Nya AI-metoder för att förutspå proteinegenskaper så att växters näringsupptag kan förbättras

Projektbeskrivning

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.