Фото: із відкритих джерел
Дослідницька група Sungkyunkwan University представила DeepTYLCV — інтерпретовану ШІ-модель, що прогнозує вірулентність Tomato Yellow Leaf Curl Virus (TYLCV) за даними геному. Під час «сліпого» тесту на 15 ізолятах прогноз моделі повністю збігся з результатами лабораторних і тепличних перевірок.
Про це повідомляє сайт Аграрії разом з посиланням на Hortidaily.
Команда CBBL під керівництвом професора Балашандрана Манавалана (Department of Integrative Biotechnology, Sungkyunkwan University, Південна Корея) розробила DeepTYLCV — модель штучного інтелекту для прогнозування вірулентності Tomato Yellow Leaf Curl Virus (TYLCV). Дослідження опубліковане в журналі Plant Communications.
TYLCV називають одним із найруйнівніших вірусних патогенів у виробництві томата у світі: за важких штамів спостерігають скручування листя, пожовтіння, пригнічення росту та значні втрати врожаю. У матеріалі також зазначено, що останніми роками високовірулентні варіанти продовжують поширюватися між регіонами й у окремих випадках здатні долати генетичну стійкість у сортів томата. Це підсилює потребу в ранньому та масштабованому нагляді за вірусом на основі послідовностей.
На відміну від польової діагностики або image-based AI-підходів, які залежать від видимих симптомів і можуть змінюватися під впливом умов довкілля, DeepTYLCV використовує інформацію з вірусного геному. Такий підхід, за описом розробників, дає змогу відрізняти м’які та важкі штами до підтвердження за симптомами й може бути придатним для моніторингу нових варіантів.
Технічні характеристики та параметри
- Вхідні дані: послідовності, отримані з вірусного геному (sequence-based підхід).
- Ключові компоненти: embeddings із protein language model.
- Архітектура: гібридна схема з Transformer encoder та багатомасштабною згортковою нейромережею (multi-scale CNN) для захоплення як глобальних патернів послідовності, так і локальних мотивів, пов’язаних із вірулентністю.
- Ознаки: поєднання глибинних представлень послідовностей з оптимізованими «класичними» дескрипторами ознак (conventional feature descriptors).
- Порівняння з попереднім інструментом: у матеріалі зазначено, що DeepTYLCV показав кращу прогностичну якість порівняно з IML-TYLCV (інструмент 2023 року), який переважно навчали на корейських ізолятах і тому він мав обмеження щодо глобально різноманітних штамів.
Як перевіряли модель
Окремо підкреслено експериментальну валідацію. Дослідники виконали «сліпі» прогнози для 15 ізолятів TYLCV (міжнародні референсні ізоляти та польові ізоляти з Кореї). Далі прогнози перевірили через інфекційні тести на рослинах томата, оцінювання тяжкості симптомів і аналіз накопичення вірусу. За наведеними даними, DeepTYLCV продемонстрував 100% збіг між передбаченими та експериментально підтвердженими класами вірулентності.
Що це може дати виробництву
У публікації DeepTYLCV описують як інструмент для раннього вірусного нагляду, підтримки програм селекції на стійкість і швидкої оцінки нових штамів TYLCV. Практичний сенс такого підходу — можливість працювати з геномними даними вірусу без прив’язки до прояву симптомів, що важливо для оперативного виявлення потенційно небезпечних варіантів.