Нехватка продовольствия надвигается в то время, когда исследователи используют искусственный интеллект для выведения новых сортов сельскохозяйственных культур для меняющегося климата. В статье, опубликованной PNAS, Тэнксли, почетный профессор Корнельского университета в Итаке, штат Нью-Йорк, сказал, что «мы должны удвоить производительность на акр наших основных культур, если мы собираемся соответствовать мировым потребностям».
Даже если мы подготовим землю, проложим оросительную систему и возведем забор вокруг земли, нам все равно нужно иметь правильный генетический материал (сорта), чтобы иметь возможность получить урожай с урожайностью, удовлетворяющей потребности как домохозяйств, так и рынка, как а также потребности с точки зрения количества и качества, включая питание.
Чтобы ускорить процесс разработки этих разновидностей за короткий промежуток времени, исследователи обращаются к машинному обучению и искусственному интеллекту (ИИ). Исследователи используют методы на основе машинного обучения и искусственного интеллекта, чтобы помочь быстро оценить генетические ресурсы растений с самым быстрым ростом в определенном климате и узнать, какие гены помогли этим растениям процветать в таких климатических условиях.
Исследователи также используют генетическое скрещивание (скрещивания) в сочетании с ML/AI, чтобы оценить, какие растения при скрещивании дают оптимальную комбинацию генов для данного места, выбирая черты, которые повышают урожайность и предотвращают последствия изменения климата.
Моделирование потока генов (скрещивания) показало, что оно не только увеличивает генетическую изменчивость и, таким образом, способность к адаптации, но также может непосредственно повышать адаптацию популяции, поскольку вводит новые адаптивные аллели в популяции-реципиенте. Поток генов может включать большое количество объединенных в сеть генов, которые, как было установлено, связаны с признаками, такими как те, которые связаны с эффективностью использования воды (WUE) или продуктивностью воды.
Существует ряд таких сложных сетей генов, которые включают взаимодействия генотипа с окружающей средой, а также эпистатические взаимодействия между генами, регулирующими изменчивость признаков. Взаимодействие и функционирование этих сетей генов можно было бы предсказать, если бы эти сети были поняты и надлежащим образом оценены. Модели генных сетей основаны на экспрессии гена i как уровня мРНК, во время со значением X среди Nгенов, представленных матрицей связи M. Отношение нового значения Xʹ в последующее время к исходному X задается как Xʹ = MX .
Скрещивания, которые были сделаны с устойчивым потоком генов, привели к развитию зародышевой плазмы, в основном с генотипами, хорошо работающими в стрессовых условиях с абиотическими ограничениями, такими как засуха и экстремальные температуры.
Мы использовали ML/AI, что помогло нам ускорить поиск признаков, в том числе признаков адаптации у ряда культур. Было выявлено несколько признаков, которые в настоящее время используются для разработки портфолио сортов сельскохозяйственных культур с этими адаптивными признаками, в том числе засухоустойчивыми и жароустойчивыми. Приведенная ниже книга была опубликована Taylor & Francis Group и посвящена некоторым методам, используемым в сочетании генетики и ML/AI.
