Китайски изследователски екип разработи рамка за задълбочено обучение, която може да ускори интелигентния дизайн на сортовете култури, давайки на селекционерите нов инструмент за прогнозиране на генната експресия с висока точност в тъканите и сортовете.
Моделът, наречен DeepWheat, е създаден от екипа за иновации на генните ресурси на пшеницата в Института по културни науки към Китайската академия на селскостопанските науки. Констатациите бяха публикувани наскоро в списание Genome Biology.
Пшеницата, която носи три комплекта геноми и е забележително голяма – около 40 пъти по-голяма от генома на ориза и дори пет пъти по-голяма от човешкия геном – отдавна предизвиква учените, които се опитват да разберат как генетичните вариации влияят на генната експресия в тъканите и етапите на развитие. Експертите казват, че точната прогноза е от решаващо значение за проектирането на елитни сортове и разкриването на механизмите зад ключовите агрономични характеристики.
За да се справи със сложността, изследователският екип изгради два допълващи се основни модела и ги комбинира в рамка за задълбочено обучение с двоен модел. DeepWheat може да идентифицира как специфични регулаторни вариации променят генната експресия в различни тъкани и да прогнозира тъканно-специфични модели с висока точност.
Лу Зефу, главен учен в екипа, каза, че моделът е особено ценен, тъй като много важни гени на културите са плейотропни, което означава, че влияят върху множество черти и могат да произведат както положителни, така и отрицателни ефекти в зависимост от това къде, кога и колко силно са изразени.
„Например, генът IPA1 в ориза насърчава по-големи метли, когато е умерено експресиран в млади метли, но по-високата експресия в култиваторите, напротив, намалява броя на метлиците“, каза Лу. Метлицата е разклонен сноп от цветя на растение, докато култиваторът е издънка, която възниква от основата на тревно растение.
Лу добави, че настоящите подходи за редактиране на генома все още разчитат в голяма степен на проба и грешка, често изисквайки от изследователите да редактират всеки възможен регулаторен сайт, за да видят какво работи. „Това е трудоемко, сляпо и често непредвидимо“, каза той.
DeepWheat предлага по-целенасочена и ефективна алтернатива. Чрез изграждане на тъканно-специфични модели и провеждане на виртуална мутагенеза на насищане – компютърни симулации, които тестват всички възможни генетични варианти – изследователите могат да идентифицират кои регулаторни промени е най-вероятно да произведат желания модел на експресия. „Само след това те продължават с редактиране в реалния свят, като значително подобряват прецизността и намаляват напразните усилия“, каза Лу.
Според екипа рамката може да се приложи и извън пшеницата, с успешни тестове при ориз и царевица. Способността му да определя ключови регулаторни елементи, да оптимизира целите за редактиране на генома и да прогнозира резултатите от тъканната експресия осигурява научна основа за редизайн на гени, каза Лу.
Тази способност може да помогне за справяне с голямо затруднение в развъждането на растения: антагонизъм на черти, при който подобряването на една черта неволно отслабва друга поради противоречиви генетични контроли. „Като позволи фино настроена реконструкция на регулаторните мрежи, DeepWheat може да намали такива компромиси и да ускори комбинацията от желани характеристики“, каза той.
Инструментът представлява практично AI решение за подобряване на реколтата, което дава на учените в областта на растенията мощен нов начин за ускоряване на разработването на сортове с висока производителност, каза той.
Нашия източник е Българо-Китайска Търговско-промишлена палaта