Cómo usa Avalo el aprendizaje automático para acelerar la adaptación de los cultivos al cambio climático
El cambio climático afecta a la agricultura en todo el mundo, y las soluciones rara vez son sencillas. ¿Y si pudieras plantar cultivos resistentes al calor, al frío o a la sequía, en lugar de desplazarte una y otra vez miles de kilómetros en busca de un clima adecuado? Avalo ayuda a que estas plantas sean una realidad, mediante un análisis genómico basado en inteligencia artificial que puede reducir el tiempo y el dinero necesarios para cultivar plantas más resistentes para este siglo de calor.
Avalo, fundada por dos amigos que pensaron en probar suerte con una startup antes de dedicarse a la vida académica, tiene una propuesta de valor muy directa, pero para entenderla hace falta un poco de ciencia.
Las grandes empresas de semillas y agricultura han hecho un gran esfuerzo para crear mejores versiones de los cultivos principales. Al hacer que el maíz o el arroz sean un poco más resistentes al calor, a los insectos, a la sequía o a las inundaciones, pueden aumentar considerablemente el rendimiento y los beneficios de los agricultores o, alternativamente, hacer que la planta sea viable para cultivarla donde antes no podía crecer.
«El rendimiento en las zonas ecuatoriales cae mucho, y no es porque los granos de maíz se hagan más pequeños. Los agricultores se trasladan a zonas elevadas, porque la intrusión de agua salada destruye los campos, pero se enfrentan a heladas tempranas de primavera que matan sus plántulas. O necesitan trigo resistente a la roya para sobrevivir a los brotes de hongos en los veranos húmedos. Necesitamos crear nuevas variedades si queremos adaptarnos a esta nueva realidad ecológica»
Para introducir estas mejoras de forma sistemática, los investigadores destacan los rasgos que ya existen en la planta. No se trata de insertar un gen nuevo, sino de identificar cualidades que ya están presentes. Antes, esto se hacía con el método sencillo de cultivar varias plantas, compararlas y sembrar las semillas de la que mejor reflejaba ese rasgo.
Sin embargo, hoy los investigadores han secuenciado el genoma de estas plantas y pueden ser más precisos. Al saber qué genes están activos en las plantas con el rasgo deseado, la mejor expresión de esos genes puede orientarse hacia las generaciones futuras. El problema es que esto lleva mucho tiempo: prácticamente una década.
La complejidad del proceso actual se debe a que los rasgos, como la supervivencia ante la sequía, no son simplemente genes individuales. Pueden ser cualquier cantidad de genes complejos que interactúan entre sí. Así como no existe un único gen para convertirse en gimnasta olímpica, tampoco hay un solo gen para convertirse en un arroz resistente a la sequía. Por eso, cuando las empresas realizan los llamados estudios de asociación de genoma completo, acaban obteniendo cientos de genes candidatos que contribuyen a ese rasgo, y luego deben probar meticulosamente diversas combinaciones de ellos en plantas vivas, lo que, incluso a escala industrial, requiere muchos años.
«La posibilidad de simplemente encontrar genes y luego hacer algo con ellos es, en realidad, bastante limitada a medida que los rasgos se complican. Intentar mejorar la eficiencia de una enzima es fácil: basta con entrar en CRISPR y editarla, pero para aumentar el rendimiento del maíz intervienen miles, quizá millones, de genes. Si eres una gran estrategia que intenta producir arroz resistente a la sequía, calculas 15 años y 200 millones de dólares. Es un juego largo»
Aquí es donde entra Avalo. La empresa ha construido una plataforma para simular los efectos de los cambios en el genoma de una planta, que, según afirman, puede reducir el plazo de 15 años a dos o tres, y el coste en una proporción similar. La idea era crear un modelo del genoma más realista, que tuviera más en cuenta la evolución.
Es decir, el sistema que modela el genoma y los genes que contiene incorpora más contexto de biología y evolución. Con una plataforma más avanzada obtendrás muchos menos falsos positivos en los genes asociados al rasgo, porque elimina mucho más ruido, genes no relacionados, participantes secundarios y demás.
Collins pone como ejemplo una variedad de arroz resistente al frío en la que trabajaba una empresa. El estudio de genoma completo identificó 566 «genes de interés», y estudiar cada uno cuesta unos 40 000 dólares por el tiempo, el personal y los materiales necesarios. Esto significa que investigar solo este rasgo podría costar 20 millones de dólares y llevar varios años, lo que, naturalmente, limita tanto a las partes que pueden emprender una operación así como a los cultivos en los que invertirán tiempo y dinero. Si esperas un retorno de la inversión, no puedes gastar ese dinero en mejorar un cultivo de nicho para un mercado alternativo.
«Estamos aquí para democratizar este proceso. En el mismo conjunto de datos sobre la resistencia al frío del arroz, identificamos 32 genes de interés y, basándonos en nuestras simulaciones y estudios retrospectivos, sabemos que todos ellos son realmente causales. Y logramos cultivar 10 muestras para confirmarlos»
Desde el principio, el sistema de Avalo descartó más del 90% de los genes que habría que estudiar individualmente. Estaban seguros de que estos 32 genes no solo estaban relacionados entre sí, sino que eran causales, ejerciendo un efecto real sobre el rasgo. Y esto se confirmó con estudios breves en los que se bloqueaba un gen determinado y se observaba el efecto. Avalo llama a su método «descubrimiento de genes mediante perturbaciones no informativas» o GDIP.
En parte, esto es una capacidad inherente de los algoritmos de aprendizaje automático a la hora de separar la señal del ruido, pero los investigadores necesitaban abordar el problema con un enfoque nuevo, permitiendo que la plataforma aprendiera por sí misma las estructuras y relaciones. También era importante para ellos que el modelo fuera explicable, es decir, que sus resultados no surgieran simplemente de una caja negra, sino que tuvieran alguna justificación.
El último desafío es complejo, pero lo resolvieron sustituyendo sistemáticamente los genes de interés en simulaciones repetidas por versiones ficticias que no alteran el rasgo, pero ayudan al modelo a saber qué contribución aporta cada gen.
«Con nuestra tecnología podremos desarrollar un conjunto mínimo de características predecibles para identificar los rasgos de interés. Puedes crear un genotipo ideal en la simulación y luego llevar a cabo una segregación intensiva y seguir ese genotipo»
La empresa colabora con varias universidades para acelerar la creación de otras plantas resistentes que, de otro modo, nunca llegarían a ver la luz. Estos grupos de investigación tienen mucha información, pero no tantos recursos, lo que los convierte en candidatos ideales para demostrar las capacidades de la empresa.
