زمانی که Xiaoxi Meng و Zhikai Liang برای اولین بار این ایده را چند سال پیش مطرح کردند، جیمز اشنابل شک داشت. اغراق نکنیم.
دانشیار زراعت و باغبانی به منگ و لیانگ که آن زمان محققین فوق دکترا در آزمایشگاه شنبل در دانشگاه نبراسکا لینکلن بودند، گفت: «خب، میتوانید تلاش کنید، اما من فکر نمیکنم که کارساز باشد.»
او اشتباه می کرد و در گذشته، هرگز از بودن خوشحال نبود. با این حال، در آن زمان، اشنابل دلایل عادلانهای برای بالا انداختن ابرو داشت. ایده این دو - که توالیهای DNA محصولات حساس به سرما که در برابر یخبندان سخت تسلیم میشوند، میتواند به پیشبینی اینکه گیاهان وحشیتر و سختتر شرایط یخبندان را تحمل میکنند - جسورانه به نظر میرسید. اغراق نکنیم. با این حال، این یک پیشنهاد کم خطر و با پاداش بالا بود. زیرا اگر منگ و لیانگ بتوانند آن را به کار ببندند، ممکن است تلاشها برای ساختن محصولات حساس به سرما کمی یا حتی بسیار بیشتر شبیه همتایان مقاوم به سرما باشد.
برخی از مهم ترین محصولات جهان در مناطق گرمسیری اهلی شدند - ذرت در جنوب مکزیک، سورگوم در شرق آفریقا - که هیچ فشار انتخابی بر آنها برای ایجاد دفاع در برابر سرما یا یخ زدگی وارد نکرد. هنگامی که این محصولات در آب و هوای خشنتر رشد میکنند، حساسیت آنها به سرما، زود کاشت و دیر برداشت را محدود میکند. فصلهای رشد کوتاهتر برابر است با زمان کمتری برای فتوسنتز، در نتیجه بازده کمتر و غذای کمتری برای جمعیت جهانی که انتظار میرود تا سال 10 به 2050 میلیارد نفر برسد، میشود.
آب و هوای سرد
در همین حال، گونههای گیاهی که قبلاً در آب و هوای سردتر رشد میکنند، ترفندهایی برای تحمل سرما ایجاد کردند. آنها می توانند غشاهای سلولی خود را برای حفظ نقدینگی در دماهای پایین تر پیکربندی کنند و از یخ زدن و شکستن غشاها جلوگیری کنند. آنها می توانند قندهایی را به مایعات داخل و اطراف آن غشاها اضافه کنند و نقطه انجماد آنها را به همان روشی که نمک در پیاده رو انجام می دهد، کاهش دهند. آنها حتی می توانند پروتئین هایی تولید کنند که کریستال های ریز یخ را قبل از اینکه بلورها تبدیل به توده های سلول شکن شوند، خفه می کنند.
همه این دفاعها در سطح ژنتیکی سرچشمه میگیرند، البته نه فقط در توالیهای خود DNA. هنگامی که گیاهان شروع به یخ زدن می کنند، می توانند با خاموش یا روشن کردن ژن های خاصی واکنش نشان دهند - جلوگیری یا اجازه دادن به رونویسی و اجرای دستورالعمل های دستورالعمل ژنتیکی آنها. پس دانستن اینکه گیاهان مقاوم به سرما در مواجهه با دماهای انجماد کدام ژنها را خاموش و روشن میکنند، میتواند به محققان کمک کند تا پایههای استحکامات خود را درک کنند و در نهایت، دفاعهای مشابه را در محصولات حساس به سرما مهندسی کنند.
اما اشنابل همچنین میدانست، همانطور که منگ و لیانگ میدانستند، که حتی یک ژن یکسان اغلب به سرما در میان گونههای گیاهی، حتی گونههای نزدیک به هم، واکنش متفاوتی نشان میدهد. این بدان معناست که درک اینکه چگونه یک ژن به سرما در یک گونه واکنش نشان می دهد، تقریباً هیچ چیز قطعی در مورد رفتار ژن در گونه دیگر به دانشمندان گیاهی نمی گوید. این غیرقابل پیش بینی بودن، به نوبه خود، مانع از تلاش برای یادگیری قوانینی شده است که چه چیزی ژن ها را غیرفعال یا فعال می کند.
اشنابل گفت: «ما هنوز در درک اینکه چرا ژنها خاموش و روشن میشوند، واقعاً بد هستیم.
گیاهان ذرت
محققان به دلیل نداشتن کتاب قوانین، به یادگیری ماشینی روی آوردند، نوعی از هوش مصنوعی که اساساً می تواند خود را بنویسد. آنها به طور خاص یک مدل طبقه بندی نظارت شده را توسعه دادند - نوعی که وقتی با تصاویر برچسب گذاری شده کافی از مثلاً گربه و غیر گربه ارائه می شود، در نهایت یاد می گیرد که اولی را از دومی تشخیص دهد. این تیم در ابتدا مدل خود را با انبوهی از ژنهای توالییابی شده از ذرت، همراه با میانگین سطوح فعالیت آن ژنها در زمانی که گیاه در معرض دمای انجماد قرار گرفت، ارائه کرد. شنبل گفت که این مدل همچنین «هر ویژگی که میتوانستیم به آن فکر کنیم» برای هر ژن ذرت، از جمله طول، پایداری آن و هرگونه تفاوت بین آن و سایر نسخههای آن که در سایر گیاهان ذرت یافت میشود، داده شد.
بعداً، محققان مدل خود را با پنهان کردن تنها بخشی از اطلاعات در زیرمجموعهای از آن ژنها آزمایش کردند: اینکه آیا آنها به شروع دمای انجماد پاسخ میدهند یا نه. با تجزیه و تحلیل ویژگیهای ژنهایی که گفته شده بود یا پاسخدهنده یا غیرپاسخدهنده هستند، مدل تشخیص داد که کدام ترکیبهایی از این ویژگیها به هر کدام مربوط میشوند - و سپس با موفقیت اکثر ژنهای باقی مانده را در دستههای صحیح خود قرار داد.
بدون شک شروع امیدوارکننده ای بود. اما آزمون واقعی باقی ماند: آیا مدل میتواند آموزشهایی را که در یک گونه دریافت کرده بود، بپذیرد و آن را روی گونههای دیگر اعمال کند؟
پاسخ قطعی بله بود. این مدل پس از آموزش با دادههای DNA تنها از یکی از شش گونه - ذرت، سورگوم، ارزن مروارید، ارزن پروسو، ارزن دم روباهی یا سوئیچ گراس - به طور کلی قادر به پیشبینی اینکه کدام ژن در هر یک از پنج گونه دیگر به انجماد پاسخ میدهند، بود. در کمال تعجب اشنابل، این مدل حتی زمانی که روی گونههای حساس به سرما آموزش داده شده بود - ذرت، سورگوم، مروارید یا ارزن پروزو - اما وظیفه پیشبینی پاسخهای ژنی در ارزن دم روباهی مقاوم به سرما یا علف سوئیچ علف را داشت، ادامه داشت.
مدل
او گفت: «مدلهایی که ما آموزش دادیم تقریباً به همان خوبی در بین گونهها کار میکردند که انگار واقعاً دادههایی در یک گونه دارید و از دادههای داخلی برای پیشبینی در همان گونه استفاده میکردید. من واقعاً این را پیشبینی نمیکردم.»
این ایده که ما فقط میتوانیم تمام این اطلاعات را به رایانه وارد کنیم، و میتوانیم حداقل قوانینی را برای پیشبینیهایی که کار میکنند، کشف کنیم، هنوز برای من شگفتانگیز است.»
این پیشبینیها میتوانند به ویژه هنگام در نظر گرفتن جایگزین مفید باشند. برای تقریبا یک دهه، زیست شناسان گیاهی در واقع قادر به اندازه گیری تعداد مولکول های RNA - مولکول هایی که مسئول رونویسی و انتقال دستورالعمل های DNA هستند - تولید شده توسط هر ژن در یک گیاه زنده بوده اند. اشنابل گفت، اما مقایسه چگونگی واکنش بیان ژن به سرما در نمونههای زنده و در میان گونههای مختلف، کاری پرزحمت است. این به ویژه در مورد گیاهان وحشی صدق می کند، که حتی به دست آوردن دانه های آنها ممکن است دشوار باشد. این دانه ها ممکن است در صورت انتظار جوانه نزنند، و ممکن است سال ها طول بکشد تا رشد کنند. حتی اگر این کار را انجام دهند، هر گیاه حاصل باید در یک محیط یکسان و کنترل شده کشت شود و در همان مرحله رشد مورد مطالعه قرار گیرد.
گونه های بیشتر
همه اینها چالش بزرگی برای رشد تعداد کافی نمونههای وحشی، از گونههای وحشی کافی، برای تکثیر و ارزیابی آماری پاسخهای ژنهای آنها به سرما است.
اشنابل گفت: «اگر ما واقعاً میخواهیم به چه ژنهایی اهمیت میدهیم – که در واقع در نحوه سازگاری گیاه با سرما نقش دارند – باید بیش از دو گونه را بررسی کنیم.» ما می خواهیم به گروهی از گونه های مقاوم در برابر سرما و گروهی حساس نگاه کنیم و به الگوها نگاه کنیم: "این ژن همیشه در یکی پاسخ می دهد و همیشه در دیگری پاسخ نمی دهد."
"این شروع به یک آزمایش واقعاً بزرگ و پرهزینه می کند. خیلی خوب خواهد بود اگر بتوانیم به جای اینکه مثلاً 20 گونه را برداریم و سعی کنیم همه آنها را در یک مرحله به دست آوریم، همه آنها را دقیقاً تحت درمان استرس یکسان قرار دهیم، فقط از توالی DNA آن گونه ها پیش بینی کنیم. مقدار RNA تولید شده برای هر ژن در هر گونه را اندازه گیری کنید.
خوشبختانه برای این مدل، محققان قبلا ژنوم بیش از 300 گونه گیاهی را توالی یابی کرده اند. یک تلاش بینالمللی مستمر میتواند این تعداد را در چند سال آینده به 10,000 نفر برساند.
اگرچه این مدل قبلاً از حد انتظارات متوسط او فراتر رفته است، اما شنبل گفت که گام بعدی با این وجود شامل «متقاعد کردن خود و دیگران» است که به همان خوبی که تا به حال عمل کرده است. در هر مورد آزمایشی تا به امروز، محققان از مدل خواسته اند آنچه را که قبلا می دانستند به آنها بگوید. او گفت که آزمایش نهایی زمانی فرا خواهد رسید که هم انسان و هم ماشین از صفر شروع به کار کنند.
او گفت: «آزمایش بزرگ بعدی که فکر میکنم باید انجام دهیم این است که روی گونهای پیشبینی کنیم که در آن هیچ دادهای نداریم. "برای متقاعد کردن مردم که واقعاً در مواردی کار می کند که حتی ما پاسخ ها را نمی دانیم."
این تیم یافته های خود را در مجله Proceedings of the National Academy of Sciences گزارش کرد. منگ، لیانگ و شنبل این مطالعه را با ربکا راستون، یانگ ژانگ، سمیرا محبوب و دانشجوی کارشناسی دانیل نگو، همراه با ژیورو دای، محقق مدعو از دانشگاه کشاورزی شاندونگ، نگارش کردند.
برای کسب اطلاعات بیشتر:
دانشگاه نبراسکا لینکلن
www.unl.edu