Как Avalo использует машинное обучение для ускорения адаптации сельскохозяйственных культур к изменению климата
Изменение климата влияет на сельское хозяйство во всем мире, а решения редко бывают простыми. А что, если бы вы могли сажать культуры, устойчивые к жаре, холоду или засухе, вместо того, чтобы перемещаться за тысячу километров снова и снова в поисках подходящего климата? Avalo помогает таким растениям стать реальностью, используя анализ генома на основе искусственного интеллекта, который может сократить время и деньги, необходимые для выращивания более выносливых растений для этого жаркого века.
Компания Avalo, основанная двумя друзьями, которые думали, что прежде чем посвятить себя академической жизни, попробуют себя в стартапе, имеет очень прямое ценностное предложение, но для его понимания требуется немного науки.
Крупные семеноводческие и сельскохозяйственные компании приложили немало усилий для создания лучших версий основных культур. Сделав кукурузу или рис чуть более устойчивыми к жаре, насекомым, засухе или наводнениям, они могут значительно повысить урожайность и прибыль фермеров или в качестве альтернативы сделать растение жизнеспособным для выращивания там, где раньше оно не могло расти.
«Урожайность в экваториальных районах сильно снижается — и дело не в том, что зерна кукурузы становятся меньше. Фермеры перемещаются на возвышенности, потому что вторжение соленой воды разрушает поля, но они сталкиваются с ранними весенними заморозками, которые убивают их саженцы. Или им нужна устойчивая к ржавчине пшеница, чтобы пережить вспышки грибка во влажное лето. Нам необходимо создавать новые сорта, если мы хотим адаптироваться к этой новой экологической реальности»
Чтобы систематически вносись эти улучшения, исследователи подчеркивают существующие в растении черты. Речь идет не о сращивании нового гена, а о выявлении уже имеющихся качеств. Раньше это делалось простым методом выращивания нескольких растений, их сравнения и посадки семян того, которое лучше всего отражает эту черту.
Однако в настоящее время исследователи секвенировали геном этих растений и могут быть более точными. Узнав, какие гены активны в растениях с желаемым признаком, лучшая экспрессия этих генов может быть нацелена на будущие поколения. Проблема в том, что на это уходит много времени — практически десятилетие.
Сложность современного процесса проистекает из того, что черты характера, такие как выживание перед лицом засухи, — это не просто отдельные гены. Это может быть любое количество сложных взаимодействующих генов. Так же, как нет единого гена для того, чтобы стать олимпийской гимнасткой, нет и одного гена для того, чтобы стать засухоустойчивым рисом. Поэтому когда компании проводят так называемые полногеномные исследования ассоциаций, они в конечном итоге получают сотни кандидатов на гены, которые вносят вклад в этот признак, и затем должны кропотливо тестировать различные их комбинации на живых растениях, что даже в промышленных масштабах требует много лет.
«Возможность просто найти гены, а затем что-то с ними сделать, на самом деле довольно ограничена, поскольку эти черты усложняются. Попытаться повысить эффективность фермента легко, вы просто заходите в CRISPR и редактируете его, но при увеличении урожайности кукурузы этому способствуют тысячи, а может, и миллионы генов. Если вы являетесь крупным стратегом, пытающимся производить устойчивый к засухе рис, вы рассчитываете на 15 лет и $200 млн. Это долгая игра»
Именно здесь на помощь приходит Avalo. Компания построила платформу для моделирования эффектов изменений в геноме растения, которая, по их утверждениям, может сократить 15-летнее время выполнения заказа до двух или трех, а стоимость — в аналогичном соотношении. Идея заключалась в том, чтобы создать более реалистичную модель генома, сильнее учитывающую эволюцию.
То есть система, которая моделирует геном и гены на нем, включает в себя больше контекста из биологии и эволюции. С более совершенной платформой вы получите гораздо меньше ложных срабатываний по генам, связанным с признаком, потому что она исключает гораздо больше шума, неродственных генов, второстепенных участников и так далее.
Коллинз приводит в пример холодостойкий сорт риса, над которым работала одна компания. В результате общегеномного исследования было обнаружено 566 «генов, представляющих интерес», а исследование каждого из них стоит около $40 000 из-за необходимого времени, персонала и материалов. Это означает, что исследование этой одной особенности может стоить $20 млн и занять несколько лет, что, естественно, ограничивает как стороны, которые могут предпринять такую операцию, так и урожай, в который они будут вкладывать время и деньги. Если вы ожидаете отдачи от инвестиций, вы не можете потратить такие деньги на улучшение нишевого урожая для альтернативного рынка.
«Мы здесь, чтобы демократизировать этот процесс. В том же массиве данных, касающемся холодоустойчивости риса, мы обнаружили 32 представляющих интерес гена и, основываясь на нашем моделировании и ретроспективных исследованиях, мы знаем, что все они действительно являются причинными. И мы смогли вырастить 10 образцов, чтобы подтвердить их»
С самого начала система Avalo исключила более 90% генов, которые пришлось бы исследовать индивидуально. Они были уверены, что эти 32 гена не просто связаны между собой, но являются причинными, оказывая реальное влияние на признак. И это было подтверждено краткими исследованиями, когда определенный ген был заблокирован, и изучалось влияние этого. Avalo называет свой метод «открытием генов через безинформативные возмущения» или GDIP.
Отчасти это является неотъемлемой способностью алгоритмов машинного обучения, когда дело доходит до выделения сигнала из шума, но исследователям нужно было подойти к проблеме с новым подходом, позволяя платформе изучать структуры и взаимосвязи самостоятельно. Для них также было важно, чтобы модель была объяснимой, то есть чтобы ее результаты не просто появлялись из черного ящика, а имели какое-то обоснование.
Последняя проблема является сложной, но они достигли ее решения путем систематической замены интересующих генов в повторяющихся симуляциях на фиктивные версии, которые не нарушают признака, но помогают модели узнать, какой вклад вносит каждый ген.
«Используя нашу технологию, мы сможем разработать минимальный набор прогнозируемых характеристик для выявления представляющих интерес черт. Вы можете создать идеальный генотип в моделировании, а затем провести интенсивное разделение и следить за этим генотипом»
Компания сотрудничает с несколькими университетами, чтобы ускорить создание других устойчивых растений, которые иначе никогда бы не увидели свет. У этих исследовательских групп есть масса данных, но не так много ресурсов, что делает их отличными кандидатами для демонстрации возможностей компании.
