Machine learning onthult ‘belangrijke genen’ in landbouw en geneeskunde

Machine learning kan ‘interessante genen’ identificeren die gewassen helpen groeien met minder kunstmest, volgens een nieuwe studie gepubliceerd in Verbindingen met de natuur. Het kan ook aanvullende eigenschappen in planten en ziekteresultaten bij dieren voorspellen, wat hun toepassingen buiten de landbouw illustreert.

Gebruik maken van genomische gegevens Het voorspellen van resultaten in de landbouw en de geneeskunde is zowel veelbelovend als uitdagend Systeembiologie. Onderzoekers proberen te bepalen hoe de enorme hoeveelheid beschikbare genomische gegevens het beste kunnen worden gebruikt om te voorspellen hoe organismen zullen reageren op veranderingen in voeding, toxines en blootstelling aan pathogenen – wat op zijn beurt de opbrengsten, ziektediagnose, epidemiologie en volksgezondheid zal verbeteren. Het nauwkeurig voorspellen van dergelijke complexe uitkomsten in de landbouw en de geneeskunde op basis van informatie op genoomschaal blijft echter een grote uitdaging.

In de Verbindingen met de natuur In het onderzoek gingen onderzoekers en medewerkers van de New York University in de VS en Taiwan deze uitdaging aan met behulp van machine learning, een soort kunstmatige intelligentie die wordt gebruikt om patronen in gegevens te detecteren.

“We laten zien dat het focussen op genen waarvan de expressiepatronen evolutionair geconserveerd zijn tussen soorten, ons vermogen om ‘belangrijke genen’ te leren en te voorspellen voor de groeiprestaties van essentiële gewassen, evenals ziekteresultaten bij dieren, verbetert”, legt Gloria Corozzi, Carroll, uit. en Melton. Petrie is een professor aan de New York University Department of Biology en het Center for Genomics and Systems Biology en senior auteur van het artikel.

“Onze aanpak maakt gebruik van natuurlijke variatie van genoombrede expressie en gerelateerde fenotypes binnen of tussen soorten”, voegde Chia Yi-cheng van het Center for Genomics and Systems Biology van de New York University en de National Taiwan University toe, hoofdauteur van deze studie. “We laten zien dat het verminderen van onze genomische input voor genen waarvan de expressiepatronen binnen en tussen soorten behouden blijven, een biologisch principiële manier is om de dimensionaliteit van genomische gegevens te verminderen, waardoor het vermogen van onze machine learning-modellen om genen van belangrijke eigenschappen te identificeren aanzienlijk wordt verbeterd.”

Als proof of concept toonden de onderzoekers aan dat genen waarvan de reactie op stikstof evolutionair geconserveerd is tussen twee verschillende plantensoorten – Arabidopsis, een veel gebruikte kleinbloemige plant. modelobject In plantenbiologie, maïssoorten, Amerika’s grootste gewas, verbeterde het vermogen van machine learning-modellen om genen te voorspellen die belangrijk zijn voor hoe efficiënt planten stikstof gebruiken, drastisch. Stikstof is een essentiële voedingsstof voor planten en het hoofdbestanddeel van meststoffen; Gewassen die stikstof efficiënter gebruiken, groeien beter en hebben minder kunstmest nodig, wat zowel economische als ecologische voordelen heeft.

De onderzoekers voerden experimenten uit die acht belangrijke transcriptiefactoren valideerden als genen die van belang zijn voor efficiënt stikstofgebruik. Ze toonden aan dat veranderde genexpressie in Arabidopsis of maïs de plantengroei kan verhogen in stikstofarme bodems, die ze testten in een laboratorium aan de New York University en in maïsvelden aan de Universiteit van Illinois.

“Nu we nauwkeuriger kunnen voorspellen welke maïshybriden het beste zijn voor stikstofbemesting in het veld, kunnen we deze eigenschap snel verbeteren. Stikstofgebruiksefficiëntie “In maïs en andere gewassen biedt het drie belangrijke voordelen door de kosten voor boeren te verlagen, de milieuvervuiling te verminderen en de uitstoot van broeikasgassen door de landbouw te verminderen”, zegt studieauteur Stephen Moss, hoogleraar gewaswetenschappen aan de Universiteit van Illinois in Urbana-Champaign.

Bovendien hebben onderzoekers aangetoond dat dit een evolutionaire wetenschap is machine learning De aanpak kan worden toegepast op andere eigenschappen en soorten door aanvullende eigenschappen in planten te voorspellen, waaronder biomassa en opbrengst in zowel Arabidopsis als maïs. Ze laten ook zien dat deze benadering genen kan voorspellen die belangrijk zijn voor droogteresistentie in een ander basisgewas, rijst, en ziekteresultaten bij dieren door muismodellen te bestuderen.

“Omdat we hebben aangetoond dat de evolutionair geïnformeerde pijplijn ook kan worden toegepast op dieren, bevestigt dit de detecteerbaarheid ervan. genen Van belang voor alle fysiologische of klinische kenmerken die van belang zijn in de biologie, landbouw of geneeskunde, “zei Korozi.

“Veel belangrijke kenmerken van agrarische of klinische betekenis zijn genetisch complex, en dus moeilijk te bepalen, te controleren en erfelijk te zijn. Ons succes toont aan dat big data en systeemdenken deze notoir moeilijke uitdagingen traceerbaar kunnen maken,” zei studie auteur Ying Li, MD , faculteitslid. bij de afdeling Tuinbouw en Landschapsarchitectuur aan de Purdue University.