Deep learning helpt bij gewasverbetering

Genetische diversiteit is een krachtig instrument om gewassen aan te passen aan een veranderend klimaat. Maar om de beste kandidaten in het plantenveredelingsproces te selecteren, moeten de complexe biochemische netwerken gekend en begrepen zijn.

Trefwoorden: #deep learning, #eiwit, #gewas, #soja, #VIB

Lees verder

research

( Foto: VIB )

ENGINEERINGNET.BE - Niet alleen mensen en andere dieren hebben te maken met de nadelige gevolgen van een snel veranderend klimaat, ook de gewassen waarvan we afhankelijk zijn voor voedsel. Als gevolg hiervan neemt de behoefte aan gewassen die zijn aangepast aan de klimaatverandering elk jaar toe.

Veredeling en biotechnologie kunnen helpen om de weerbaarheid van planten tegen uitdagingen als hitte en droogte te verbeteren. Maar de moleculaire basis voor principes als groei en ontwikkeling is zelden afhankelijk van slechts één eiwit, maar van complexe, onderling verbonden biochemische netwerken.

Prof. Rosangela Sozzani, NCSU: "Deze biochemische netwerken zijn uitgebreid bestudeerd in modelorganismen, maar dit is niet altijd volledig representatief voor andere niet-modelorganismen zoals soja, maïs, en rijst. De vertaling naar meer commerciële, niet-model organismen is niet altijd eenvoudig te maken. Om dat gat in onze kennis te overbruggen, doen we met computerprogramma’s voorspellingen over de functionaliteit van bepaalde eiwitten."

Onderzoekers van de North Carolina State University en het United States Department of Agriculture (USDA)'s Agricultural Research Service (USA), VIB, ILVO en UGent ontwikkelden een nieuwe tool om de functionaliteit van een eiwit te voorspellen door gebruik te maken van een neuraal netwerk (een vorm van deep learning).

Op basis van de aminozuur sequentie van het eiwit, dat op zijn beurt gebaseerd is op een gensequentie, classificeert de webtool de eiwitten in vergelijkbare families en voorspelt het de functie ervan.

De tool kan ook nieuwe eiwitten met interessante functies identificeren. Een tweede tool, NetPhorce, stelt vervolgens de biochemische netwerken samen.

Om de tools op de proef te stellen, werden de fosforyleringsroutes in soja onder koude stress bestudeerd. Fosforyleringscascades spelen een essentiële rol bij het reageren op omgevings- en cellulaire signalen.

Bij het planten vroeg in het seizon, zoals sommige telers verkiezen, of bij het telen van soja in meer noordelijke klimaten, is kou een belangrijke stressfactor tijdens de groei van de plant.

Er werd een mogelijk regulatiemechanisme voor warme en koude stress geïdentificeerd dat functioneert als een thermostaat. Bovendien werden twee koude-specifieke regulatoren geïdentificeerd. Dit illustreert het potentieel van de aanpak om nieuwe kandidaten voor gewasverbetering te ontdekken.

Prof. Ive De Smet, VIB-UGent: "De nieuw geannoteerde eiwitten die we vonden, werden gemist door eerdere computationele modellen. Deep learning hielp ons om deze eiwitten te classificeren. Bovendien bood het biochemische netwerk dat we hebben gegenereerd een ongekend inzicht in koude signalering in soja."

Dr. Anna Locke, USDA: "Deep learning-modellen in combinatie met traditionele benaderingen bieden een krachtig raamwerk voor annotatie van eiwitfuncties, het signaleren van netwerkinferentie, en het begrijpen van complexe biologische processen."