Avalo利用机器学习加速农作物对气候变化的适应性

发表于 3年以前 | 总阅读数：545 次

Avalo是由两个朋友——Mariano Alvarez和 Brendan Collins创立的。Avalo有一个非常直接的价值主张，但需要一点科学知识来理解它。大型种子和农业公司在创造主要作物的更好版本方面投入了大量的工作。通过使玉米或水稻对高温、昆虫、干旱或洪水的抵抗力稍有提高，他们可以为农民的产量和利润带来巨大的改善，或者使一种植物能够在它以前无法生长的地方生存。

Avalo联合创始人兼首席执行官Brendan Collins说：“赤道地区的产量大幅下降--这并不是说玉米粒变小了。农民们向高地迁移，因为盐水入侵扰乱了田地，但他们遇到了早春的霜冻，杀死了他们的幼苗。或者他们需要抗锈病的小麦，以便在潮湿的夏季真菌爆发时生存。如果我们想适应这种新的环境现实，我们需要创造新的品种。”

为了以系统的方式进行这些改进，研究人员强调植物的现有性状；这不是拼接一个新的基因，而是把已经存在的性状带出来。这曾经是通过简单的方法完成的，即种植几种植物，对它们进行比较，然后种植最能体现该性状的植物的种子。

然而，如今，研究人员已经对这些植物的基因组进行了测序，可以更直接一点。通过找出具有所需性状的植物中哪些基因是活跃的，这些基因的更好表达可以成为未来世代的目标。问题是这样做仍然需要很长的时间--如十年。

现代进程的困难部分源于这样一个问题，即性状，如面对干旱时的生存能力，并不只是单一的基因。它们可能是任何数量的基因以一种复杂的方式相互作用。因此，当这些公司进行所谓的全基因组关联分析研究时，他们最终会得到数百个对性状有贡献的候选基因，然后必须在活体植物中费力地测试这些基因的各种组合，即使以工业化的速度和规模也需要数年时间。

“随着这些性状变得越来越复杂，仅仅找到基因然后对其进行处理的能力实际上是相当有限的，”Avalo公司联合创始人兼首席执行官Mariano Alvarez说。“试图提高一种酶的效率是很容易的，你只需用CRISPR来编辑它--但是提高玉米产量，有数千甚至数百万的基因在起作用。如果你是一个大的战略公司（如孟山都），试图制造耐旱水稻，你将面临15年，2亿美元......这是一个漫长的游戏。”

这就是Avalo介入的地方。该公司已经建立了一个模型来模拟植物基因组变化的影响，他们声称这可以将15年的准备时间减少到2或3年，并将成本降低到类似的比例。

Collins说：“我们的想法是为基因组建立一个更现实的模型，它更具有进化意识。也就是说，一个为基因组和基因建模的系统，包括更多来自生物学和进化的背景。有了更好的模型，你在与某一性状相关的基因上得到的假阳性要少得多，因为它排除了更多不相关的基因、次要贡献者等等。”

他举了一个例子，一家公司正在研究的耐寒水稻品系。一项全基因组关联研究发现了566个"感兴趣的基因"，由于需要时间、人员和材料，调查每个基因的费用在4万美元左右。这意味着调查这一个性状可能会在几年内耗费2000万美元，这自然限制了能够尝试这种操作的各方，以及他们将投入时间和金钱的作物。如果你期望获得投资回报，你就不能花那么多的现金来改善一个偏僻市场的小众作物。

Collins表示：“我们在这里是为了使这个过程民主化。在与耐寒水稻有关的同一组数据中，我们发现了32个感兴趣的基因，根据我们的模拟和回顾性研究，我们知道所有这些都是真正的因果关系。而且我们能够培育出10个基因敲除者来验证它们，在三个月的时间里有三个。”

从一开始，Avalo的系统就排除了90%以上的必须单独调查的基因。他们非常确信这32个基因不仅是相关的，而且是因果关系--对性状有真正的影响。这一点在简短的"基因剔除"研究中得到了证实，即阻断一个特定的基因并研究其影响。Avalo称其方法为"通过无信息扰动发现基因"，或称GDIP。

部分原因是机器学习算法在从噪音中提取信号方面的固有优势，但Collins指出，他们需要用一种新的方法来解决这个问题，让模型自己学习结构和关系。而且对他们来说，模型的可解释性也很重要。后者是一个棘手的问题，但他们通过在重复模拟中系统地将感兴趣的基因换成相当于虚拟版本的基因来实现，这不会破坏性状，但确实有助于模型了解每个基因的贡献。

“利用我们的技术，我们可以为感兴趣的性状提出一个最小的预测性育种组。”Collins说：“你可以在模拟中设计出完美的基因型，然后进行密集育种并观察该基因型。而且成本足够低，可以由较小的公司来做，或者用不太受欢迎的作物来做，或者用在可能性之外的性状来做--因为气候变化是如此不可预测，谁能说耐高温或耐寒的小麦在20年后会更好？”

Alvarez说：“通过降低开展这项工作的资本成本，我们算是打开了这个空间，在这里研究耐气候性状在经济上是可行的。”

Avalo正在与几所大学合作，以加速创造其他具有弹性和可持续性的植物。这些研究小组拥有大量的数据，但没有大量的资源，使他们成为展示公司能力的最佳团队。

大学的合作关系也将确定该系统适用于“相当未驯化的”植物，这些植物在大规模使用之前需要一些工作。例如，将一种天然抗旱的野生谷物超标，而不是试图将抗旱性添加到一种天然大型谷物物种上，可能会更好，但没有人愿意花2000万美元来找出答案。

在商业方面，他们计划首先提供数据处理服务，这是许多初创公司中的一个，为农业和制药等空间中速度较慢、较成熟的公司提供大的成本和时间节约。如果幸运的话，Avalo将能够帮助把一些这样的植物带入农业，并成为一个种子供应商。

该公司几周前刚刚从IndieBio加速器中脱颖而出，并且已经获得了300万美元的种子轮资金，以继续他们更大规模的工作。本轮融资由Better Ventures和Giant Ventures共同领导，At One Ventures、Climate Capital、David Rowan以及IndieBio的母公司SOSV当然也参与其中。

Alvarez说：“ Brendan 说服了我，创办一家创业公司比申请教职员工的工作更有趣、更有意义。”而他是完全正确的。