Як Avalo використовує машинне навчання для прискорення адаптації сільськогосподарських культур до зміни клімату
Зміна клімату впливає на сільське господарство у всьому світі, а рішення рідко бувають простими. Що, якби ви могли саджати культури, стійкі до спеки, холоду чи посухи, замість того, щоб знову і знову переміщатися за тисячу кілометрів у пошуках відповідного клімату? Avalo допомагає такім рослинам стати реальністю, використовуючи аналіз геному на основі штучного інтелекту, який може скоротити час і гроші, потрібні для вирощування витриваліших рослин для цього спекотного століття.
Компанія Avalo, заснована двома друзями, які вирішили спершу спробувати себе в стартапі, перш ніж присвятити себе академічному життю, має дуже просту ціннісну пропозицію, але для її розуміння потрібно трохи науки.
Великі насіннєві та агрокомпанії доклали чимало зусиль для створення кращих версій основних культур. Зробивши кукурудзу чи рис трохи стійкішими до спеки, комах, посухи або повеней, вони можуть суттєво підвищити врожайність і прибутки фермерів або, як альтернативу, зробити рослину придатною для вирощування там, де раніше вона не могла рости.
«Врожайність в екваторіальних районах суттєво знижується — і справа не в тому, що зерна кукурудзи стають меншими. Фермери переміщуються на возвишшя, бо вторгнення солоної води руйнує поля, але вони стикаються з ранніми весняними заморозками, які вбивають їхні саджанці. Або їм потрібна пшениця, стійка до іржі, щоб пережити спалахи грибка під час вологого літа. Нам необхідно створювати нові сорти, якщо ми хочемо адаптуватися до цієї нової екологічної реальності»
Щоб систематично вносити ці покращення, дослідники підкреслюють ознаки, які вже наявні в рослині. Йдеться не про вставлення нового гена, а про виявлення вже наявних якостей. Раніше це робилося простим методом: вирощували кілька рослин, порівнювали їх і висаджували насіння того, що найкраще відображає цю ознаку.
Однак нині дослідники секвенували геном цих рослин і можуть бути точнішими. Дізнавшись, які гени активні в рослинах із бажаною ознакою, найкращу експресію цих генів можна спрямувати на майбутні покоління. Проблема в тому, що на це йде багато часу — практично десятиліття.
Складність сучасного процесу полягає в тому, що риси характеру, такі як виживання за посухи, — це не просто окремі гени. Це може бути будь-яка кількість складних взаємодіючих генів. Так само як немає одного гена, що робить людину олімпійською гімнасткою, немає й одного гена, що робить рис посухостійким. Тому, коли компанії проводять так звані полногеномні дослідження асоціацій, вони зрештою отримують сотні генів-кандидатів, які роблять внесок у цю ознаку, і потім мають кропітко тестувати різні їх комбінації на живих рослинах, що навіть у промислових масштабах потребує багато років.
«Можливість просто знайти гени, а потім щось із ними зробити, насправді досить обмежена, оскільки ці ознаки ускладнюються. Спробувати підвищити ефективність ферменту легко: ви просто заходите в CRISPR і редагуєте його, але для підвищення врожайності кукурудзи сприяють тисячі, а може, і мільйони генів. Якщо ви великий стратег, що намагається виростити посухостійкий рис, ви розраховуєте на 15 років і $200 млн. Це довга гра»
Саме тут на допомогу приходить Avalo. Компанія побудувала платформу для моделювання впливу змін у геномі рослини, яка, за їхніми твердженнями, може скоротити 15-річний термін виконання до двох-трьох років, а вартість — у подібному співвідношенні. Ідея полягала в тому, щоб створити більш реалістичну модель геному, яка сильніше враховує еволюцію.
Тобто система, яка моделює геном і гени на ньому, включає більше контексту з біології та еволюції. З досконалішою платформою ви отримаєте значно менше хибних спрацювань щодо генів, пов'язаних з ознакою, бо вона відсіює набагато більше шуму, неспоріднених генів, другорядних учасників тощо.
Коллінз наводить як приклад холодостійкий сорт рису, над яким працювала одна компанія. У результаті загальногеномного дослідження було виявлено 566 «генів, що становлять інтерес», а дослідження кожного з них коштує близько $40 000 через необхідний час, персонал і матеріали. Це означає, що дослідження цієї однієї ознаки може коштувати $20 млн і зайняти кілька років, що, природно, обмежує як сторони, які можуть взятися за таку операцію, так і врожай, у який вони вкладатимуть час і гроші. Якщо ви очікуєте віддачі від інвестицій, ви не можете витрачати такі гроші на покращення нішевого врожаю для альтернативного ринку.
«Ми тут, щоб демократизувати цей процес. У тому ж масиві даних щодо холодостійкості рису ми виявили 32 гени, що становлять інтерес, і, спираючись на наше моделювання та ретроспективні дослідження, знаємо, що всі вони справді є причинними. І ми змогли виростити 10 зразків, щоб підтвердити їх»
Із самого початку система Avalo виключила понад 90% генів, які довелося б досліджувати окремо. Вони були впевнені, що ці 32 гени не лише пов'язані між собою, а й є причинними, справді впливаючи на ознаку. Це підтвердили короткі дослідження, коли певний ген блокували і вивчали вплив цього. Avalo називає свій метод «відкриттям генів через неінформативні збурення» або GDIP.
Частково це є невід'ємною здатністю алгоритмів машинного навчання, коли справа доходить до виділення сигналу з шуму, але дослідникам потрібно було підійти до проблеми з новим підходом, дозволяючи платформі самостійно вивчати структури та взаємозв'язки. Для них також було важливо, щоб модель була пояснюваною, тобто щоб її результати не просто з'являлися з чорної скриньки, а мали певне обґрунтування.
Остання проблема складна, але вони її розв'язали, систематично замінюючи гени, що цікавлять, у повторюваних симуляціях на фіктивні версії, які не порушують ознаки, але допомагають моделі дізнатися, який внесок робить кожен ген.
«Використовуючи нашу технологію, ми зможемо розробити мінімальний набір прогнозованих характеристик для виявлення ознак, що нас цікавлять. Ви можете створити ідеальний генотип у моделюванні, а потім провести інтенсивне розділення і стежити за цим генотипом»
Компанія співпрацює з кількома університетами, щоб прискорити створення інших стійких рослин, які інакше ніколи б не побачили світ. У цих дослідницьких груп є маса даних, але не так багато ресурсів, що робить їх чудовими кандидатами для демонстрації можливостей компанії.
