Comment Avalo utilise l'apprentissage automatique pour accélérer l'adaptation des cultures au changement climatique
Le changement climatique affecte l'agriculture dans le monde entier, et les solutions sont rarement simples. Et si vous pouviez planter des cultures résistantes à la chaleur, au froid ou à la sécheresse, au lieu de parcourir des milliers de kilomètres encore et encore à la recherche d'un climat adapté ? Avalo aide à rendre ces plantes réalité, grâce à une analyse du génome basée sur l'intelligence artificielle, qui peut réduire le temps et l'argent nécessaires pour obtenir des plantes plus robustes pour ce siècle chaud.
Avalo, fondée par deux amis qui pensaient tenter l'aventure des startups avant de se consacrer à la vie universitaire, propose une valeur très directe, mais la comprendre demande un peu de science.
Les grandes entreprises semencières et agricoles ont beaucoup investi dans la création de meilleures versions des cultures principales. En rendant le maïs ou le riz un peu plus résistants à la chaleur, aux insectes, à la sécheresse ou aux inondations, elles peuvent nettement augmenter les rendements et les profits des agriculteurs, ou, à défaut, rendre la plante cultivable là où elle ne poussait pas auparavant.
« Les rendements dans les régions équatoriales chutent fortement, et ce n'est pas parce que les grains de maïs deviennent plus petits. Les agriculteurs se déplacent vers les hauteurs, car l'intrusion d'eau salée détruit les champs, mais ils font face à des gelées printanières précoces qui tuent leurs jeunes plants. Ou bien ils ont besoin de blé résistant à la rouille pour survivre aux épidémies de champignons pendant les étés humides. Nous devons créer de nouvelles variétés si nous voulons nous adapter à cette nouvelle réalité environnementale »
Pour apporter systématiquement ces améliorations, les chercheurs mettent en avant les caractéristiques déjà présentes dans la plante. Il ne s'agit pas d'insérer un nouveau gène, mais d'identifier des qualités déjà existantes. Auparavant, cela se faisait par une méthode simple : cultiver plusieurs plantes, les comparer et planter les graines de celle qui reflète le mieux ce trait.
Cependant, aujourd'hui, les chercheurs ont séquencé le génome de ces plantes et peuvent être plus précis. En identifiant les gènes actifs chez les plantes présentant le caractère souhaité, une meilleure expression de ces gènes peut être ciblée pour les générations futures. Le problème est que cela prend beaucoup de temps, pratiquement une décennie.
La complexité du processus actuel vient du fait que des traits tels que la survie face à la sécheresse ne sont pas de simples gènes isolés. Il peut s'agir d'un grand nombre de gènes interagissant entre eux. De même qu'il n'existe pas un gène unique pour devenir gymnaste olympique, il n'existe pas un gène unique pour devenir un riz résistant à la sécheresse. Ainsi, lorsque les entreprises mènent des études d'association pangénomiques, elles obtiennent finalement des centaines de gènes candidats contribuant à ce trait, et doivent ensuite tester minutieusement leurs différentes combinaisons sur des plantes vivantes, ce qui, même à l'échelle industrielle, prend de nombreuses années.
« La possibilité de simplement trouver les gènes puis d'agir sur eux est en réalité assez limitée, à mesure que les traits se complexifient. Essayer d'améliorer l'efficacité d'une enzyme est facile : il suffit d'utiliser CRISPR pour la modifier, mais pour augmenter le rendement du maïs, ce sont des milliers, voire des millions de gènes qui y contribuent. Si vous êtes un grand stratège cherchant à produire du riz résistant à la sécheresse, vous tablez sur 15 ans et 200 millions de dollars. C'est un jeu de longue haleine »
C'est là qu'intervient Avalo. L'entreprise a construit une plateforme permettant de modéliser les effets des modifications du génome d'une plante, qui, selon elle, peut réduire un délai de 15 ans à deux ou trois ans, et le coût dans une proportion similaire. L'idée était de créer un modèle de génome plus réaliste, tenant mieux compte de l'évolution.
Autrement dit, le système qui modélise le génome et les gènes qu'il contient intègre davantage de contexte issu de la biologie et de l'évolution. Avec une plateforme plus aboutie, vous obtenez beaucoup moins de faux positifs parmi les gènes liés au trait, car elle élimine beaucoup plus de bruit, de gènes non apparentés, de participants secondaires, et ainsi de suite.
Collins cite l'exemple d'une variété de riz tolérante au froid, sur laquelle une entreprise travaillait. L'étude pangénomique a identifié 566 « gènes d'intérêt », et l'examen de chacun d'eux coûte environ 40 000 dollars en raison du temps, du personnel et du matériel nécessaires. Cela signifie que l'étude de ce seul trait peut coûter 20 millions de dollars et prendre plusieurs années, ce qui limite naturellement à la fois les acteurs capables de mener une telle opération et les cultures dans lesquelles ils investiront temps et argent. Si vous attendez un retour sur investissement, vous ne pouvez pas dépenser de telles sommes pour améliorer une culture de niche destinée à un marché alternatif.
« Nous sommes là pour démocratiser ce processus. Dans le même ensemble de données sur la tolérance au froid du riz, nous avons identifié 32 gènes d'intérêt et, sur la base de nos simulations et de nos études rétrospectives, nous savons qu'ils sont tous réellement causals. Et nous avons pu faire pousser 10 échantillons pour les confirmer »
Dès le départ, le système d'Avalo a écarté plus de 90 % des gènes qui auraient dû être étudiés individuellement. Ils étaient convaincus que ces 32 gènes n'étaient pas simplement liés entre eux, mais qu'ils étaient causals, exerçant une influence réelle sur le trait. Cela a été confirmé par de brèves études, au cours desquelles un gène donné était bloqué et l'effet observé. Avalo appelle sa méthode « découverte de gènes par perturbations non informatives », ou GDIP.
En partie, c'est une capacité inhérente aux algorithmes d'apprentissage automatique lorsqu'il s'agit d'extraire le signal du bruit, mais les chercheurs devaient aborder le problème avec une nouvelle approche, en permettant à la plateforme d'étudier seule les structures et les relations. Il était également important pour eux que le modèle soit explicable, c'est-à-dire que ses résultats ne sortent pas simplement d'une boîte noire, mais reposent sur une justification.
Le dernier point est complexe, mais ils y sont parvenus en remplaçant systématiquement les gènes d'intérêt, dans des simulations répétées, par des versions factices qui n'altèrent pas le trait, mais aident le modèle à apprendre la contribution de chaque gène.
« Grâce à notre technologie, nous pourrons développer un ensemble minimal de caractéristiques prévisibles pour identifier les traits d'intérêt. Vous pouvez créer un génotype idéal dans la simulation, puis mener une sélection intensive et suivre ce génotype »
L'entreprise collabore avec plusieurs universités pour accélérer la création d'autres plantes résistantes qui, autrement, ne verraient jamais le jour. Ces équipes de recherche disposent de beaucoup de données, mais de peu de ressources, ce qui en fait d'excellents candidats pour démontrer les capacités de l'entreprise.
