IA e grandes volumes de dados: previsões melhoradas para um trigo "personalizado
Modelo de IA aumenta o rendimento do trigo em quase quatro decitoneladas por hectare
Anúncios
As alterações climáticas, com a mudança das condições de crescimento, também colocam novos desafios à criação de animais. Um aspeto importante é ter em conta as condições ambientais locais. Uma equipa internacional liderada pelo IPK Leibniz Institute utilizou a IA e os grandes volumes de dados para desenvolver um novo método para determinar as variedades de trigo de inverno que se adaptam de forma óptima a locais específicos. Os resultados do estudo foram recentemente publicados na revista científica "Genome Biology".
A interação entre o genótipo e as condições ambientais é particularmente importante para o desempenho e o rendimento de uma planta. Por exemplo, uma variedade de trigo pode atingir um rendimento elevado num determinado local. No entanto, pode ter um desempenho pior noutro local com condições diferentes. O ambiente afecta o desempenho do genótipo. Dada a crescente diversificação dos ambientes de cultivo, em tempos de alterações climáticas torna-se crucial fornecer variedades que sejam adaptadas às condições locais. Por conseguinte, a equipa de investigação do IPK centrou-se na investigação das interações entre o genótipo e o ambiente e na previsão de rendimentos para locais individuais com a maior precisão possível.
Os cientistas começaram por analisar grandes quantidades de dados sobre o trigo de inverno. Para o efeito, foram recolhidos dados de rendimento de mais de 13 200 genótipos (linhas e híbridos) que foram cultivados e testados em 31 locais diferentes na Europa Central entre 2010 e 2022. Estes dados fenotípicos foram combinados com dados genómicos (cerca de 10 000 marcadores genéticos) e informações ambientais (como temperaturas diárias e precipitação). A partir daí, os investigadores desenvolveram e compararam vários modelos de previsão, incluindo modelos estatísticos tradicionais, bem como métodos de inteligência artificial, como a aprendizagem profunda. A equipa de investigação do IPK utilizou o melhor modelo para prever o desempenho de um grupo de referência de linhas de trigo em todos os 117 ambientes testados e para identificar variedades adaptadas ao ambiente.
"O nosso estudo mostra que as interações entre genes e condições ambientais são a chave para previsões de rendimento significativamente melhores", explica Abhishek Gogna, o primeiro autor do estudo. A previsão do desempenho específico do ambiente dos novos híbridos poderia ser melhorada até 23% se fosse incluída a interação entre o genótipo e o ambiente. Isto é comparável à compra de um fato novo. Em vez de um modelo normalizado que se ajusta em média (previsão tradicional), obtém-se um modelo personalizado que é precisamente adaptado à forma pessoal do corpo (previsão adaptada ao ambiente).
Ao selecionar especificamente os melhores dez por cento dos genótipos adaptados ao ambiente, o rendimento aumentou em quase quatro decitoneladas por hectare, em comparação com a seleção baseada no desempenho médio. "Este rendimento adicional corresponde ao sucesso de até doze anos de progresso de melhoramento convencional na Alemanha", diz o Prof. Dr. Jochen Reif, chefe do departamento de "Investigação de Melhoramento" no IPK. Dr. Jochen Reif, chefe do departamento "Breeding Research" do IPK. "Isto mostra que existe um enorme potencial de rendimento, anteriormente escondido nos programas de melhoramento, que pode ser explorado." A grande relevância dos resultados para o melhoramento prático de plantas também é enfatizada pela participação da KWS SAAT SE & Co KGaA no estudo.
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Alemão pode ser encontrado aqui.
Publicação original
Outras notícias do departamento ciência
