології потенціал для революції в селекції рослин є величезним, потенційно скорочуючи час, необхідний для виведення нових сортів культур на ринок і дотримуючись стійких сільськогосподарських практик.
Все про агробізнес в соцмережах Facebook та Telegram