Kan AI bli en växtviskare för att hjälpa mata världen?

Med kraften från AI och stora mängder data följer forskare spännande nya fronter i avkodning av den komplexa världen av växtgenomer för nästa generations anpassad växtförädling som kan revolutionera livsmedelssäkerhet och anpassning till klimatförändringar.

En strå av vete, en stjälk av sockerrör. För de flesta av oss är dessa bara råmaterial för några av våra favoritmat – men för forskare representerar de ett komplicerat pussel som, när det är löst, kan låsa upp hemligheter som kan tillåta oss att odla mer mat med färre skadliga effekter på jorden, anpassa nya biobränslekällor i stor skala och hjälpa människor att leva längre och hälsosammare liv. Dessa hemligheter är låsta i genomen hos växter – och med avancerade AI-verktyg börjar forskare upptäcka hemligheterna som dessa gener innehåller.

AI:s förmåga att analysera stora mängder data öppnar dörren till att lösa utmaningarna med att bättre förstå växtgenomer. Denna förståelse av interaktionen mellan de genetiska elementen som finns i växter och olika funktioner kan hjälpa forskare att utveckla hårdare sorter av växter, som kan bättre övervinna biotiska och abiotiska stresser som miljöutmaningar som förändrade klimatmönster, skadeinsekter och pesticidresistens.

Växtgenomer – även av “enkla” växter, som sockerrör – är betydligt större än mänskliga eller djurgenomer, och har utvecklats under en betydligt längre period än andra former av liv. Växter är polyploida – där gener eller hela genomer är duplicerade – och att fånga interaktioner mellan gener och alleler från olika ploidier är en utmaning, eftersom vissa av ploidier kan representera föräldralösa gener från äldre växtstammar som inte nödvändigtvis är aktiva nu.

Forskare syftar till att identifiera enstaka nukleotidpolymorfismer (vanliga DNA-sekvenser), som de kan använda för att förstå hur växter fungerar och interagerar med miljön. När detta är åstadkommet kan forskare bättre förstå funktionen av varje gen – och använda den informationen för att förädla växter som kan anpassas till mänskliga behov. Således, om forskare ville utveckla en sort av vete som kunde odlas i mer torra områden, skulle de försöka identifiera gener i vete som kunde tillåta full tillväxt trots brist på vatten. Inte alla prover kommer sannolikt att bära på denna gen, eftersom den kan vara en föräldralös och för närvarande sovande gen som var en del av en polyploid gen. Maskinlärning kunde analysera genen och dess interaktion med miljön, och ge indikationer på outnyttjad genetisk potential för att uppnå detta mål genom AI-designade förädlingsstrategier.

Medan denna forskning kunde användas för att manipulera växtstammar, är sådan genetisk ingenjörskonst långt ifrån den enda vägen för forskare att utveckla stammar av grödor som har önskade egenskaper. Människor har korsat grödor i årtusenden. AI kan vara till hjälp här också – identifiera stammar för urval som har den högsta kompatibiliteten och är mest sannolika att ge önskade resultat.

Dessutom kunde AI-system hjälpa till att förutsäga vilken metod för förädling – hybridisering, bred korsning, kromosomfördubbling – som kommer att vara mest effektiv. Med ingående genetisk information om växter till hands, kan forskare ytterligare använda maskinlärning för att matcha gener med den optimala miljön där de är mest sannolika att trivas. Detta kunde resultera i grödor som kan uthärda en förlängd växtsäsong eller plantering av grödor i områden som inte kunde upprätthålla dem tidigare, och därmed öka livsmedelsförsörjningen för en alltmer befolkad – och hungrig – värld. Stammar som kommer att vara hårdare kan utvecklas – mer kapabla att motstå klimatförändringarnas härjningar eller växa sogar i områden där urbanisering eller ökenutbredning har satt in.

Växtgenetisk information kunde också användas för att hjälpa förädla stammar av grödor som är mer resistenta mot specifika skadeinsekter eller sjukdomar. Maskinlärning kunde identifiera egenskaperna hos växter som är mest attraktiva för insekter eller skadeinsekter – lukt, färg etc. – och möjliggöra för forskare att utveckla gener som skulle minska attraktionen av dessa växter till skadeinsekter. Detta kunde resultera i minskad användning av pesticider, utveckling av mer miljövänliga pesticider som är utformade för specifika växter i specifika regioner, eller till och med enskilda gårdar – en typ av “personlig jordbruk” som är säkrare, renare och grönare.

Innan den nuvarande kapaciteten hos AI, var identifiering av växtgenomer nästan omöjlig – men nu att de har identifierats, är förståelse av hur de fungerar omöjlig utan avancerad AI-teknik som maskinlärning. Med de verktyg som nu är tillgängliga, kommer forskare att kunna förstå växter bättre, och utveckla nya och bättre metoder för att hjälpa växter att trivas i ansiktet av miljöförändringar, föroreningar, urbanisering och andra frågor som påverkar växttillväxt och kvalitet. Med avancerad maskinlärning kommer forskare att kunna lösa mysterierna som växter innehåller – och använda dessa hemligheter för att skapa en bättre framtid för mänskligheten.