Trí tuệ nhân tạo và di truyền học có thể giúp nông dân trồng ngô với ít phân bón hơn

Các nhà nghiên cứu Tim Jeffers (trái) và Amari Hill (phải) đang nghiên cứu quá trình trồng ngô tại Nhà kính của Đại học New York.

Các nhà khoa học tại Đại học New York (NYU) đang sử dụng trí tuệ nhân tạo để xác định gen nào cùng nhau chi phối hiệu quả việc sử dụng nitơ ở các loại cây trồng như ngô với mục tiêu giúp nông dân cải thiện năng suất cây trồng và giảm thiểu chi phí phân bón nitơ.

Gloria Coruzzi, giáo sư Carroll & Milton Petrie tại Khoa Sinh học và Trung tâm Hệ thống và Di truyền học của NYU, đồng thời là tác giả chính của nghiên cứu được công bố trên tạp chí The Plant Cell, cho biết: "Bằng cách xác định các gen quan trọng đối với việc sử dụng nitơ, chúng ta có thể chọn lọc hoặc thậm chí sửa đổi một số gen nhất định để tăng hiệu quả sử dụng nitơ ở các loại cây trồng chính của Hoa Kỳ như ngô".

Trong 50 năm qua, nông dân đã có thể tăng năng suất cây trồng nhờ những cải tiến đáng kể trong việc nhân giống cây trồng và phân bón, bao gồm cả hiệu quả hấp thụ và sử dụng nitơ, thành phần chính của phân bón.

Tuy nhiên, hầu hết các loại cây trồng chỉ sử dụng khoảng 55% lượng nitơ trong phân bón mà nông dân bón cho cánh đồng của họ, trong khi phần còn lại sẽ trôi vào đất. Khi nitơ thấm vào nước ngầm, nó có thể làm ô nhiễm nước uống và gây ra hiện tượng tảo nở hoa có hại ở các hồ, sông, hồ chứa và vùng nước biển ấm. Hơn nữa, lượng nitơ chưa sử dụng còn lại trong đất được vi khuẩn chuyển đổi thành nitơ oxit, một loại khí nhà kính mạnh có hiệu quả giữ nhiệt trong khoảng thời gian 100 năm cao hơn 265 lần so với khí cacbonic.

Hoa Kỳ là nước sản xuất ngô hàng đầu thế giới. Cây trồng thương mại chính này cần lượng lớn nitơ để phát triển, nhưng phần lớn phân bón cho ngô không được hấp thụ hoặc sử dụng. Hiệu quả sử dụng nitơ thấp của ngô gây ra thách thức tài chính cho nông dân, do chi phí phân bón ngày càng tăng - phần lớn phải nhập khẩu và cũng có nguy cơ gây hại cho đất, nước, không khí và khí hậu.

Để giải quyết thách thức này ở ngô và các loại cây trồng khác, các nhà nghiên cứu của NYU đã phát triển một quy trình mới để cải thiện hiệu quả sử dụng nitơ bằng cách tích hợp di truyền thực vật với máy học, một loại trí tuệ nhân tạo phát hiện các mẫu dữ liệu trong trường hợp này là để liên kết gen với một đặc điểm (hiệu quả sử dụng nitơ).

Sử dụng phương pháp tiếp cận từ mô hình đến cây trồng, các nhà nghiên cứu của NYU đã theo dõi lịch sử tiến hóa của các gen ngô được chia sẻ với Arabidopsis, một loài cỏ dại có hoa nhỏ thường được sử dụng làm sinh vật mô hình trong sinh học thực vật do dễ nghiên cứu trong phòng thí nghiệm bằng cách sử dụng sự ảnh hưởng của các phương pháp tiếp cận di truyền phân tử. Trong một nghiên cứu trước đây được công bố trên tạp chí Nature Communications, nhóm của Coruzzi đã xác định được các gen có khả năng phản ứng với nitơ được bảo tồn giữa ngô và Arabidopsis và xác nhận vai trò của chúng ở thực vật.

Trong nghiên cứu hiện tại, nghiên cứu mới nhất của họ về chủ đề này, các nhà nghiên cứu NYU đã xây dựng dựa trên công trình của họ trên ngô và Arabidopsis để xác định cách sử dụng nitơ hiệu quả được điều chỉnh bởi các nhóm gen - còn được gọi là "regulons" - được kích hoạt hoặc ức chế bởi cùng một yếu tố phiên mã (một protein điều hòa).

Ngô đang trồng trong Nhà kính tưởng niệm Irene Rose Sohn Zegar ở tầng cao nhất của Trung tâm nghiên cứu hệ gen và hệ thống sinh học của NYU.

Coruzzi cho biết: "Các đặc điểm như hiệu quả sử dụng nitơ hoặc quang hợp không bao giờ được kiểm soát bởi một gen duy nhất. Vẻ đẹp của quá trình máy học là nó học các bộ gen chịu trách nhiệm chung cho một đặc điểm và cũng có thể xác định yếu tố phiên mã hoặc các yếu tố kiểm soát các bộ gen này".

Các nhà nghiên cứu đầu tiên sử dụng trình tự RNA để đo cách các gen trong ngô và Arabidopsis phản ứng với nitơ. Sử dụng dữ liệu này, họ đã đào tạo các mô hình máy học để xác định các gen phản ứng với nitơ được bảo tồn trên các giống ngô và Arabidopsis, cũng như các yếu tố phiên mã điều chỉnh các gen quan trọng đối với hiệu quả sử dụng nitơ (NUE).

Đối với mỗi “NUE Regulon” - yếu tố phiên mã và tập hợp gen NUE được điều chỉnh tương ứng - các nhà nghiên cứu đã tính toán điểm máy học tập thể và sau đó xếp hạng những gen có hiệu suất cao nhất dựa trên mức độ biểu hiện kết hợp có thể dự đoán chính xác hiệu quả sử dụng nitơ trong các giống ngô trồng ngoài đồng ruộng.

Đối với các “NUE regulon” được xếp hạng cao nhất, các nhà nghiên cứu đã sử dụng các nghiên cứu dựa trên tế bào ở cả ngô và Arabidopsis để xác thực các dự đoán của máy học đối với tập hợp các gen trong bộ gen được điều chỉnh bởi từng yếu tố phiên mã. Các thí nghiệm này đã xác nhận các “NUE regulon” đối với hai yếu tố phiên mã ngô (ZmMYB34/R3) điều chỉnh 24 gen kiểm soát việc sử dụng nitơ, cũng như đối với một yếu tố phiên mã có liên quan chặt chẽ ở Arabidopsis (AtDIV1), điều chỉnh 23 gen mục tiêu có chung lịch sử di truyền với ngô cũng kiểm soát việc sử dụng nitơ.

Khi được đưa trở lại các mô hình máy học, các NUE regulon được bảo tồn từ mô hình đến cây trồng này đã tăng cường đáng kể khả năng của AI trong việc dự đoán hiệu quả sử dụng nitơ trên các giống ngô trồng trên đồng ruộng.

Việc xác định các NUE Regulon của các gen tập thể và các yếu tố phiên mã liên quan chi phối việc sử dụng nitơ sẽ cho phép các nhà khoa học cây trồng lai tạo hoặc thiết kế giống ngô cần ít phân bón hơn.

Coruzzi cho biết: "Bằng cách quan sát các giống ngô lai ở giai đoạn cây con để xem liệu biểu hiện của các gen quan trọng được xác định đối với hiệu quả sử dụng nitơ có cao hay không, thay vì trồng chúng trên đồng ruộng và đo lượng nitơ sử dụng, chúng ta có thể sử dụng các dấu hiệu phân tử để chọn ra các giống lai ở giai đoạn cây con có hiệu quả sử dụng nitơ nhất, sau đó trồng các giống đó".

"Điều này không chỉ giúp nông dân tiết kiệm chi phí mà còn giảm tác hại của ô nhiễm nitơ trong nước ngầm và khí thải nhà kính nitơ oxit".

NYU đã nộp đơn xin cấp bằng sáng chế cho nghiên cứu và phát hiện được mô tả trong bài báo này; bằng sáng chế tạm thời cũng mô tả việc sử dụng công nghệ chỉnh sửa gen CRISPR để thiết kế các gen điều hòa NUE trong cây trồng nhằm cải thiện hiệu quả sử dụng nitơ.

Cao Thị Hải Yến theo Phys.org