Deep learning helpt bij het vinden van nieuwe targets in soja voor gewasverbetering
Nieuwe software tools, waaronder een deep learning model, voorspellen de functionaliteit van eiwitten zelfs in niet-model organismen
Gent, 03 augustus 2023 – Genetische diversiteit is een krachtig instrument om gewassen aan te passen aan een veranderend klimaat. Maar om de beste kandidaten in het plantenveredelingsproces te selecteren, moeten we de complexe biochemische netwerken die ten grondslag liggen aan plantengroei en -ontwikkeling kennen en begrijpen. Hiervoor hebben onderzoekers van de North Carolina State University (VS), het VIB-UGent Centrum voor Planten Systeembiologie en ILVO (België) tools ontwikkeld, waaronder een deep learning model, die de functionaliteit van eiwitten voorspellen, zelfs in niet- model organismen. Dit is een aanzienlijke vooruitgang in de systeembiologie en biedt betrouwbaardere voorspellingen over welke locaties in het genoom bijdragen tot gewasverbetering. De studie verschijnt in Nature Communications.
Het is ingewikkeld
Een nieuwe zomer, een nieuwe hittegolf. Niet alleen mensen en andere dieren hebben te maken met de nadelige gevolgen van een snel veranderend klimaat, ook de gewassen waarvan we afhankelijk zijn voor voedsel. Als gevolg hiervan neemt de behoefte aan gewassen die zijn aangepast aan de klimaatverandering elk jaar toe. Veredeling en biotechnologie kunnen helpen om de weerbaarheid van planten tegen uitdagingen als hitte en droogte te verbeteren. Maar waar te beginnen? Welke genen en eiwitten bepalen deze weerbaarheid? De moleculaire basis voor principes als groei en ontwikkeling is zelden afhankelijk van slechts één eiwit, maar van complexe, onderling verbonden biochemische netwerken.
"Deze biochemische netwerken zijn uitgebreid bestudeerd in modelorganismen, maar dit is niet altijd volledig representatief voor andere niet-modelorganismen zoals soja, maïs, en rijst. De vertaling naar meer commerciële, niet-model organismen is niet altijd eenvoudig te maken. Om dat gat in onze kennis te overbruggen, doen we met computerprogramma’s voorspellingen over de functionaliteit van bepaalde eiwitten." - Prof. Rosangela Sozzani, NCSU.
Doelwit geïdentificeerd
Onderzoekers van de North Carolina State University en het United States Department of Agriculture (USDA)'s Agricultural Research Service (USA), VIB, ILVO en UGent (België) ontwikkelden een nieuwe tool om de functionaliteit van een eiwit te voorspellen door gebruik te maken van een neuraal netwerk – een vorm van deep learning. Op basis van de aminozuur sequentie van het eiwit, welke op zijn beurt is gebaseerd op een gensequentie, classificeert de webtool de eiwitten in vergelijkbare families en voorspelt het de functie ervan. De tool kan ook nieuwe eiwitten met interessante functies identificeren. Een tweede tool, NetPhorce, stelt vervolgens de biochemische netwerken samen.
"De combinatie van verschillende computationele tools leidt tot zeer betrouwbare voorspellingen. Met behulp van onze tool kunnen we nieuwe functionele eiwitten identificeren die anders door bestaande methoden worden gemist" – Dr. Lisa Van den Broeck, NCSU
Om de tools op de proef te stellen, werden de fosforyleringsroutes in soja onder koude stress bestudeerd. Fosforyleringscascades spelen een essentiële rol bij het reageren op omgevings- en cellulaire signalen. Bij het planten vroeg in het seizon, zoals sommige telers verkiezen, of bij het telen van soja in meer noordelijke klimaten, is kou een belangrijke stressfactor tijdens de groei van de plant. Er werd een mogelijk regulatiemechanisme voor warme en koude stress geïdentificeerd dat functioneert als een thermostaat. Bovendien werden twee koude-specifieke regulatoren geïdentificeerd. Dit illustreert het potentieel van de aanpak om nieuwe kandidaten voor gewasverbetering te ontdekken.
"De nieuw geannoteerde eiwitten die we vonden, werden gemist door eerdere computationele modellen. Deep learning hielp ons om deze eiwitten te classificeren. Bovendien bood het biochemische netwerk dat we hebben gegenereerd een ongekend inzicht in koude signalering in soja." – Prof. Ive De Smet, VIB-UGent
"Deep learning-modellen in combinatie met traditionele benaderingen bieden een krachtig raamwerk voor annotatie van eiwitfuncties, het signaleren van netwerkinferentie, en het begrijpen van complexe biologische processen. De implicaties voor door deep learning ondersteunde ontwikkelingen in de biotechnologie en landbouw zullen ons helpen de vele uitdagingen die klimaatverandering met zich meebrengt aan te pakken." – Dr. Anna Locke, USDA
Het werk werd ondersteund door de Foundation for Food and Agriculture Research, Benson Hill, VIB, BASF, de United Soybean Board, de North Carolina Soybean Producers Association, de National Science Foundation en het Fonds Wetenschappelijk ONderzoek – Vlaanderen.
Publicatie
Van den Broeck et al. Functional annotation of proteins for signaling network inference in non-model species. Nature Communications, 2023.
