Maskinlæring kan muliggøre bioteknik af det mest udbredte enzym på planeten

En undersøgelse fra Newcastle University har for første gang vist, at maskinlæring kan forudsige de biologiske egenskaber af det mest udbredte enzym på Jorden—Rubisco.

Rubisco (Ribulose-1,5-bisphosphatcarboxylase/oxygenase) er ansvarlig for at levere kulstof til næsten alt liv på Jorden. Rubisco fungerer ved at omdanne atmosfærisk CO₂ fra Jordens atmosfære til organisk kulstof, som er afgørende for at opretholde det meste liv på Jorden.

I nogen tid nu er der observeret naturlig variation blandt Rubisco-proteiner fra landplanter, og modelundersøgelser har vist, at transplantation af Rubisco-proteiner med visse funktionelle egenskaber kan øge mængden af ​​atmosfærisk CO₂ afgrødeplanter kan optage og opbevare.

Studielederforfatter, Wasim Iqbal, en ph.d. forsker ved Newcastle University's School of Natural and Environmental Sciences, en del af Dr. Maxim Kapralovs gruppe, udviklede et maskinlæringsværktøj, som kan forudsige ydeevneegenskaberne for adskillige landplante Rubisco-proteiner med overraskende god nøjagtighed. Håbet er, at dette værktøj vil muliggøre jagten på et "superladet" Rubisco-protein, der kan biomanipuleres til store afgrøder såsom hvede.

Udgivet i Journal Of Experimental Botany , præsenterer undersøgelsen et nyttigt værktøj til screening og forudsigelse af planters Rubisco-kinetik for ingeniørbestræbelser såvel som til grundlæggende undersøgelser af Rubiscos evolution og tilpasning. Screening af den naturlige mangfoldighed af Rubisco-kinetikken er den vigtigste strategi, der bruges til at finde bedre Rubiscos til afgrødeingeniørarbejde.

Wasim siger, at deres "undersøgelse vil have enorme konsekvenser for klimamodeller og bioteknologiske afgrøder."

"Denne undersøgelse giver plantebiologer et forhåndsscreeningsværktøj til at fremhæve Rubisco-arter, der udviser bedre kinetik for afgrødeingeniørarbejde."

"Maskinlæringsværktøjet kan bruges til at forbedre nøjagtigheden af ​​globale fotosynteseestimater. Rubisco-ydelsesegenskaberne, som vores model forudsiger, er kompatible med jordsystemmodeller (ESM), som bruges af klimaforskere. I øjeblikket bruger ESM'er et enkelt sæt Rubisco-egenskaber fra samme art (eller nogle gange en håndfuld) til estimering af fotosyntese i økosystemskala. Vores maskinlæringsværktøj kunne give forudsigelser for de fleste landplanter og forbedre nøjagtigheden af ​​ESM'er."

De næste trin i dette arbejde omfatter isolering af de bedste Rubisco-proteiner identificeret ud fra forudsigelser i laboratoriet og forsøg på at biomanipulere en planteart med et fremmed Rubisco-protein. + Udforsk yderligere

En rød fremtid for forbedring af afgrødeproduktionen?