En studie från Newcastle University har för första gången visat att maskininlärning kan förutsäga de biologiska egenskaperna hos det vanligaste enzymet på jorden – Rubisco.

Rubisco (Ribulos-1,5-bisfosfatkarboxylas/oxygenas) är ansvarig för att tillhandahålla kol för nästan allt liv på jorden. Rubisco fungerar genom att omvandla atmosfärisk CO₂ från jordens atmosfär till organiskt kolmaterial, vilket är nödvändigt för att upprätthålla det mesta livet på jorden.

Sedan en tid tillbaka har naturlig variation observerats bland Rubisco-proteiner från landväxter och modellstudier har visat att transplantation av Rubisco-proteiner med vissa funktionella egenskaper kan öka mängden atmosfärisk CO₂ växtväxter kan ta upp och lagra.

Studiens huvudförfattare, Wasim Iqbal, en Ph.D. forskare vid Newcastle Universitys School of Natural and Environmental Sciences, en del av Dr Maxim Kapralovs grupp, utvecklade ett maskininlärningsverktyg som kan förutsäga prestandaegenskaperna hos många landväxter Rubisco-proteiner med förvånansvärt god noggrannhet. Förhoppningen är att detta verktyg kommer att möjliggöra jakten på ett "superladdat" Rubisco-protein som kan biokonstrueras till stora grödor som vete.

Publicerad i Journal Of Experimental Botany , presenterar studien ett användbart verktyg för att screena och förutsäga växtens Rubisco-kinetik för tekniska insatser såväl som för grundläggande studier om Rubiscos evolution och anpassning. Att screena den naturliga mångfalden av Rubisco-kinetiken är den huvudsakliga strategin som används för att hitta bättre Rubiscos för växtodling.

Wasim säger att deras "studie kommer att få enorma konsekvenser för klimatmodeller och biotekniska grödor."

"Denna studie förser växtbiologer med ett förscreeningsverktyg för att lyfta fram Rubisco-arter som uppvisar bättre kinetik för växttekniska insatser."

"Maskininlärningsverktyget kan användas för att förbättra noggrannheten i globala fotosyntesuppskattningar. Rubiscos prestandaegenskaper som vår modell förutspår är kompatibla med jordsystemmodeller (ESM) som används av klimatforskare. För närvarande använder ESM:er en enda uppsättning Rubisco-egenskaper från samma art (eller ibland en handfull) för att uppskatta fotosyntes i ekosystemskala. Vårt verktyg för maskininlärning kan ge förutsägelser för de flesta landväxter och förbättra ESM:s noggrannhet."

Nästa steg i detta arbete inkluderar isolering av de bästa Rubisco-proteinerna som identifierats från förutsägelser i labbet och försök att biokonstruera en växtart med ett främmande Rubisco-protein. + Utforska vidare

En röd framtid för att förbättra växtodlingen?