Kan AI bli en växtviskare för att hjälpa mata världen?

Med kraften från AI och stora mängder data, följer forskare spännande nya gränsområden 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 detta bara råmaterial för några av våra favoritmaträtter – 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 friskare liv. Dessa hemligheter är låsta i genomet hos växter – och med avancerade AI-verktyg börjar forskare att 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 hårdigare sorter av växter, som kan bättre övervinna biotiska och abiotiska stresser som miljöutmaningar som förändrade klimatmönster, skadeinsekter och resistens mot bekämpningsmedel.

Växtgenomer – även av “enkla” växter, som sockerrör – är betydligt större än mänskliga eller djurgenomer, och har utvecklats under en mycket 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 växtsorter 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 gjort, kan forskare bättre förstå funktionen av varje gen – och använda den informationen för att avla växter som kan anpassas till mänskliga behov. Således, om forskare ville utveckla en sort av vete som kan odlas i mer torra områden, skulle de försöka identifiera gener i vete som kan 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 ett polyploitt genom. Maskinlärning kan analysera genen och dess interaktion med miljön, och ge indikationer på outnyttjad genetisk potential för att uppnå detta mål genom AI-designad avelsstrategi.

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

Dessutom kan AI-system hjälpa till att förutsäga vilken metod för avel – hybridisering, bred korsning, kromosomfördubbling – som kommer att vara mest effektiv. Med djupgående 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 kan resultera i grödor som kan uthärda en förlängd växtsäsong eller plantering av grödor i områden som inte kunde stödja dem tidigare, och därmed öka livsmedelsförsörjningen för en alltmer befolkad – och hungrig – värld. Sorter som kommer att vara mer robusta kan utvecklas – mer i stånd att motstå klimatförändringarnas härjningar eller växa even i områden där urbanisering eller ökenutbredning har satt in.

Växtgenetisk information kan också användas för att hjälpa avla sorter av grödor som är mer resistenta mot specifika skadeinsekter eller sjukdomar. Maskinlärning kan 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 kan resultera i minskad användning av bekämpningsmedel, utveckling av mer miljövänliga bekämpningsmedel 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 när de har identifierats, är det omöjligt att förstå hur de fungerar utan avancerad AI-teknik som maskinlärning. Med de verktyg som nu finns 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 hemligheterna som växterna innehåller – och använda dessa hemligheter för att skapa en bättre framtid för mänskligheten.