Nya AI-metoder för att förutspå proteinegenskaper så att växters näringsupptag kan förbättras
Forskningsprojekt
EU presenterade nyligen strategin ”Från jord till bord” för rättvis, hälsosam, miljövänlig och hållbar livsmedelsproduktion. En huvudaspekt är minskningen av gödselmedel inom jordbruket, vilket är en stor bidragande orsak till föroreningar.
AI för livsvetenskaperna – användning av djupa semantiska inbäddade strukturer för att förutspå proteinegenskaper så att växters näringsupptag kan förbättras.
Projektansvarig
Tommy LöfstedtUniversitetslektor, övrig/annan befattning
Genom att förbättra näringsupptaget hos växter kan vi minska förorenande näringsämnen som kväve i gödselmedel, reducera näringsförluster och övergödsling. Sådan forskning bygger dock på mödosamma, tidskrävande och kostsamma laboratorieexperiment.
Nya maskininlärningsmetoder
Syftet med detta projekt är därför att utveckla nya maskininlärningsmetoder för att:
På förhand selektera ut potentiella fördelaktiga molekylära målproteiner
Att snabba upp det praktiska laboratoriearbetet och
Att öka sannolikheten för att hitta relevanta proteinregleringar.
Vår hypotes är att proteiners inneboende biologiska egenskaper kodas i de semantiska inbäddningar som uppstår från storskaliga djupa maskininlärningsmodeller som tillämpas på proteinaminosyrasekvenser.
Vi kommer att utnyttja dessa semantiska inbäddningar för att förutspå proteinegenskaper med hjälp av maskininlärning.
Projektmedlemmar
I projektet medverkar Tommy Löfstedt, universitetslektor vid institutionen för datavetenskap, Umeå universitet, samt Regina Gratz, Institutionen för skogens ekologi och skötsel, Sveriges Lantbruksuniversitet, SLU.