Фото: із відкритих джерел
Селекційна програма Університету Гвелфа (Канада) отримала першу лінію сухої квасолі, у доборі батьківських форм для схрещувань допомагала платформа генеративного ШІ BeanGPT. Інструмент не редагує гени, а звужує перелік потенційних комбінацій до тих, які варто перевіряти в полі.
Про це повідомляє сайт Аграрії разом з посиланням на сайт Global Agriculture.
Селекційна програма з сухої квасолі Університету Гвелфа (Онтаріо, Канада) повідомила про отримання своєї першої нової лінії квасолі, для якої батьківські форми підбирали із застосуванням генеративної AI-платформи BeanGPT. Розробку веде Dry Bean Breeding and Computational Biology Program в Ontario Agricultural College під керівництвом Mohsen Yoosefzadeh Najafabadi.
Програма працює з кількома типами Phaseolus vulgaris (звичайної сухої квасолі) — navy, black, kidney та cranberry — для виробників Онтаріо в межах Ontario Agri-Food Innovation Alliance (партнерство уряду провінції та університету).
Як працює BeanGPT і що саме він змінює в селекції
Університет наголошує: BeanGPT не є інструментом генетичного редагування. Його позиціонують як систему підтримки рішень, яка допомагає селекціонерам швидше знаходити перспективні батьківські комбінації для схрещувань.
За описом у матеріалі, BeanGPT поєднує генеративну модель із вісьмома паралельними пошуковими інструментами, які аналізують відкриті бази даних з генетики та біології рослин. Система навчена на понад 314 тис. наукових статей (приблизно 100 млн слів), а також на внутрішніх даних програми — польових записах за два десятиліття, починаючи з 2006 року. До цих даних входять нотатки фенотипування, знімки з дронів, тести якості насіння, а також погодні й ґрунтові показники.
Селекціонер задає бажані ознаки або умови вирощування, які потрібно поліпшити (наприклад, стійкість до хвороб чи врожайність у конкретних польових умовах), після чого система шукає відповідності в сукупному масиві даних і рекомендує батьківські лінії, які з більшою ймовірністю дадуть корисне схрещування.
Від десятків тисяч комбінацій — до сотень для польової перевірки
Для нової лінії, за даними публікації, BeanGPT звузив вибір із десятків тисяч теоретично можливих схрещувань до кількох сотень кандидатів, які вже мали сенс перевіряти в полі. Далі команда діяла в межах звичайної селекційної схеми: вирощування та відбір упродовж п’яти поколінь традиційної селекції. Тобто новизна підходу — не в самому схрещуванні, а в тому, як обирали батьківські форми.
Що відомо про результати та подальші кроки
Університет не оприлюднив показники врожайності чи стійкості до хвороб для отриманої лінії. Повідомляється лише, що відбір проводили за вищою врожайністю та стійкістю до хвороб, і що перед будь-яким рішенням щодо релізу потрібні додаткові сезони випробувань.
Також зазначено, що Ontario Bean Growers уже використовує BeanGPT у власній роботі з підтримки селекції. В університеті додають: інші програми виявляли інтерес до застосування подібного підходу на інших культурах, зокрема сої, пшениці, сочевиці та інших зернових. Комерційної дати виходу нової квасолевої лінії не названо; йдеться про очікування вивести сорт на ринок «протягом кількох років» за умови подальших польових тестів в Ontario Crops Research Centre в Елорі.
Що це може означати для селекції та виробництва
Описаний підхід спрямований на прискорення саме етапу пошуку та відбору батьківських пар — того, що в традиційній селекції часто спирається на досвід селекціонера, родоводи та (дедалі частіше) молекулярні маркери, але потребує багато часу на ручний аналіз багаторічних даних і літератури. Водночас сам цикл виведення нової лінії, який включає кілька поколінь вирощування та відбору, за цією моделлю не скорочується.
Для агровиробників практична цінність таких інструментів може проявлятися тоді, коли вони допомагають селекційним програмам точніше й швидше знаходити комбінації ознак під конкретні умови регіону — але ефект залежатиме від результатів багаторічних польових випробувань і подальших рішень щодо реєстрації та комерціалізації.