Tolkbar maskininlärning för växtförädlingsprognoser
- Diarienummer
- SM25-0047
- Projektledare
- Dicko, Cedric
- Start- och slutdatum
- 260101-271231
- Beviljat belopp
- 1 064 040 kr
- Förvaltande organisation
- Lund University
- Forskningsområde
- Bioteknik, medicinsk teknik och teknik för livsvetenskaperna
Summary
Syftet är att påskynda och förbättra förutsägelser inom växtförädling. I takt med att de globala livsmedelsbehoven ökar och de miljömässiga förhållandena blir alltmer oförutsägbara, har traditionella metoder för växtförädling svårt att hänga med. Beroendet av långsamma fenotypiska urval och den begränsade förmågan att förutsäga miljöpåverkan på genetiskt uttryck hindrar den snabba utvecklingen av hälsosamma, motståndskraftiga och högavkastande grödor. Det finns ett akut behov av innovativa metoder som kan integrera och tolka komplex flerdimensionell data för att påskynda förädlingsbeslut och förbättra förutsägbarheten för förädlingsresultat. Detta projekt tar itu med dessa utmaningar genom att utveckla en tolkningsbar datadriven förutsägande pipeline, som utnyttjar avancerad spektralanalys och maskininlärning för att snabbt och noggrant förutsäga önskvärda egenskaper hos grödor. Sådana framsteg kommer att påskynda förädlingsprocessen och förbättra precisionen med vilken vi kan manipulera och förutsäga genetisk vinst i olika miljökontexter, vilket i hög grad bidrar till hållbart jordbruk och livsmedelssäkerhet.
Populärvetenskaplig beskrivning
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.