O aprendizado de ma¡quina pode identificar "genes importantes" que ajudam as safras a crescer com menos fertilizantes, de acordo com um novo estudo publicado na Nature Communications . Ele também pode prever caracteri­sticas adicionais em plantas e resultados de doenças em animais, ilustrando suas aplicações além da agricultura .

Usar dados gena´micos para prever resultados na agricultura e na medicina éuma promessa e um desafio para a biologia de sistemas . Os pesquisadores tem trabalhado para determinar a melhor forma de usar a vasta quantidade de dados gena´micos disponí­veis para prever como os organismos respondem a smudanças na nutrição, toxinas e exposição a patógenos - o que, por sua vez, informaria o melhoramento das safras, prognóstico de doena§as, epidemiologia e saúde pública. No entanto, prever com precisão esses resultados complexos na agricultura e na medicina a partir de informações em escala de genoma permanece um desafio significativo.

No estudo da Nature Communications , pesquisadores e colaboradores da NYU nos EUA e em Taiwan enfrentaram esse desafio usando aprendizado de ma¡quina, um tipo de inteligaªncia artificial usada para detectar padraµes em dados.

"Na³s mostramos que focar em genes cujos padraµes de expressão são evolutivamente conservados entre as espanãcies aumenta nossa capacidade de aprender e prever 'genes importantes' para o desempenho de crescimento de culturas ba¡sicas, bem como resultados de doenças em animais", explicou Gloria Coruzzi, Carroll & Milton Petrie Professor no Departamento de Biologia e Centro de Gena´mica e Biologia de Sistemas da NYU e autor saªnior do artigo.

"Nossa abordagem explora a variação natural da expressão de todo o genoma e fena³tipos relacionados dentro ou entre as espanãcies", acrescentou Chia-Yi Cheng, do Centro de Gena´mica e Biologia de Sistemas da NYU e da Universidade Nacional de Taiwan, principal autor deste estudo. "Na³s mostramos que reduzir nossa entrada gena´mica para genes cujos padraµes de expressão são conservados dentro e entre as espanãcies éuma maneira biologicamente baseada em reduzir a dimensionalidade dos dados gena´micos, o que melhora significativamente a capacidade de nossos modelos de aprendizado de ma¡quina para identificar quais genes são importantes para um traa§o."

Como prova de conceito, os pesquisadores demonstraram que os genes cuja capacidade de resposta ao nitrogaªnio são conservados evolutivamente entre duas espanãcies de plantas diversas - Arabidopsis, uma pequena planta com flores amplamente usada como organismo modelo em biologia vegetal, e variedades de milho, a maior cultura da Amanãrica - melhorou significativamente a capacidade dos modelos de aprendizado de ma¡quina de prever genes importantes para a eficiência do uso do nitrogaªnio pelas plantas. O nitrogaªnio éum nutriente crucial para as plantas e o principal componente do fertilizante; as safras que usam nitrogaªnio com mais eficiência crescem melhor e requerem menos fertilizantes, o que traz benefa­cios econa´micos e ambientais.  

Os pesquisadores conduziram experimentos que validaram oito fatores principais de transcrição como genes importantes para a eficiência do uso do nitrogaªnio. Eles mostraram que a expressão gaªnica alterada em Arabidopsis ou milho pode aumentar o crescimento da planta em solos com baixo teor de nitrogaªnio, que eles testaram no laboratório da NYU e em campos de milho na Universidade de Illinois.

"Agora que podemos prever com mais precisão quais ha­bridos de milho são melhores no uso de fertilizante de nitrogaªnio no campo, podemos melhorar rapidamente essa caracterí­stica. Aumentar a eficiência do uso de nitrogaªnio no milho e em outras safras oferece três benefa­cios principais, reduzindo os custos do agricultor, reduzindo a poluição ambiental, e mitigar as emissaµes de gases de efeito estufa da agricultura ", disse o autor do estudo Stephen Moose, Alexander Professor de Crop Sciences na Universidade de Illinois em Urbana-Champaign.

Além disso, os pesquisadores provaram que essa abordagem de aprendizado de ma¡quina evolutivamente informada pode ser aplicada a outras caracteri­sticas e espanãcies, prevendo caracteri­sticas adicionais em plantas, incluindo biomassa e rendimento em Arabidopsis e milho. Eles também mostraram que essa abordagem pode prever genes importantes para a resistência a  seca em outra cultura ba¡sica, o arroz, bem como resultados de doenças em animais por meio do estudo de modelos de camundongos.

"Porque mostramos que nosso pipeline evolutivamente informado também pode ser aplicado em animais, isso destaca seu potencial para descobrir genes de importa¢ncia para quaisquer caracteri­sticas fisiola³gicas ou cla­nicas de interesse em biologia, agricultura ou medicina", disse Coruzzi.

"Muitos traa§os importantes de importa¢ncia agrona´mica ou cla­nica são geneticamente complexos e, portanto, édifa­cil definir seu controle e herana§a. Nosso sucesso prova que o big data e o pensamento emnívelde sistema podem tornar esses desafios notoriamente difa­ceis trata¡veis", disse o autor do estudo, Ying Li, docente no Departamento de Horticultura e Arquitetura Paisagista da Purdue University.