بر اساس یک مطالعه جدید که در Nature Communications منتشر شده است ، یادگیری ماشین می تواند "ژن های مهم" را که به گیاهان کمک می کند با کود کمتری رشد کنند ، مشخص کند. همچنین می تواند ویژگی های اضافی در گیاهان و پیامدهای بیماری در حیوانات را پیش بینی کند ، و کاربردهای آن را فراتر از کشاورزی نشان می دهد.

استفاده از داده های ژنومی برای پیش بینی نتایج در کشاورزی و پزشکی ، یک چالش برای زیست شناسی سیستم ها است. محققان در تلاش هستند تا نحوه استفاده بهینه از حجم وسیع داده های ژنومی موجود را برای پیش بینی نحوه واکنش ارگانیسم ها نسبت به تغییرات تغذیه ، سموم و قرار گرفتن در معرض عوامل بیماری زا ، را به کار بگیرند ؛ که به نوبه خود به بهبود محصول ، پیش آگهی بیماری ، اپیدمیولوژی و سلامت عمومی کمک می کند.در مطالعه Nature Communications ، محققان و همکاران NYU در ایالات متحده و تایوان با استفاده از یادگیری ماشینی ، نوعی هوش مصنوعی که برای تشخیص الگوهای داده استفاده می شود ، با این چالش مقابله کردند.

گلوریا کوروزی ، کارول و میلتون توضیح می دهند: "ما نشان می دهیم که تمرکز بر ژن هایی که الگوهای بیان آنها به طور تکاملی در گونه ها حفظ شده است ، توانایی ما را در یادگیری و پیش بینی" ژن های مهم "در عملکرد رشد محصولات اصلی و همچنین پیامدهای بیماری در حیوانات افزایش می دهد.

به عنوان اثبات مفهوم ، محققان نشان دادند ژنهایی که واکنش آنها به نیتروژن از نظر تکاملی بین دو گونه گیاهی متنوع حفظ می شود ؛ Arabidopsis ، یک گیاه کوچک گلدار که به طور گسترده به عنوان یک ارگانیسم نمونه در زیست شناسی گیاه مورد استفاده قرار می گیرد و انواع ذرت ، بزرگترین گیاه آمریکا است. محصول ؛ توانایی مدلهای یادگیری ماشین در پیش بینی ژنهای مهم در نحوه استفاده موثر از گیاهان از نیتروژن را به میزان قابل توجهی بهبود بخشید.نیتروژن یک ماده مغذی مهم برای گیاهان و جزء اصلی کود است. محصولاتی که از نیتروژن به طور موثرتری استفاده می کنند بهتر رشد می کنند و به کود کمتری احتیاج دارند ، که مزایای اقتصادی و زیست محیطی دارد.

محققان آزمایش هایی را انجام دادند که هشت عامل اصلی رونویسی را به عنوان ژن های مهم در کارایی استفاده از نیتروژن تأیید کرد. آنها نشان دادند که بیان ژن تغییر یافته در Arabidopsis یا ذرت می تواند رشد گیاه را در خاکهای کم نیتروژن افزایش دهد ، که آنها را هم در آزمایشگاه NYU و هم در مزارع ذرت در دانشگاه ایلینوی آزمایش کردند.

علاوه بر این ، محققان ثابت کردند که این روش یادگیری ماشینی تکاملی را می توان با پیش بینی ویژگی های اضافی در گیاهان ، از جمله زیست توده و عملکرد در Arabidopsis و ذرت ، برای سایر صفات و گونه ها به کار برد. آنها همچنین نشان دادند که این رویکرد می تواند ژنهای مهم در مقاومت به خشکی را در محصول اصلی دیگر ، برنج ، و همچنین پیامدهای بیماری در حیوانات را با مطالعه مدلهای موش پیش بینی کند.

206000704.047