Los investigadores interesados en mejorar un rasgo dado en las plantas ahora pueden identificar los genes que regulan la expresión del rasgo sin realizar experimentos. Kranthi Varala, de la Universidad de Purdue, y 10 coautores, publicaron los detalles de la nueva herramienta de descubrimiento de genes reguladores basada en la web en el número del 23 de abril de Proceedings of the National Academy of Sciences. Varala tiene una patente pendiente sobre los resultados que se relaciona con la biosíntesis de aceite de semilla económicamente importante.
El equipo de Purdue-USDA buscó construir un recurso que, a partir de grandes cantidades de datos públicamente disponibles, aprendiera a identificar rápidamente qué genes especiales llamados factores de transcripción regulan la expresión de un rasgo dado en varias especies de plantas.
"Cada estudio se enfoca en un puñado de ellos", dijo Varala, profesor asistente de horticultura y arquitectura del paisaje. "Nuestra premisa fue que si podemos poner todo en un solo análisis, entonces podemos usar estos datos para construir algo global".
Arabidopsis sirvió como la planta modelo del estudio de PNAS, "pero este enfoque no tiene nada específico para Arabidopsis", dijo Varala. "El enfoque es lo suficientemente general como para que puedas comenzar con un conjunto de datos de maíz. Podrías hacerlo con arroz, con tomate, cualquier cultivo en el que estés trabajando siempre y cuando tengas miles de medidas de expresión génica que la gente haya hecho. Y ahora hay más de una docena de especies donde tenemos decenas de miles de estudios de expresión génica".
Para demostrar que el sistema funciona, el equipo se centró en una vía genética que regula cómo las plantas producen y almacenan aceite en sus semillas. El equipo eligió ese rasgo debido a su importancia en la producción de alimentos y biocombustibles, y porque se conocen más de 300 de los genes involucrados.
Manipulando genéticamente los factores de transcripción de una planta, los investigadores pueden aumentar o disminuir la cantidad de aceite producido en sus semillas.
Como otros investigadores, Varala ha llevado a cabo muchos proyectos a lo largo de los años donde su objetivo era identificar los genes y reguladores involucrados en resolver un problema. Esto significaba realizar experimentos cuidadosos y que consumen tiempo. Pero los datos generados no proporcionaban todas las respuestas que buscaba. Lo comparó con trabajar en una ecuación sabiendo solo tres de los 10 factores involucrados.
"No puedes resolver la ecuación", dijo. Del mismo modo, Varala a menudo quería hacer más preguntas de las que los datos podían responder. Eso lo motivó a construir un marco que utiliza todos los datos posibles para hacer esas preguntas sin tener que realizar todos los experimentos relevantes para obtener una lista de candidatos que luego necesitan validación genética.
"Estoy tratando de acortar la fase inicial de recopilación de datos", dijo Varala, para que los científicos puedan concentrarse en realizar las validaciones genéticas. Pero para hacerlo, su equipo tuvo que comenzar con un conjunto de datos basado en 18,000 estudios individuales.
Varala y su equipo analizaron este enorme conjunto de datos utilizando las supercomputadoras Bell y Brown, ahora retiradas, en el Rosen Center for Advanced Computing de Purdue. El equipo construyó un marco de aprendizaje automático para acelerar el proceso para otros.
Sería imposible para una persona hacer esto manualmente. Un equipo podría hacerlo, pero eso introduciría sesgos en cómo los miembros del grupo procesan los datos. El clasificador de aprendizaje automático opera sin sesgo.
La novedad del enfoque es que en lugar de extraer datos relacionados con todos los órganos, se centra en conjuntos de datos específicos de órganos. Redes de genes independientes regulan estos órganos: hojas, raíces, brotes, flores y semillas.
"En lugar de usar todos los órganos, dijimos, dentro de los experimentos de semillas que la gente ha hecho a lo largo de los años, ¿podemos usar todos los datos para aprender algo que está sucediendo en la semilla y no necesariamente en la raíz o la hoja o la flor? Eso mejoró mucho nuestro enfoque", dijo Varala.
El equipo utilizó un método computacional llamado enfoque de inferencia para predecir qué factores de transcripción iban a regular el proceso de biosíntesis de aceite de semillas en Arabidopsis.
"Los que conocemos nos ayudan a validar que nuestro enfoque está funcionando correctamente. Los que no conocemos son buenos candidatos para descubrir nueva biología", dijo Varala. "Este enfoque puramente computacional no sabe nada sobre semillas o aceite o algo así. Le dimos una lista de genes y pudo redescubrir los conocidos sin conocer ningún contexto biológico".
ARTÍCULO COMPLETO….. https://www.feedstuffs.com/agribusiness-news/purdue-usda-team-develops-fast-track-process-for-genetic-improvement-of-plant-traits
