Исследователи разработали нейросеть MAGEP, которая с высокой точностью предсказывает урожайность и другие характеристики растений в разных регионах, используя лишь небольшой объём местных данных. Технология может заметно ускорить селекцию сортов, устойчивых к изменениям климата.
Новая модель решает одну из ключевых проблем современной агронауки. Существующие методы геномной селекции, которые прогнозируют свойства растения по его генетическим маркерам, теряют точность при переносе в новые регионы. Различия в климате, почве и других условиях среды делают прогнозы ненадёжными, что замедляет выведение новых сортов.
В основе MAGEP лежат два подхода: метаобучение и состязательная адаптация доменов. Первый позволяет модели быстро адаптироваться к условиям новой местности, опираясь на минимальное количество образцов. Второй – «сглаживает» различия между исходными данными из одного региона и целевыми данными из другого, заставляя нейросеть находить универсальные, не зависящие от геолокации закономерности.
Модель обучали на большом массиве данных по кукурузе из проекта Genomes to Fields (G2F). Информация включала генетические сведения и подробные метеорологические замеры с десяти полей в Северной Америке, в том числе в штатах Айова, Арканзас, Джорджия и Техас. Алгоритм анализировал, как уникальное сочетание генов и погодных условий влияет на высоту растений и урожайность.
В ходе экспериментов нейросеть MAGEP показала значительно более точные результаты, чем применяемые сейчас статистические, машинные и другие深度学习模型. Она стабильно выдавала надёжные прогнозы даже для регионов с сильно отличающимися климатическими условиями, что критически важно для селекционных программ.
Важным преимуществом модели стала её интерпретируемость. Алгоритм способен определять, какие именно гены и погодные факторы – например, количество осадков или солнечной радиации – сильнее всего влияют на урожай. Эти данные помогают селекционерам принимать более обоснованные решения.
Универсальность системы подтвердили тесты на данных по кукурузе за другой год, а также на многолетних данных по рису. В обоих случаях модель продемонстрировала высокую точность прогнозов. Разработчики полагают, что MAGEP станет эффективным инструментом для ускоренной селекции климатоустойчивых культур, что необходимо для обеспечения глобальной продовольственной безопасности.