Hur kan artificiell intelligens (AI) påverka jordbruket, livsmedelsindustrin, och bioteknikområdet? Dan Jacobson, en forsknings- och utvecklingsmedarbetare inom Biosciences Division vid US Department of Energy's (DOE) Oak Ridge National Laboratory (ORNL), har några idéer.

Under de senaste 5 åren har Jacobson och hans team har studerat växter för att förstå de genetiska variablerna och mönstren som gör dem anpassningsbara till förändrade miljöer och klimat. Som beräkningsbiolog, Jacobson använder några av världens mest kraftfulla superdatorer för sitt arbete - inklusive den nyligen avvecklade Cray XK7 Titan och världens mest kraftfulla och smartaste superdator för öppen vetenskap, IBM AC922 Summit superdator, båda belägna vid Oak Ridge Leadership Computing Facility (OLCF), en DOE Office of Science User Facility på ORNL.

Förra året, Jacobson och hans team vann en Association for Computing Machinery Gordon Bell Prize efter att ha använt en speciell beräkningsteknik som kallas "blandad precision" på Summit för att bli den första gruppen som nådde exascale -hastighet - ungefär en kvintiljon beräkningar per sekund.

Jacobsons team arbetar för närvarande med många projekt som utgör en integrerad färdplan för AI:s framtid inom växtförädling och bioenergi. Teamets arbete presenterades i Trender inom bioteknik i oktober.

I denna Q&A, Jacobson berättar om sitt teams arbete med en genomisk urvalsalgoritm, hans vision för framtiden för miljögenomik, och utrymmet där simulering möter AI.

Vad har ditt team arbetat med under det senaste året?

Jacobson:Vi har arbetat med ett par saker. Nyligen, vi har utvecklat nya sätt att göra det som kallas "genomiskt urval, "eller designa en organism för avelsändamål. Vi har utvecklat en ny genomisk urvalsalgoritm som drivs av nya maskininlärningsmetoder som tillsammans kallas" förklarlig AI, "vilket är ett fält som förbättrar AI -metoder för klassificering av black box genom att försöka förstå hur dessa algoritmer fattar beslut.

Denna algoritm hjälper oss att avgöra vilka variationer i ett genom vi måste kombinera för att producera växter som kan anpassa sig till deras miljöer. Detta informerar uppfödningsinsatser, genredigeringsinsatser, eller kombinationer av dessa, beroende på vilken typ av bioingenjörsstrategi du vill ta.

Förra året fick du ett Gordon Bell -pris efter att ha brutit exascale -barriären med en kod som låter dig studera kombinatoriska interaktioner mellan organismer och deras miljöer. Hur passar denna algoritm in i den forskningen?

Jacobson:Vi använder fortfarande modellen vi använde förra året, men nu, vi har introducerat denna AI-drivna genomiska urvalsalgoritm till vår Combinatorial Metrics [CoMet] -kod och vi matar den med miljöinformation varje dag under ett år, så vi kan göra genomomfattande associeringsstudier över klimattiden.

Dessutom, Vi har utvidgat våra ansträngningar till vad vi kallar "klimattyper" i global skala - klimat- och miljöinformation som växterna anpassar sig till. Med hjälp av ORNL:s Peter Thornton och hans grupps expertis inom biogeografi och klimat, vi byggde modeller av varje kvadratkilometer mark på planeten och kodade 50 års miljö- och klimatdata i dessa modeller, allt från jorden, upp genom ljus spektral kvalitet, och allt däremellan.

För att förstå alla relationer mellan olika miljöer, vi jämförde dessa miljöer med varandra på Summit med hjälp av en ny algoritm som heter Duo som vi lade till i vår CoMet -kodbas. Så vitt vi vet, detta är den största vetenskapliga beräkningen som någonsin gjorts.

Det låter som en ganska rejäl prestation. Vilken typ av information kan dessa jämförelser ge dig?

Jacobson:Dessa jämförelser kan hjälpa oss att avgöra exakt var vi kan rikta vissa miljöer och vilka genmutationer och alleler vi måste inkludera för att hjälpa dessa växter att anpassa sig till olika miljöer. Vi kan titta på en miljö och säga, "För denna miljö, det här är vad vi kommer att behöva ha i denna växt genom för att den ska trivas så bra som den kan. "

Är detta framtiden för miljögenomik?

Jacobson:Den integrerade vision som vi ser är kopplingen mellan alla "-omics" -lager, från genomik (genuttryck), proteomik (proteinuttryck), och metabolomik (metabolituttryck) hela vägen upp genom fenotyper - observerbara drag; så, från genom till fenom och allt däremellan.

Helst, vi skulle vilja ha en kombination av genotypdata med klimat- och miljödata i en integrerad modell, från enstaka nukleotider - de molekylära strukturer som utgör DNA - upp till miljö och klimat i planetskalan. Sådana omfattande integrerade modeller är nu möjliga eftersom vi faktiskt har beräknat ljusspektralskalan för varje punkt på planeten - det är en astrofysisk fenotyp som kommer från vår närmaste stjärna, solen.

Först, vi måste titta på de kombinatoriska interaktionerna i sådana modeller för att se hur de leder till de framväxande egenskaper som vi försöker optimera i anläggningar för framtida produktivitet och hållbarhet. Sedan, vi kan koppla det till hur växter historiskt har anpassat sig till miljöer för att designa nya ideala genotyper för bioenergi eller livsmedelsproduktion som är optimerade för att trivas i specifika miljöer.

Är detta något som kommer att krävas inom jordbruket i framtiden?

Jacobson:När världen förändras, det finns ett ökande tryck för att utnyttja "marginell mark, "det är mark som ofta för närvarande inte används för jordbruk eller inte används effektivt för jordbruk. Så, om vi designar genotyper som trivs i dessa marginella miljöer, vi kommer att kunna öka vår matproduktion utöver vår energiproduktion. Detta är en teknik för dubbla användningsområden.

Vi är också verkligen oroliga för övergödning av marken eftersom det kan leda till avrinning som har stora ekologiska konsekvenser. Om vi ​​kan optimera växterna för att använda de näringsämnen som finns där med lite extra gödningsmedel, Det är också en stor fördel för hållbarhet. Så, Vi försöker verkligen se det här holistiskt och bygga så mycket av dessa anpassningar som vi kan i modellen så att vi känner till effekterna i vissa miljöer.

Vad jobbar du med härnäst?

Jacobson:Nästa steg är att titta på historiska data och alla dessa relationer och sedan projicera framåt så att vi faktiskt kan designa genotyper som inte bara kommer att trivas i de nuvarande miljözonerna utan fortsätter att frodas i framtiden när det globala nätverket förändras. Möjligheten att projicera framåt, både för ettåriga grödor och långsiktiga fleråriga grödor, är verkligen viktigt.

Vilka är några utmaningar som återstår?

Jacobson:Allt vi gör är ett tungt lyft, men vi tittar på hur vi kan utforma detta nya tillvägagångssätt på Summit och OLCF:s framtida exascale -system, Gräns, så att vi verkligen kan förstå alla dessa relationer. Också, nu när vi har denna data på alla dessa "-omics" -lager, vi måste köra dessa kombinationer av lager - kallade polytoper - tusentals eller tiotusentals eller hundratusentals gånger. Nästa uppsättning algoritmer vi bygger är att hitta alla möjliga relationer och associationer inom och över alla polytoper. Det är nästa gräns.

Kommer ditt arbete att överskrida traditionella klimatsimuleringsmodeller alls?

Jacobson:Detta är en data- och AI-driven syn på klimatinformation, som skiljer sig från en simuleringsmetod. Över tid, det ska bli intressant att se var de skärs, och det kan finnas saker vi lär oss här som är mycket informativa för klimatmodeller och vice versa. Vi vet också att samma typ av förklarlig AI -teknik kan hjälpa mycket med simuleringsstudier. Helst, vi kan utveckla förklarliga AI-drivna modeller som kan hjälpa simuleringsmodeller med några av deras flaskhalsar. Om vi ​​kan lära oss de mönster simuleringsmodeller använder och ersätta några av deras flaskhalsar med ett inlärt resultat, då kan dessa modeller göra mer kreativa saker. Det är verkligen där vi kan se en del av detta utrymme korsa varandra i framtiden.