Als Xiaoxi Meng und Zhikai Liang vor einigen Jahren die Idee zum ersten Mal vorschlugen, war James Schnable skeptisch. Gelinde gesagt.
"'Nun, Sie können es versuchen, aber ich glaube nicht, dass es funktionieren wird'", erinnerte sich der außerordentliche Professor für Agronomie und Gartenbau an Meng und Liang, damals Postdoktoranden in Schnables Labor an der Universität von Nebraska - Lincoln.
Er hatte Unrecht und war im Nachhinein nie glücklicher. Doch zu der Zeit hatte Schnable guten Grund, eine Augenbraue hochzuziehen. Die Idee des Duos, dass die DNA-Sequenzen kälteempfindlicher Pflanzen, die sich einem harten Frost ergeben, dazu beitragen könnten, vorherzusagen, wie wildere, härtere Pflanzen Gefrierbedingungen tolerieren, schien kühn. Gelinde gesagt. Trotzdem war es ein Vorschlag mit geringem Risiko und hoher Belohnung. Denn wenn Meng und Liang es zum Laufen bringen könnten, könnten die Bemühungen, kälteempfindliche Pflanzen ein wenig oder sogar viel mehr wie ihre kältebeständigen Gegenstücke zu machen, beschleunigt werden.
Einige der wichtigsten Pflanzen der Welt wurden in tropischen Regionen domestiziert - Mais in Südmexiko, Sorghum in Ostafrika -, die keinen selektiven Druck auf sie ausübten, um Abwehrkräfte gegen Kälte oder Gefrieren zu entwickeln. Wenn diese Pflanzen in raueren Klimazonen angebaut werden, begrenzt ihre Kälteempfindlichkeit, wie früh sie gepflanzt werden können und wie spät sie geerntet werden können. Kürzere Vegetationsperioden bedeuten weniger Zeit für die Photosynthese, was zu geringeren Erträgen und weniger Nahrungsmitteln für eine Weltbevölkerung führt, die bis 10 voraussichtlich 2050 Milliarden Menschen erreichen wird.
Kaltes Klima
Pflanzenarten, die bereits in kälteren Klimazonen wachsen, haben inzwischen Tricks entwickelt, um die Kälte zu ertragen. Sie können ihre Zellmembranen neu konfigurieren, um die Liquidität bei niedrigeren Temperaturen aufrechtzuerhalten und ein Einfrieren und Brechen der Membranen zu verhindern. Sie können den Flüssigkeiten in und um diese Membranen Zuckerstriche hinzufügen und so ihren Gefrierpunkt auf die gleiche Weise senken wie Salz auf einem Bürgersteig. Sie können sogar Proteine produzieren, die winzige Eiskristalle ersticken, bevor diese Kristalle zu zellzerstörenden Massen heranwachsen.
Alle diese Abwehrkräfte entstehen auf genetischer Ebene, jedoch nicht nur in den DNA-Sequenzen. Wenn Pflanzen zu frieren beginnen, können sie darauf reagieren, indem sie bestimmte Gene im Wesentlichen aus- oder einschalten - und so verhindern oder zulassen, dass ihre genetischen Bedienungsanleitungen transkribiert und ausgeführt werden. Wenn die Forscher wissen, welche Gene kältetolerante Pflanzen bei Minusgraden aus- und wieder einschalten, können sie die Grundlagen ihrer Befestigungen besser erfassen und letztendlich ähnliche Abwehrmechanismen für kälteempfindliche Pflanzen entwickeln.
Aber Schnable wusste auch, wie Meng und Liang, dass selbst ein identisches Gen bei Pflanzenarten, auch bei eng verwandten, oft unterschiedlich auf Kälte reagiert. Was frustrierend bedeutet, dass das Verständnis, wie ein Gen bei einer Art auf Kälte reagiert, Pflanzenwissenschaftlern fast nichts aussagekräftiges über das Verhalten des Gens bei einer anderen Art sagt. Diese Unvorhersehbarkeit hat wiederum die Bemühungen behindert, die Regeln zu lernen, die vorschreiben, was Gene deaktivieren oder aktivieren wird.
"Wir sind immer noch sehr, sehr schlecht darin zu verstehen, warum Gene ein- und ausgeschaltet werden", sagte Schnable.
Maispflanzen
Da es kein Regelwerk gab, wandten sich die Forscher dem maschinellen Lernen zu, einer Form der künstlichen Intelligenz, die im Wesentlichen ihre eigene schreiben kann. Sie entwickelten speziell ein überwachtes Klassifizierungsmodell - die Art, die, wenn sie mit genügend beschrifteten Bildern von beispielsweise Katzen und Nichtkatzen präsentiert werden, schließlich lernen kann, erstere von letzteren zu unterscheiden. Das Team präsentierte zunächst ein eigenes Modell mit einem enormen Haufen sequenzierter Gene aus Mais sowie den durchschnittlichen Aktivitätsniveaus dieser Gene, wenn die Pflanze Gefriertemperaturen ausgesetzt war. Das Modell wurde auch mit "jedem Merkmal, das wir uns vorstellen können" für jedes Maisgen gefüttert, sagte Schnable, einschließlich seiner Länge, seiner Stabilität und etwaiger Unterschiede zwischen ihm und anderen Versionen davon, die in anderen Maispflanzen gefunden wurden.
Später testeten die Forscher ihr Modell, indem sie nur eine Information in einer Untergruppe dieser Gene verbargen: ob sie auf den Beginn der Gefriertemperaturen reagierten oder nicht. Durch die Analyse der Merkmale von Genen, von denen festgestellt wurde, dass sie entweder ansprechen oder nicht ansprechen, erkannte das Modell, welche Kombinationen dieser Merkmale für jedes relevant waren - und ordnete dann die Mehrheit der verbleibenden Mystery-Box-Gene erfolgreich in ihre richtigen Kategorien ein.
Es war zweifellos ein vielversprechender Start. Der eigentliche Test blieb jedoch bestehen: Könnte das Modell die Ausbildung, die es bei einer Art erhalten hatte, auf eine andere anwenden?
Die Antwort war ein definitives Ja. Nach dem Training mit DNA-Daten von nur einer von sechs Arten - Mais, Sorghum, Perlhirse, Prosohirse, Fuchsschwanzhirse oder Switchgrass - konnte das Modell im Allgemeinen vorhersagen, welche Gene in einem der anderen fünf Arten auf das Einfrieren reagieren würden. Zu Schnables Überraschung hielt das Modell auch dann stand, wenn es an einer kälteempfindlichen Art - Mais, Sorghum, Perle oder Proso-Hirse - trainiert wurde, aber die Aufgabe hatte, Genantworten in der kältetoleranten Fuchsschwanzhirse oder im Switchgrass vorherzusagen.
Modell
"Die Modelle, die wir trainiert haben, funktionierten fast so gut zwischen den Arten, als ob Sie tatsächlich Daten zu einer Art hätten und die internen Daten verwendeten, um die Vorhersagen für dieselbe Art zu treffen", sagte er, ein Hauch von Staunen blieb Monate später in seiner Stimme. "Das hätte ich wirklich nicht vorhergesagt."
"Die Idee, dass wir all diese Informationen einfach in einen Computer einspeisen können und zumindest einige Regeln herausfinden können, um Vorhersagen zu treffen, die funktionieren, ist für mich immer noch erstaunlich."
Diese Vorhersagen könnten sich als besonders nützlich erweisen, wenn die Alternative in Betracht gezogen wird. Seit ungefähr einem Jahrzehnt können Pflanzenbiologen tatsächlich die Anzahl der RNA-Moleküle messen, die für die Transkription und den Transport von DNA-Anweisungen verantwortlich sind und von jedem Gen in einer lebenden Pflanze produziert werden. Der Vergleich, wie diese Genexpression in lebenden Exemplaren und über mehrere Arten hinweg auf Kälte reagiert, sei jedoch ein mühsames Unterfangen, sagte Schnable. Dies gilt insbesondere für Wildpflanzen, deren Samen möglicherweise nur schwer zu erwerben sind. Diese Samen keimen möglicherweise nicht, wenn überhaupt, und es kann Jahre dauern, bis sie wachsen. Selbst wenn dies der Fall ist, muss jede resultierende Pflanze in einer identischen, kontrollierten Umgebung kultiviert und im gleichen Entwicklungsstadium untersucht werden.
Weitere Arten
All dies stellt eine massive Herausforderung dar, genug wilde Exemplare aus genügend wilden Arten zu züchten, um die Reaktionen ihrer Gene auf Kälte zu replizieren und statistisch auszuwerten.
"Wenn wir wirklich herausfinden wollen, welche Gene wichtig sind - das spielt tatsächlich eine Rolle bei der Anpassung der Pflanze an Kälte -, müssen wir mehr als zwei Arten untersuchen", sagte Schnable. "Wir wollen eine Gruppe von Arten betrachten, die kältetolerant sind, und eine Gruppe, die empfindlich ist, und die Muster betrachten:" Das gleiche Gen reagiert immer in der einen und immer nicht in der anderen. "
„Das wird zu einem wirklich großen und teuren Experiment. Es wäre wirklich schön, wenn wir nur Vorhersagen aus den DNA-Sequenzen dieser Spezies machen könnten, anstatt beispielsweise 20 Spezies zu nehmen und zu versuchen, alle im gleichen Stadium zu bekommen, sie alle genau den gleichen Stressbehandlungen zu unterziehen und Messen Sie die Menge an RNA, die für jedes Gen in jeder Spezies produziert wird. “
Zum Glück für das Modell haben Forscher bereits die Genome von mehr als 300 Pflanzenarten sequenziert. Eine anhaltende internationale Anstrengung könnte diese Zahl in den nächsten Jahren auf 10,000 erhöhen.
Obwohl das Modell seine bescheidenen Erwartungen bereits weit übertroffen hat, sagte Schnable, dass der nächste Schritt dennoch darin bestehen wird, "uns selbst und andere Menschen davon zu überzeugen", dass es so gut funktioniert wie bisher. In jedem bisherigen Testfall haben die Forscher das Modell gebeten, ihnen zu sagen, was sie bereits wussten. Der ultimative Test, sagte er, werde kommen, wenn sowohl der Mensch als auch die Maschine von vorne anfangen.
"Das nächste große Experiment, das wir meiner Meinung nach durchführen müssen, besteht darin, Vorhersagen für eine Art zu treffen, für die wir überhaupt keine Daten haben", sagte er. "Um die Leute davon zu überzeugen, dass es wirklich funktioniert, wenn selbst wir die Antworten nicht kennen."
Das Team berichtete über seine Ergebnisse in der Zeitschrift Proceedings der National Academy of Sciences. Meng, Liang und Schnable verfassten die Studie mit Rebecca Roston aus Nebraska, Yang Zhang, Samira Mahboub und dem Studenten Daniel Ngu zusammen mit Xiuru Dai, einem Gastwissenschaftler der Shandong Agricultural University.
Für weitere Informationen:
Universität von Nebraska Lincoln
www.unl.edu