Avalo が機械学習で作物の気候変動適応を加速させる方法
気候変動は世界中の農業に影響を及ぼしていますが、解決策が単純なことは稀です。もし暑さ、寒さ、干ばつに強い作物を植えられ, 何度も数千キロメートルも移動して適切な気候を探す必要がなくなるとしたらどうでしょうか？ Avalo は、人工知能に基づくゲノム解析を用いて、この暑い時代に備えてより丈夫な植物を育てるために必要な時間と費用を削減し、そのような植物の実現を支援しています。
Avaloは、学術の道に進む前にスタートアップに挑戦してみようと考えた二人の友人によって設立された企業で、その提供価値は非常に明快ですが、理解するにはある程度の科学的知識が必要です。
大手種苗会社や農業関連企業は、主要作物のより優れた品種を作るために多大な努力を重ねてきました。トウモロコシや米を暑さ、害虫、干ばつ、洪水に対してわずかに強くすることで、収穫量と農家の利益を大きく高めたり、これまで栽培できなかった地域でも育てられるようにしたりすることができます。
「赤道周辺の地域では収穫量が大きく低下していますが、それはトウモロコシの粒が小さくなっているからではありません。塩水の侵入で畑が荒廃するため、農家は高地へ移動していますが、そこでは早春の霜に見舞われ、苗木が枯れてしまいます。あるいは、湿度の高い夏に発生するカビの流行に耐えられる、さび病に強い小麦が必要になっています。この新しい環境の現実に適応しようとするなら、新しい品種を開発しなければなりません」
こうした改良を体系的に進めるために、研究者は植物に既に備わっている形質に着目しています。新しい遺伝子を組み込むのではなく、既存の特性を見つけ出すことが重要です。以前は、複数の植物を育てて比較し、その形質を最もよく示したものの種を植えるという単純な方法が用いられていました。
しかし現在では、研究者はこれらの植物のゲノムを解読しており、より正確な選抜が可能になっています。望ましい形質を持つ植物でどの遺伝子が活性化しているかを知ることで、その遺伝子の発現を次世代で強めることを狙えます。問題は、これに多くの時間がかかり、実際には約10年を要することです。
現代の手法が複雑なのは、干ばつへの耐性のような形質が単一の遺伝子によるものではないからです。それは、相互に作用する多数の遺伝子によって決まることがあります。オリンピックの体操選手になるために単一の遺伝子が存在しないのと同様に、干ばつに強い米になるための単一の遺伝子も存在しません。そのため、企業がいわゆるゲノムワイド関連解析を行うと、最終的にその形質に寄与する候補遺伝子が数百も得られ、それらの組み合わせを生きた植物で地道に試験しなければなりません。産業規模でも、これには何年もの歳月がかかります。
「遺伝子を見つけて、それに何らかの処置を施すことは、形質が複雑になるほど実際には大きく制限されます。酵素の効率を高めるのは簡単で、CRISPRに入ってそれを編集すればよいだけです。しかし、トウモロコシの収穫量を増やすには、数千、場合によっては数百万の遺伝子が関与しています。干ばつに強い米を生産しようとする大手の戦略担当者は、15年と2億ドルを見込むことになります。これは長期戦です」
そこでAvaloの出番です。同社は、植物ゲノムの変化の影響をシミュレーションするプラットフォームを構築しました。同社によれば、これにより15年かかる期間を2〜3年に短縮でき、コストも同様の割合で削減できるとのことです。その発想は、進化をより強く考慮したより現実的なゲノムモデルを作ることにありました。
つまり、ゲノムとその上の遺伝子をモデル化するシステムに、生物学と進化からのより多くの文脈を取り込むということです。より高度なプラットフォームであれば、形質に関連する遺伝子について誤検出がはるかに少なくなります。なぜなら、無関係な遺伝子や副次的な関与因子などのノイズを大幅に除外できるからです。
コリンズは、ある企業が開発していた耐寒性のイネ品種を例に挙げる。ゲノム全体の解析により「関心のある遺伝子」が566個見つかったが、それぞれの遺伝子の研究には、必要な時間、人員、材料のために約40,000ドルかかる。つまり、この一つの特性を研究するだけで2,000万ドルかかり、数年を要する可能性があり、それは当然ながら、こうした取り組みを行える企業や、そこに時間と資金を投じる作物の両方を制約する。投資利益を期待するなら、ニッチな作物を代替市場向けに改良するためにそのような資金を使うことはできない。
「私たちはこのプロセスを民主化するためにここにいます。イネの耐寒性に関する同じデータセットで、関心のある遺伝子を32個発見し、シミュレーションと遡及的研究に基づき、それらすべてが実際に原因であることを確認しています。さらに、10個のサンプルを育成し、それらを検証することに成功しました」
当初からAvaloのシステムは、個別に調査する必要があった遺伝子の90%以上を除外しました。同社は、これら32個の遺伝子が単に相互に関連しているだけでなく、形質に実際に影響を与える原因であると確信していました。これは、特定の遺伝子を遮断し、その影響を調べる短期的な研究によって裏付けられました。Avaloは自社の手法を「無情報摂動による遺伝子発見」、すなわちGDIPと呼んでいます。
これは一部、機械学習アルゴリズムが雑音から信号を取り出す際に本来備えている能力によるものですが、研究者たちは新しいアプローチで問題に取り組む必要があり、プラットフォームが構造と相互関係を自ら学習できるようにしました。また、モデルが説明可能であることも重要でした。つまり、結果がブラックボックスから突然現れるのではなく、何らかの根拠を持つことが必要でした。
最後の課題は難しいものでしたが、繰り返しシミュレーションにおいて、対象の遺伝子を体系的に、形質を損なわないダミーのバージョンに置き換えることで解決しました。これにより、モデルは各遺伝子がどの程度寄与しているかを学習できます。
「当社の技術を用いることで、関心のある形質を特定するための、予測可能な特性の最小限のセットを開発できるようになります。シミュレーションで理想的な遺伝子型を作成し、その後集中的な分離を行い、その遺伝子型を追跡することができます」
同社は、そうでなければ決して世に出なかったであろう他の耐性作物の開発を加速するため、複数の大学と提携しています。これらの研究グループには膨大なデータがある一方で、資源はそれほど多くないため、同社の能力を示すうえで優れた候補となっています。
