top of page
Выпуск № 48 (2023)
Volume № 48 (2023)

УДК

631.363

DOI

10.53988/24136573-2023-02-12

Используйте это описание для цитирования: 

Cite this article as:

ЭЙДЛИН Я.Т., ЛИСОВАЯ Д.Д. ЦИФРОВАЯ СЕЛЕКЦИЯ / Я.Т. ЭЙДЛИН, Д.Д. ЛИСОВАЯ // Управление рисками в АПК. – 2023. – № 2(48). – С. 110-116. – DOI 10.53988/24136573-2023-02-12. – EDN UKTHZO.

AIDLIN Y.T., LISOVAYA D.D. DIGITAL SELECTION / Y.T. AIDLIN, D.D. LISOVAYA // Agricultural Risk Management . – 2023. – No. 2(48). – P. 110-116. – DOI 10.53988/24136573-2023-02-12. – EDN UKTHZO.

ТЕХНИЧЕСКИЕ НАУКИ | TECHNICAL SCIENCES
ЭЙДЛИН Я.Т., ЛИСОВАЯ Д.Д.

ЦИФРОВАЯ СЕЛЕКЦИЯ

Эйдлин Яков Тарасович – аспирант, РГАУ – МСХА имени К.А. Тимирязева, Москва, Россия.
Email: ya.eidlin@rgau-msha.ru

Лисовая Дарья Дмитриевна – ассистент, РГАУ–МСХА имени К.А. Тимирязева, Москва, Россия.
Email: d.lisovaya@rgau-msha.ru

Аннотация

В настоящее время целью селекции является удовлетворение потребностей человечества новейшими селекционными достижениями в кратчайшие сроки. В условиях быстрорастущего населения, потребностей, конкуренции необходимо переводить развитие селекции в цифровое направление.

Ключевые слова

Цифровые технологии, селекция, машинное обучение, предсказательная селекция, цифровая селекция.

AIDLIN Y.T., LISOVAYA D.D.

DIGITAL SELECTION

Aidlin Yakov Tarasovich – Post–graduate Student, Russian State Agrarian University - Moscow Agricultural Academy named after K.A. Timiryazev, Moscow, Russia.
Email: ya.eidlin@rgau-msha.ru

Lisovaya Darya Dmitrievna – Assistant of the Department of Botany, Breeding and seed production of garden plants, Russian State Agrarian University - Moscow Agricultural Academy named after K.A. Timiryazev, Moscow, Russia.
Email: d.lisovaya@rgau-msha.ru

Annotation

Currently, the goal of breeding is to meet the needs of humanity with the latest breeding achievements in the shortest possible time. In the conditions of a rapidly growing population, needs, competition, it is necessary to translate the development of breeding into a digital direction.

Keywords

Digital technologies, selection, machine learning, predictive selection.

Текст статьи

Селекция — искусство, наука и технология создания новых сортов и гибридов, усовершенствования сельскохозяйственных растений. Целью селекции растений в 21 веке является удовлетворение потребностей человечества селекционными достижениями в кратчайшие сроки.

Перед селекционерами стоит ряд вызовов, которые неосуществимы с применением только классических методов:
• Ежегодный прирост населения составляет 1,5% в год, тогда как рост производства, например зерна составляет 0,5 % в год;
• Проблемы с окружающей средой вследствие сверхэксплуатации;
• Конкуренция между крупнейшими семенными транснациональными компаниями и национальными компаниями отражается на сортименте и стоимости семян;
• Изменение климата влечет изменение в количестве и качестве биотических и абиотических факторов.

Многие методы уже позволили ускорить создание новых гибридов и сортов, благодаря внедрению их в селекционные программы, например, молекулярной селекции, геномного редактирования, in vitro-методы. Но с ростом населения растут и потребности человечества, запрос общества состоит не только в увеличении продуктивности культур, но и качества, и стабильности производства продуктов питания, его доступности, словом - условий продовольственной безопасности [6]. Решением такого запроса является развитие и использование современных цифровых и автоматизированных методов селекции [3].

Одним из направлений ускорения селекции является предсказательная селекция, целью которой является выработка новых технологических решений для ускоренной, высокоэффективной селекции растений. Технологии «предсказательной селекции» интегрируют большие данные гено-, фенотипирования, условий среды и агротехнологии с целью расширения возможностей создания новых сортов и гибридов. Анализ таких данных «фенотип-генотип» возлагают на машинное обучение, что требует больших вычислительных мощностей [4].

В настоящее время специалисты в области селекции все больше прибегают к использованию возможностей предсказательной селекции. Создание и отбор селекционного материала возможно проводить более эффективно с использованием методов машинного обучения, а не только полагаясь на оценку фенотипа потомств [2].

Основной сложностью в селекции растений является изучение и объяснение с точки зрения генетики количественных признаков, которые очень сложны и контролируются несколькими генами, зависящими от условий окружающей среды (урожайность, продуктивность, качество товарной продукции, устойчивость к абиотическим факторам и т.д.). Селекционные схемы скрещивания и использование статистических методов позволяют выявить характер взаимодействия важных компонентов количественных признаков для получения наилучших F1 гибридов. Осложняется такая работа большим количеством родительских инбредных линий, с которыми проводят диаллельные скрещивания. Использование машинного обучения позволит прогнозировать результаты скрещиваний и точно проводить расчет ОКС и СКС, что сократит временные и денежные затраты на создание F1 гибридов (рис. 1) [1].

В сфере селекции растений используются различные инструменты машинного обучения, которые охватывают следующие направления:
• Поиск и использование QTL (локусов количественных признаков), которые связаны с определенными хозяйственно ценными признаками
• Оценку экспрессии отдельных локусов и изменчивость признака, контролируемого данным локусом
• Предсказание экспрессии и проявления найденных локусов в новых генотипах

Для селекционеров получение большого объема разнородных данных будет способствовать более эффективной классификации фенотипов и генотипов потомства, а методы машинного обучения позволят оптимизировать расход ресурсов и времени на анализ.

Некоторые методы, основанные на использовании машинного обучения уже успешно внедрены и используются в селекции растений:
• Реконструкция генетических сетей
• Интеграция мультиомиксных данных
• Анализ данных фенотипирования
• Геномное предсказание фенотипа
• Открытие генов
• Картирование cis-регуляторных элементов
• Филогенетический анализ
• Геномное предсказание фенотипа

Большинство подходов на основе машинного обучения являются высокопроизводительными и дают возможность повторного использования в различных селекционных программах. Однако, существуют ряд проблем, основная из которых – разнообразие получаемых данных различными исследователями. Зачастую эти данные фрагментарны и необходимо комплексное составление стандартизированных баз данных.

Большинство подходов на основе машинного обучения надежны, также они обладают высокой производительностью и могут быть повторно использованы в различных селекционных программах. Однако, существует ряд проблем, с которыми исследователи могут столкнуться, основная из которых заключается в неоднородности данных, получаемых разными исследователями. Часто эти данные фрагментарны, и для их полноценного использования необходимо проводить нормализацию и составлять стандартизированные базы данных.

Другой проблемой является отсутствие доверия у большинства селекционеров к новым цифровым методам, так как классические методы селекции, основанные на статистике, использовались уже столетия и зарекомендовали себя как проверенные и эффективные. К тому же часто данные, полученные с использованием машинного обучения, не дают однозначной оценки значимости, а лишь ее диапазон. Еще одной проблемой является недостаточное количество подходов для анализа больших массивов получаемых данных, так как они объемны, разнородны и изменчивы, но с учетом развития информационных технологий и быстрому внедрению их в селекционный процесс эта проблема будет в кротчайшие сроки решена [5].

Стоит отметить, что вопросы цифровой селекции нашли свое отражение в Федеральной научно-техническо программой развития сельского хозяйства до 2030 года в форме участия бизнеса и научно-исследовательских организаций в реализации комплексных научно-технических проектов, создания цифровых лабораторий в сфере селекции и генетики [7]. Более того, некоторыми авторами вопрос цифровизации сельского хозяйства прямо увязывается с научно-техническим развитием сельского хозяйства [9], когда вопросы создания средств производства, в том числе семян новых гибридов и сортом, представляются наиболее предпочтительными направлениями цифровой трансформации АПК.

Таким образом, в настоящее время селекция растений переживает важнейший этап зарождения и становления высоких технологий предсказательного характера на основе цифровых решений, селекционеры получают доступ к новому инструментарию на основе искусственного интеллекта и больших данных, увеличивающих его возможности создания новых «шедевристых» селекционных достижений.

Источники:

1. Dezfouli P. M. et al. Assessment of general and specific combining abilities in doubled haploid lines of rapeseed (Brassica napus L.) //Industrial Crops and Products. – 2019. – Т. 141. – С. 111754.
2. Kim K. D., Kang Y., Kim C. Application of genomic big data in plant breeding: Past, present, and future //Plants. – 2020. – Т. 9. – №. 11. – С. 1454.
3. Kusmec A. et al. Interdisciplinary strategies to enable data-driven plant breeding in a changing climate //One Earth. – 2021. – Т. 4. – №. 3. – С. 372-383.
4. Niazian M., Niedbała G. Machine learning for plant breeding and biotechnology //Agriculture. – 2020. – Т. 10. – №. 10. – С. 436
5. van Dijk A. D. J. et al. Machine learning in plant science and plant breeding //Iscience. – 2021. – Т. 24. – №. 1. – С. 101890.
6. Продовольственная безопасность, самообеспеченность России по критериям товаров из продовольственной потребительской корзины на ближайшие годы / М. А. Титов, А. А. Бирюкова, Н. Б. Сосунова [и др.]. – Москва, 2019. – 256 с. – ISBN 978-5-7367-1506-0. – EDN GELDCU.
7. Анализ задач развития Федеральной научно-технической программы развития сельского хозяйства в призме риск-ориентированных подходов / В. Н. Кузьмин, Н. П. Мишуров, О. А. Моторин, П. А. Подъяблонский // Управление рисками в АПК. – 2020. – № 4(38). – С. 33-49. – DOI 10.53988/24136573-2020-04-03. – EDN WENTVL.
8. Цифровая трансформация научно-технического развития сельского хозяйства и его нормативное обеспечение / В. Н. Кузьмин, [и др.] // Управление рисками в АПК. – 2021. – № 3(41). – С. 50-64. –EDN KGFEMP.
9. Федеральная научно-техническая программа развития сельского хозяйства: цели и задачи / В. Н. Кузьмин, Н. П. Мишуров, [и др.] // Управление рисками в АПК. – 2021. – № 4(42). – С. 56-65. –EDN UQRRYR.

References:

1. Dezfouli P. M. et al. Assessment of general and specific combining abilities in doubled haploid lines of rapeseed (Brassica napus L.) //Industrial Crops and Products. – 2019. – Т. 141. – С. 111754.
2. Kim K. D., Kang Y., Kim C. Application of genomic big data in plant breeding: Past, present, and future //Plants. – 2020. – Т. 9. – №. 11. – С. 1454.
3. Kusmec A. et al. Interdisciplinary strategies to enable data-driven plant breeding in a changing climate //One Earth. – 2021. – Т. 4. – №. 3. – С. 372-383.
4. Niazian M., Niedbała G. Machine learning for plant breeding and biotechnology //Agriculture. – 2020. – Т. 10. – №. 10. – С. 436
5. van Dijk A. D. J. et al. Machine learning in plant science and plant breeding //Iscience. – 2021. – Т. 24. – №. 1. – С. 101890.
6. van Dijk A. D. J. et al. Machine learning in plant science and plant breeding //Iscience. – 2021. – Т. 24. – №. 1. – С. 101890.
7. Food security, self-sufficiency of Russia according to the criteria of goods from the food consumer basket for the coming years / M. A. Titov, A. A. Biryukova, N. B. Sosunova [and others]. – Moscow, 2019. – 256 p. – ISBN 978-5-7367-1506-0. – EDN GELDCU.
8. Analysis of development tasks of the Federal Scientific and Technical Program for the Development of Agriculture in the prism of risk-oriented approaches / V. N. Kuzmin, N. P. Mishurov // Agricultural Risk Management. – 2020. – № 4(38). – P. 33-49. – EDN WENTVL.
9. Digital transformation of scientific and technical development of agriculture and its regulatory support / V. N. Kuzmin, [etc.] // Agricultural Risk Management. – 2021. – № 3(41). – P. 50-64. – EDN KGFEMP.
10. Federal scientific and technical program for the development of agriculture: goals and objectives / V. N. Kuzmin, N. P. Mishurov, O. A. Motorin [etc.] // Agricultural Risk Management. – 2021. – № 4(42). – pp. 56-65. – DOI 10.53988/24136573-2021-04-06. – EDN UQRRYR.

Все иллюстрации статьи | All visuals of paper

bottom of page