Agricultura Estados Unidos Fertilización y Riego

El aprendizaje automático descubre «genes de importancia» en la agricultura y la medicina

El aprendizaje automático descubre "genes de importancia" en la agricultura y la medicina
Maíz (maíz) que crece en el invernadero NYU Rose Sohn Zegar en el techo del NYU Center for Genomics & Amp; Biologia de sistemas. Crédito: NYU Coruzzi Lab

El aprendizaje automático puede identificar «genes de importancia» que ayudan a que los cultivos crezcan con menos fertilizantes, según un nuevo estudio publicado en Nature Communications . 

También puede predecir rasgos adicionales en plantas y resultados de enfermedades en animales, ilustrando sus aplicaciones más allá de la agricultura .


por la Universidad de Nueva York


El uso de datos genómicos para predecir los resultados en la agricultura y la medicina es tanto una promesa como un desafío para la biología de sistemas . Los investigadores han estado trabajando para determinar cómo utilizar mejor la gran cantidad de datos genómicos disponibles para predecir cómo los organismos responden a los cambios en la nutrición, las toxinas y la exposición a patógenos, lo que a su vez informaría la mejora de los cultivos, el pronóstico de enfermedades, la epidemiología y la salud pública. Sin embargo, predecir con precisión resultados tan complejos en la agricultura y la medicina a partir de información a escala del genoma sigue siendo un desafío importante.

En el estudio de Nature Communications , los investigadores y colaboradores de la NYU en los EE. UU. Y Taiwán abordaron este desafío utilizando el aprendizaje automático, un tipo de inteligencia artificial que se utiliza para detectar patrones en los datos.

«Demostramos que centrarnos en genes cuyos patrones de expresión se conservan evolutivamente en todas las especies mejora nuestra capacidad para aprender y predecir ‘genes de importancia’ para el rendimiento del crecimiento de cultivos básicos, así como los resultados de enfermedades en animales», explica Gloria Coruzzi, Carroll & Milton. Petrie Professor en el Departamento de Biología y Centro de Genómica y Biología de Sistemas de la NYU y autor principal del artículo.

«Nuestro enfoque explota la variación natural de la expresión de todo el genoma y fenotipos relacionados dentro o entre especies», agregó Chia-Yi Cheng del Centro de Genómica y Biología de Sistemas de la NYU y la Universidad Nacional de Taiwán, el autor principal de este estudio. «Demostramos que reducir nuestra información genómica a genes cuyos patrones de expresión se conservan dentro y entre especies es una forma basada en principios biológicos de reducir la dimensionalidad de los datos genómicos, lo que mejora significativamente la capacidad de nuestros modelos de aprendizaje automático para identificar qué genes son importantes para un rasgo.»

El aprendizaje automático descubre "genes de importancia" en la agricultura y la medicina
Maíz (maíz) que crece en el invernadero NYU Rose Sohn Zegar en el techo del NYU Center for Genomics & Amp; Biologia de sistemas. Crédito: NYU Coruzzi Lab

Como prueba de concepto, los investigadores demostraron que genes cuya respuesta al nitrógeno se conserva evolutivamente entre dos especies de plantas diversas: Arabidopsis, una pequeña planta con flores ampliamente utilizada como organismo modelo en biología vegetal, y variedades de maíz, el cultivo más grande de Estados Unidos. —Mejora significativamente la capacidad de los modelos de aprendizaje automático para predecir genes importantes sobre la eficiencia con la que las plantas usan el nitrógeno. El nitrógeno es un nutriente crucial para las plantas y el principal componente de los fertilizantes; los cultivos que usan nitrógeno de manera más eficiente crecen mejor y requieren menos fertilizantes, lo que tiene beneficios económicos y ambientales.  

Los investigadores realizaron experimentos que validaron ocho factores de transcripción maestros como genes de importancia para la eficiencia del uso del nitrógeno. Demostraron que la expresión genética alterada en Arabidopsis o maíz podría aumentar el crecimiento de las plantas en suelos con bajo contenido de nitrógeno, lo que probaron tanto en el laboratorio de la Universidad de Nueva York como en los campos de maíz de la Universidad de Illinois.

«Ahora que podemos predecir con mayor precisión qué híbridos de maíz son mejores para usar fertilizantes nitrogenados en el campo, podemos mejorar rápidamente esta característica. Aumentar la eficiencia del uso de nitrógeno en el maíz y otros cultivos ofrece tres beneficios clave al reducir los costos de los agricultores, reducir la contaminación ambiental, y mitigar las emisiones de gases de efecto invernadero de la agricultura «, dijo el autor del estudio Stephen Moose, profesor Alexander de Ciencias de los Cultivos en la Universidad de Illinois en Urbana-Champaign.

Además, los investigadores demostraron que este enfoque de aprendizaje automático basado en la evolución se puede aplicar a otros rasgos y especies al predecir rasgos adicionales en las plantas, incluida la biomasa y el rendimiento tanto en Arabidopsis como en maíz. También demostraron que este enfoque puede predecir genes de importancia para la resistencia a la sequía en otro cultivo básico, el arroz, así como los resultados de enfermedades en animales mediante el estudio de modelos de ratón.

«Debido a que demostramos que nuestra línea evolutiva informada también se puede aplicar en animales, esto subraya su potencial para descubrir genes de importancia para cualquier rasgo fisiológico o clínico de interés en biología, agricultura o medicina», dijo Coruzzi.

«Muchos rasgos clave de importancia agronómica o clínica son genéticamente complejos y, por lo tanto, es difícil precisar su control y herencia. Nuestro éxito demuestra que los macrodatos y el pensamiento a nivel de sistemas pueden hacer que estos desafíos notoriamente difíciles sean manejables», dijo el autor del estudio Ying Li, docente en el Departamento de Horticultura y Arquitectura del Paisaje de la Universidad de Purdue.



WP Twitter Auto Publish Powered By : XYZScripts.com