Yapay zeka bitkilerin gizli yaşamını deşiyor.

En son yapay zeka araçları ve bilgi işlem alanındaki gelişmeler, bitkilerin ve onların dünyayla etkileşimlerinin daha ayrıntılı bir görünümünü sunarak yetiştiricilerin daha dayanıklı ürünler geliştirmesine ve çiftçilerin çok daha farklı bir gelecek için plan yapmasına yardımcı olabilir.

Makine öğrenimi algoritmaları bitki özelliklerini analiz eder ve hangi genetik kombinasyonların istenen özelliklere sahip bir bitki üreteceğini tahmin eder - genellikle bir mahsulün verimini düşürmeyen kuraklığa veya hastalığa karşı dayanıklılığı hedefler.
Ancak yeni yapay zeka tabanlı araçlar, araştırmacıların daha önce karmaşık bir moleküler etkileşimler ağında gizlenen bitki biyolojisinin iç işleyişini çözmelerine olanak tanıyor.

Yapay zeka destekli protein yapısı tahmincisi AlphaFold'un arkasındaki ekibe liderlik eden Google DeepMind araştırmacısı John Jumper, “Bitki yapısal biyolojisini geniş ölçekte yapmak ekonomik olarak mümkün değildi” diyor.
Bir makale, bitki biyolojisinin model türü Arabidopsis thaliana'daki proteinlerin %2'sinden daha azının yapısının bilindiğini, buna karşılık insan proteinlerinin yaklaşık 10 kat daha fazla olduğunu ortaya koydu. AlphaFold, farklı kalite derecelerinde de olsa, bitki proteinlerinin kapsamını %60'ın üzerine çıkardı.
Harris, AlphaFold'u patojenlere, kuraklığa ve diğer streslere maruz kaldıklarında bitki DNA'sında yapılan kimyasal değişiklikleri anlamaya çalışmak için kullanıyor. Harris, bu değişikliklerin bitkinin bir sonraki strese maruz kaldığında yanıt vermesi için bilgi depoladığını, ancak hücrenin bunu nasıl yaptığının “önceden görünmez” bir bilgi olduğunu söylüyor.

Yakın zamandaki diğer yapay zeka gelişmeleri, bitki bilimcilerin bir bitkinin genlerinin ve proteinlerinin ötesine bakmalarına ve bir bitkinin üretiminde rol oynayan toprak, iklim ve çiftlik yönetimi uygulamaları gibi diğer önemli faktörleri göz önünde bulundurmalarına olanak tanıyor.

Yakın tarihli bir ön baskı makalesinde, Kentucky Üniversitesi'ndeki araştırmacılar, toprağın mikrobiyomundan bir asmanın genetik yapısını tahmin etmek için makine öğrenimi algoritmalarını kullandıklarını bildirdi. Örneğin, bir asmanın şiraz mı yoksa cabernet sauvignon mu olduğunu söyleyebildiler.
Kentucky Üniversitesi'nde bahçecilik profesörü olan çalışmanın eş yazarı Carlos Rodriguez Lopez, bunun bir bitkinin genetiğinin topraktaki mikrobiyom üzerinde etkisi olduğunu ve mahsullerin, bir mahsulü yetiştirmek için kullanılan su veya kimyasal miktarını azaltabilecek faydalı mikroplar için daha iyi ev sahipleri olacak şekilde yetiştirilebileceğini gösterdiğini söylüyor.

Üretken YZ yöntemleri ve YZ'nin ihtiyaç duyduğu özel işlemcilerdeki gelişmeler, Michigan Eyalet Üniversitesi'nde ziraat mühendisliği profesörü Daniel Uyeh liderliğinde bir elma ağacının dijital ikizini oluşturma çabasına yön veriyor.

Uyeh, ekibin LiDAR donanımlı iPhone'ları, kameraları ve diğer sensörleri kullanarak, sıcaklık ve bağıl nem de dahil olmak üzere bir dizi farklı koşul altında büyüyen ağaçların görüntülerinden oluşan bir koleksiyon oluşturmayı ve böylece “bir ağaçla ilgili her şeyi taklit etmeyi” planladığını söylüyor.
Nihai fikir, bir çiftçinin kendi meyve bahçesi hakkında veri toplayabilmesi ve dijital olarak yeniden yapılandırılmış ağacı kullanarak, mahsulleri için planlayabilecekleri gelecekteki iklim ve tarla koşullarını oluşturabilmesidir. Bu gelecekteki koşullarla ilgili veriler, üretken yapay zeka araçları kullanılarak üretilecektir.
Uyeh, hızla gelişen iklim değişikliği nedeniyle nesillerdir süregelen tarım bilgisine meydan okunduğunu söylüyor.
Araştırmacıların en büyük hedefi, bütün bir meyve bahçesini modellemek ve bu arada çiftçilerin bitkiler ve mahsuller hakkında halihazırda mevcut olan zengin bilgileri kullanmalarına yardımcı olacak araçlar geliştirmek.

Yapay zekanın bitki biyolojisine entegrasyonu, özellikle mevcut veriler ve bunların kalitesi konusunda engellerle karşılaşmaktadır.

Sohbet robotlarını eğitmek için kullanılan devasa sayısallaştırılmış metin külliyatının ve hatta genom dizilemesinden elde edilen biyolojik veri yığınlarının aksine, elma ağaçlarının farklı fiziksel yönlerinin sayısallaştırılmış görüntüleri yoktur.
Rodriguez Lopez, hem biyoloji hem de bilgisayar biliminden anlayan bilim insanları bulmanın ve onları genellikle tıbbi araştırma düzeyinde maaş ve finansman sunmayan bitki bilimine çekmenin de zor olduğunu söylüyor.
İnsanların giderek daha fazla etkileşime girdiği sohbet robotlarına ve diğer yapay zeka araçlarına güç veren büyük dil modelleri (LLM'ler), DNA ve proteinlerin dilini deşifre etmek için geliştiriliyor.

Guelph Üniversitesi'nde araştırma görevlisi olan Mohsen Yoosefzadeh Najafabadi, bunun bilim insanlarının bir genomun farklı bölgelerinin birbirleriyle nasıl etkileşime girdiğini ve bir bitkinin farklı özelliklerini nasıl kontrol ettiğini belirlemelerine olanak tanıyabileceğini söylüyor - bir bölümdeki farklı cümlelerin bir hikayeyi bir araya getirmesi gibi. “Çok fazla zaman ve kaynak tasarrufu sağlayacaktır çünkü tarlada bitki yetiştirmeye ve onları seçmeye gerek yoktur. Bir tohumdan DNA alabilir ve bir cümlenin mevcut olup olmadığını görebilir ve en iyi tohumu seçebiliriz.”

Kaynak: https://www.axios.com/2024/05/25/artificial-intelligence-plants-agriculture-climate-change