Estudo brasileiro publicado na revista Scientific Reports demonstra que, usando algumas
técnicas de inteligência artificial, é possível criar modelos eficientes de
seleção genômica de cana-de-açúcar e de forrageiras, capazes de predizer, a
partir do DNA, a performance em campo dessas gramíneas.
Em termos de acurácia, na comparação com as técnicas tradicionais de
melhoramento, a metodologia desenvolvida com apoio da
FAPESP apresenta um ganho de 50% na capacidade preditiva. É a primeira vez que
o método baseado em aprendizado de máquina foi proposto para plantas
poliploides (nas quais as células possuem mais de dois pares de cromossomos),
como é o caso das gramíneas estudadas, viabilizando sua seleção genômica com
alta eficiência.
Aprendizado
de máquina é uma subárea da ciência da computação que envolve métodos de
estatística e otimização. Com inúmeras aplicações, seu objetivo é criar
algoritmos que consigam extrair de maneira automática padrões de um conjunto de
dados. Pode ser útil para predizer a performance de uma planta – por exemplo,
se ela é resistente ou tolerante a algum tipo de estresse biótico (pragas e
doenças causadas por insetos, nematoides, fungos ou bactérias) ou abiótico
(frio, déficit hídrico, alta salinidade ou deficiência nutricional do solo).
Já o que tradicionalmente se faz nos programas de melhoramento são
cruzamentos. “Você estabelece populações por meio de cruzamentos de plantas que
sejam interessantes. No caso da cana, uma que produza muito açúcar com outra
que seja mais resistente, por exemplo. Você cruza e avalia a performance dos
genótipos oriundos desses cruzamentos em campo”, explica Alexandre Hild Aono,
cientista da computação formado pela Universidade Federal de São Paulo
(Unifesp) e autor principal do artigo.
“Mas esse
processo de avaliação leva muito tempo e é caro. Já pelo método que a gente
propôs, é possível predizer qual será a performance dessas plantas antes mesmo
de elas crescerem. Conseguimos por meio do material genético ter uma estimativa
de como será o rendimento. Isso é bastante interessante, pois poupa muitos anos
de avaliação.”
No caso da cana-de-açúcar, o desafio é extremamente complexo. O
melhoramento tradicional leva entre nove e 12 anos e custa muito caro,
explica Anete Pereira de Souza,
professora titular do Departamento de Biologia Vegetal do Instituto de Biologia
da Universidade Estadual de Campinas (Unicamp) que orientou Aono em seu
doutorado, realizado no Centro de Biologia Molecular e Engenharia Genética
(CBMEG).
“A partir
do momento em que o melhorista identifica uma planta interessante, multiplica
por clones para que aquele genótipo não seja perdido. Mas isso demora e custa
muito. Um exemplo extremo é o melhoramento de seringueira, que leva até 30
anos”, diz Souza. Para superar tais dificuldades, conta a cientista, é possível
recorrer ao “melhoramento de plantas 4.0”, que é altamente dependente da
análise de dados e ferramentas computacionais e estatísticas de alta
eficiência. Cada genotipagem por sequenciamento pode envolver 1 bilhão de
sequências.
O grande
desafio que os cientistas enfrentam com as plantas poliploides, caso da
cana-de-açúcar e das gramíneas forrageiras, é sua complexidade genômica. “Neste
caso, nem se sabia se a seleção genômica seria possível, em virtude da escassez
de recursos e da dificuldade de se trabalhar com essa complexidade”, explica
Aono.
Alta
complexidade
Os
pesquisadores contam que a seleção genômica começou com plantas diploides
[células com dois conjuntos de cromossomos], que têm uma genética mais simples.
“Só que as nossas plantas tropicais, de grande valor, não são diploides, são
poliploides, e aí é complicado", explica Souza.
Enquanto
os seres humanos e quase a totalidade dos animais são diploides, a
cana-de-açúcar pode ter até 12 cópias de cada cromossomo. Isso significa que
cada indivíduo na espécie humana pode possuir até duas formas variantes de cada
gene, uma herdada do pai e outra da mãe. Já na cana essa complexidade é bem
maior, uma vez que um dado gene pode teoricamente possuir muitas variantes no
mesmo indivíduo. Dentro do genoma da cana-de-açúcar, há regiões que possuem
seis conjuntos cromossômicos e outras com oito, dez, ou até mesmo 12 conjuntos.
"A genética fica tão complicada que o melhorista trabalha com a cana como
se ela fosse diploide."
Em 2001, Theo Meuwissen, cientista da Norwegian University of Life
Sciences, fez a associação do genoma com o fenótipo (as características
visíveis) e foi aí que surgiu o que se chama hoje de seleção genômica. Isso
representou uma vantagem imensa para o melhoramento de plantas, pois passou a
associar as características fenotípicas que interessavam – seja volume de
produção, quantidade de açúcar ou precocidade da planta – às bases do genoma
chamadas SNPs (sigla para single nucleotide polymorphism ou
polimorfismo de nucleotídeo simples), explica Souza.
“É a
diferença no genoma entre um indivíduo e outro: por exemplo, aquele que tem um
A [que corresponde ao nucleotídeo adenina] produz um pouquinho mais do que
aquele que tem um G [nucleotídeo guanina] naquele mesmo local do genoma. Isso
mudou tudo. A partir do momento em que você encontra associação de algo que
você busca, como uma produção alta de açúcar, com SNPs específicos em
diferentes locais do genoma, você pode passar a fazer só o sequenciamento
daquela população que é o foco do melhoramento.”
Com o
avanço proposto por Aono e colegas, não é mais necessário plantar e fenotipar
ao longo de todo o ciclo de melhoramento. “Fazemos experimentos no campo nos
primeiros ciclos do programa para obtermos o fenótipo de interesse de cada
clone. Paralelamente, sequenciamos todos os clones da população de melhoramento
de uma forma bastante simples, não sendo necessário termos o genoma completo de
cada clone. É o que chamamos de genotipagem por sequenciamento, ou seja, um
sequenciamento parcial para buscar as diferenças e semelhanças de bases entre
os diferentes clones, que serão associadas às produções de cada clone. A
associação entre o fenótipo e o genoma permite identificar quem produz mais e
quais são os SNPs associados à maior produção. Dessa forma, é possível
identificar um clone que tem grande parte dos SNPs que contribuem para a maior
produção observada nos experimentos iniciais. Assim, obtemos a variedade mais
produtiva de modo mais rápido e com menor custo”, detalha Souza.
O sucesso
do projeto foi possível graças à colaboração de vários anos com cientistas de
diferentes instituições de pesquisa e universidades, tais como Escola Superior
de Agricultura Luiz de Queiroz da Universidade de São Paulo (Esalq-USP),
Instituto de Ciência e Tecnologia da Unifesp, Instituto Agronômico de Campinas
- Centro de Cana (Ribeirão Preto), Embrapa Gado de Corte (Campo Grande, MS),
Instituto Tecnológico de Aeronáutica (São José dos Campos) e Instituto Roslin
da Universidade de Edimburgo (Escócia).
O artigo A joint learning approach for genomic
prediction in polyploid grasses pode ser lido na íntegra
em: www.nature.com/articles/s41598-022-16417-7.
Ricardo Muniz
Agência FAPESP
https://agencia.fapesp.br/inteligencia-artificial-permite-prever-performance-de-cana-de-acucar-em-campo/39815/
Nenhum comentário:
Postar um comentário