AI-modeller ska skilja orsak från korrelation – brittiskt bolag vill revolutionera växtförädlingen
Brittiskt bolag vill lära AI att skilja verkliga orsaker från slumpmässiga samband.
Från korrelation till orsakssamband
Det finns ett klassiskt problem inom genomforskning som varje bioinformatiker känner igen: statistiken kan berätta att två saker hänger ihop, men inte varför. Traditionella metoder för genmålsidentifiering, som kartlägger samband mellan DNA-varianter och synliga egenskaper, har länge lidit av just detta. De visar korrelation — men inte orsakssamband. Det är ungefär som att konstatera att paraplyförsäljning och regnväder samvarierar, utan att förstå vilket som driver vilket.
Det är precis det problemet som det brittiska startupbolaget Biographica vill lösa med sin beräkningsplattform. Och nu har de hittat en partner som kan omsätta svaren i praktiken.
Enligt AgFunder News bildar Biographica och den holländska genredigeringsspecialisten Hudson River Biotechnology nu en strategisk allians som syftar till att revolutionera växtförädlingen. Samarbetet täcker hela kedjan — från identifiering av värdefulla genmål till färdigförädlade kommersiella sorter.
Grundmodeller för genomet
Kärnan i Biographicas plattform är så kallade grundmodeller — en typ av maskininlärningsmodell som de senaste åren visat sig vara anmärkningsvärt kraftfulla när de tränats på stora, mångdimensionella datamängder. Här är det inte text eller bilder som utgör träningsdata, utan genomisk information.
Modellerna är tränade för att förutsäga vilka gener som faktiskt orsakar en egenskap, hur de samverkar med varandra, och vilka redigeringar som ger önskat resultat med minsta möjliga oönskade följdeffekter. Det är ett betydande steg framåt jämfört med äldre statistiska metoder.
— Tanken är att kunder ska kunna vända sig till Hudson River och säga: jag har ett egenskapsproblem, ge mig en redigerad sort som löser det, förklarar Biographicas medgrundare Dominic Hall till AgFunder News.
Tre konkreta användningsfall
Partnerskapet riktar sig särskilt mot situationer där traditionella metoder kört fast. Det handlar bland annat om fall där de uppenbara genmålen redan är uttömda, där egenskapen styrs av ett komplext samspel mellan många gener snarare än en enskild, eller där risken för oönskade sidoeffekter av en redigering är hög.
Det är just i dessa komplexa scenarion som maskininlärningens förmåga att hantera högt dimensionella mönster verkligen kommer till sin rätt. En människa kan hålla ett fåtal variabler i huvudet samtidigt — en vältränad modell kan hålla tusentals.
Inledningsvis fokuserar alliansen på tomater, med uttalade planer på att expandera till andra grödor. Tomaten är ett välkänt modellsystem inom växtbiologi, vilket gör den till ett logiskt startskott.
En pusselbit i ett större sammanhang
Det är lätt att se det här som ett nischprojekt inom en smal akademisk disciplin. Men jag tror att det vore att missa helheten.
Vi befinner oss i ett läge där världens befolkning fortsätter att växa, klimatförändringarna förändrar odlingsförhållanden i snabb takt, och behovet av grödor som tål torka, sjukdom och nya skadedjur ökar dramatiskt. Traditionell växtförädling är en långsam process — nya sorter kan ta decennier att ta fram. Genredigering med verktyg som CRISPR har redan kortat den tidslinjen avsevärt. Men utan träffsäker identifiering av rätt genmål riskerar man att redigera på fel ställe, med oförutsedda konsekvenser som följd.
Det är här kombinationen av maskininlärning och genredigering blir genuint intressant. Det handlar inte om AI som ersätter biologer — det handlar om AI som hjälper biologer att ställa bättre frågor och hitta svar snabbare.
Alliansen mellan Biographica och Hudson River Biotechnology är ett konkret, avgränsat exempel på hur den typen av samarbete kan se ut i praktiken: ett beräkningsföretag med stark modellkompetens, kombinerat med ett laboratorium med spetskunnande inom cellåterbildning och redigering. Varken Biographica eller Hudson River hade troligtvis kunnat leverera hela kedjan på egen hand — tillsammans täcker de den.
Det är, skulle jag vilja hävda, precis hur den bästa AI-tillämpningen fungerar: inte som ett universalverktyg, utan som en precis komponent i ett välkonstruerat system.
Vår analys
Det här partnerskapet är ett bra exempel på en trend jag ser allt tydligare inom tillämpad maskininlärning: specialiserade grundmodeller tränade på domänspecifik data, kombinerade med mänsklig spetskompetens i en kompletterande disciplin. Det är ett mognare sätt att arbeta med AI än de tidiga åren av "sätt ett neuralt nätverk på problemet och hoppas på det bästa".
Vad som gör detta särskilt intressant är att det adresserar ett grundläggande vetenskapligt problem — distinktionen mellan korrelation och orsakssamband — snarare än att bara automatisera en befintlig arbetsprocess. Det signalerar att maskininlärning börjar nå in i kärnan av biologisk forskning, inte bara i dess periferi.
På sikt tror jag vi kommer att se fler sådana här allianser: ett beräkningsföretag och ett laboratorium som tillsammans skapar något ingen av dem kunde bygga ensam. Det är ett konstruktivt svar på frågan om vad AI faktiskt är bra för — och jordbruket är ett område där den frågan verkligen behöver ett bra svar.