Interpretable Machine Learning for Plant Breeding Prediction
- Reference number
- SM25-0047
- Project leader
- Dicko, Cedric
- Start and end dates
- 260101-271231
- Amount granted
- 1 064 040 SEK
- Administrative organization
- Lund University
- Research area
- Life Science Technology
Summary
The purpose is to speed up and improve plant breeding prediction. In the face of escalating global food demands and increasingly unpredictable environmental conditions, traditional plant breeding methods struggle to keep pace. The reliance on slow phenotypic selections and the limited ability to predict environmental impacts on genetic expression hinder the rapid development of health-promoting, resilient, and high-yielding crop varieties. There is a critical need for innovative approaches that can integrate and interpret complex multi-dimensional data to accelerate breeding decisions and enhance the predictability of breeding outcomes. This project addresses these challenges by developing an interpretable, data-driven predictive pipeline that leverages advanced spectral data analysis and machine learning to rapidly and accurately predict desirable crop traits. Such advancements will speed up the breeding process and improve the precision with which we can manipulate and forecast genetic gain in diverse environmental contexts, significantly contributing to sustainable agriculture and food security.
Popular science description
I dagens värld, med växande befolkningar och de ökande effekterna av klimatförändringar, behöver vi hitta snabbare och mer effektiva sätt att utveckla grödor som kan frodas i oförutsägbara miljöer. Traditionella metoder för växtförädling, som bygger på att välja växter baserat på synliga egenskaper och vänta i åratal på resultat, kan inte längre hänga med i det akuta behovet av motståndskraftiga, näringsrika och högavkastande grödor. Detta projekt syftar till att möta dessa utmaningar genom att påskynda processen för att förutsäga vilka växtegenskaper som kommer att leda till hälsosammare och mer robusta grödor. Genom att kombinera avancerad dataanalys och maskininlärning skapar projektet en ny metod för växtförädling som går bortom traditionella tillvägagångssätt. Istället för att enbart förlita sig på det vi kan se, använder denna nya teknik komplex data, som spektralanalys, för att snabbt och exakt identifiera önskvärda egenskaper hos växter. Genom att kunna förutsäga hur växter kommer att prestera i olika miljöer och förhållanden, hjälper denna innovation växtförädlare att fatta snabbare beslut med större noggrannhet. Det övergripande målet är att skapa grödor som bättre kan anpassa sig till förändrade klimat, motstå sjukdomar och ge högre skördar – samtidigt som hållbart jordbruk främjas och global livsmedelssäkerhet stärks. Detta projekts innovativa tillvägagångssätt kan revolutionera växtförädling, kraftigt förkorta tiden det tar att utveckla nya växtsorter och säkerställa att framtida generationer har tillgång till säker, näringsrik och riklig mat.