L’apprentissage des appareils peut déterminer des «gènes d’importance» qui aident la végétation à pousser avec beaucoup moins d’engrais, selon une toute nouvelle étude publiée dans Communication Nature . Il peut également prédire des traits supplémentaires dans la vie végétale et les résultats finaux des maladies chez les animaux, montrant ses applications en dehors de l’agriculture .
L’utilisation de données génomiques pour anticiper les résultats en agriculture et en médecine peut être à la fois une garantie et un défi pour obtenir la biologie des systèmes. Les experts ont travaillé pour trouver la meilleure façon d’utiliser la vaste quantité de données génomiques disponibles pour prévoir comment les organismes réagissent aux changements de régime alimentaire, aux toxines et à l’exposition aux virus, ce qui pourrait à son tour éclairer l’amélioration des cultures, le pronostic des maladies, l’épidémiologie et bien-être public. Cependant, prévoir avec précision des résultats aussi complexes en agriculture et en médecine à partir d’informations à l’échelle du génome reste un défi de taille.
Au sein du Communication des personnages étude, les experts et collaborateurs de NYU aux États-Unis et à Taïwan ont relevé ce défi particulier en utilisant l’apprentissage par appareil, un type d’intelligence synthétique utilisé pour identifier des modèles d’informations.
Maïs (maïs) se développant dans la serre de la NYU Flower Sohn Zegar sur le toit du NYU Center for Genomics & Systems Le domaine de la biologie. Crédit: NYU Coruzzi Lab
“Nous montrons que se concentrer sur les gènes dont les modèles d’expression sont généralement conservés de manière évolutive à travers les espèces améliore notre propre capacité à apprendre et à prédire” les gènes associés à l’importance “pour les performances de développement pour les cultures fragmentaires de base, ainsi que les résultats de condition chez les créatures “, a expliqué Gloria Coruzzi, Carroll & Milton Petrie Enseignante à la section de biologie de la NYU et au centre de génomique et de systèmes Le domaine de la biologie et l’auteur mature de l’article.
“Notre approche exploite la variation naturelle particulière de l’expression à l’échelle du génome et des phénotypes associés au sein ou même entre les espèces”, a ajouté Chia-Yi Cheng du Middle for Genomics plus Systems Biology et du National Taiwan College de NYU, le rédacteur principal de cette étude. « Nous montrons que réduire notre contribution génomique à la génétique dont les conceptions d’expression sont conservées à l’intérieur et à travers les variétés est un moyen biologique de réduire la dimensionnalité de l’information génomique, ce qui augmente considérablement la capacité de nos modèles d’apprentissage de dispositifs à repérer les gènes essentiels à un trait. ”
Comme preuve de concept, les chercheurs ont montré que les gènes dont la réactivité à l’azote sont conservés au cours de l’évolution entre deux espèces végétales variées : l’Arabidopsis, une petite plante à fleurs populaire comme patient modèle dans le domaine de la biologie végétale, et les variétés d’orteil en marteau. , la plus grande culture d’Amérique, a considérablement amélioré la capacité associée aux versions d’apprentissage automatique à prédire la génétique d’importance pour l’efficacité exacte avec laquelle les plantes utilisent l’azote. L’azote est vraiment un élément nutritif essentiel pour les plantes et le principal composant d’engrais ; les plantes qui utilisent plus efficacement l’azote poussent mieux et nécessitent moins d’engrais, ce qui présente des avantages économiques et environnementaux.
Orteil en marteau (maïs) poussant dans la serre NYU Rose Sohn Zegar au sommet de la NYU Middle for Genomics & Systems Biology. Pointage de crédit : Laboratoire NYU Coruzzi
Les chercheurs ont mené des tests qui ont validé huit aspects principaux de la transcription en tant que gènes méritant d’être adressés à l’azote utilisant l’efficacité. Ils ont démontré qu’une expression génétique altérée chez Arabidopsis ou le maïs peut augmenter le développement des plantes dans les sols à faible teneur en azote, qu’ils ont examinés à la fois en laboratoire à la NYU et dans les champs de maïs de l’université ou du collège de l’Illinois.
« Maintenant que nous pouvons prévoir avec plus de précision quels hybrides de maïs sont les meilleurs pour l’utilisation d’engrais azotés au champ, nous pouvons rapidement améliorer cette caractéristique. L’augmentation de l’azote en utilisant l’efficacité dans l’orteil en marteau et d’autres cultures offre trois avantages clés en réduisant les coûts de caractère, en réduisant la pollution de l’environnement et en excusant les émissions de gaz à effet de serre provenant de l’agriculture », a déclaré Stephen Moose, auteur de l’étude, professeur Alexander de sciences végétales au Collège de l’Illinois. avec Urbana-Champaign.
De plus, les chercheurs ont démontré que cette stratégie d’apprentissage automatique fondée sur l’évolution peut être appliquée à divers autres traits et variétés en prédisant des traits supplémentaires dans la vie végétale, notamment la biomasse et le rendement d’Arabidopsis et de maïs. De plus, ils ont montré que cette stratégie peut prédire la génétique d’importance pour la résistance à la sécheresse dans une autre culture de base, le grain, ainsi que les résultats finaux des maladies chez les animaux au moyen de l’étude de versions murines.
“Parce que nous avons tous montré que notre pipeline informé sur l’évolution peut également être appliqué aux animaux de compagnie, cela souligne le potentiel de découvrir la génétique d’importance pour toutes les qualités physiques ou cliniques d’intérêt dans le domaine de la biologie, de l’agriculture ou des médicaments”, a déclaré Coruzzi.
« De nombreux traits essentiels d’importance agronomique ou clinique sont génétiquement compliqués et il est donc difficile d’identifier leur contrôle particulier et leur don d’argent. Notre succès montre que la réflexion sur les grandes informations et les systèmes peut résoudre ces types de problèmes notoirement difficiles », a déclaré l’auteur de l’étude Ying Li, professeur au département des structures de jardin et de paysage de l’université ou du collège Purdue.
Référence : « L’étude des machines informées sur l’évolution améliore la puissance associée aux relations prédictives entre les gènes et le phénotype » 24 septembre 2021, Communication des personnages .
DOI : 10. 1038/s41467-021-25893-w
Parmi les autres experts impliqués dans cette recherche figurent Kranthi Varala, également professeur associé au département associé à l’horticulture et à l’architecture environnante à Purdue, ainsi que des membres associés aux équipes de recherche des principaux chercheurs de NYU, de l’université ou du collège de l’Illinois, ainsi que Purdue. . La recherche a été soutenue par le plan de recherche Put Genome de la Nationwide Science Foundation (IOS-1339362), le Oughout. S. Département associé au projet Agriculture National Company of Food and Farming Hatch (1013620), la bourse prédoctorale USDA-NIFA (2016-67011025167), plus une bourse NSF CompGen.
