Fisikawan teoretis yang menjadi pengusaha agtech Brad Zamft, PhD, di Google X putaran Pertanian yang Diwariskan, memiliki misi untuk membuat pemuliaan tanaman lebih cepat dan lebih murah.
Berita AgFunder (AFN) menyusul Zamft (BZ) di Agri-Tech Dunia di San Francisco untuk mendiskusikan kembaran digital (digital twins) pada tanaman pangan, penemuan gen yang digerakkan oleh AI, dan bagaimana penggabungan AI, genomik, dan data lingkungan beresolusi tinggi dapat secara signifikan mengurangi jadwal penelitian dan pengembangan dalam pengembangan tanaman.
AFN: Secara sederhana, apa yang dilakukan Heritable Ag?
BZ: Apa yang Heritable berikan adalah solusi komprehensif untuk meningkatkan hasil panen. Ini mencakup kemampuan untuk mensimulasikan tanaman nyata di lahan nyata. Kami membuat kembaran digital, menggabungkan tanah dan cuaca dengan resolusi 10 meter di mana pun di dunia.
Kami juga berupaya untuk mengidentifikasi—untuk sifat-sifat yang dikendalikan oleh beberapa atau beberapa lusin gen—gen penyebab, dan kami telah menunjukkan bahwa kami dapat melakukannya dengan akurasi yang belum pernah terjadi sebelumnya.
Terkadang mengetahui gen-gen itu saja tidak cukup. Anda harus mengetahui cara mengendalikannya, di jaringan mana ia harus diekspresikan, apakah akan dihidupkan, apakah saat terjadi kekeringan atau cuaca panas.
Di sinilah kita belajar dari peningkatan besar-besaran dalam model bahasa besar. Sama seperti kita mengetahui tata bahasa dan sintaksis yang mendasari bahasa manusia, Heritable kini menggabungkan tata bahasa dan sintaksis bahasa DNA ke dalam model kita untuk memahami dasar pasti yang mengendalikan gen-gen ini.
Jadi menurut saya yang membedakan kami dengan pihak lain di bidang ini adalah kami memberikan solusi komprehensif: tanaman digital yang tumbuh di bidang digital, mengerjakan sifat-sifat yang terkadang dikendalikan oleh ribuan atau puluhan ribu gen, dan mengembangkan pemahaman yang baik tentang beberapa gen penting untuk sifat-sifat tertentu, memahami pasangan basa penting untuk mengendalikan sifat-sifat tersebut.
AFN: Bagaimana Anda memvalidasi model Anda?
BZ: Itu adalah hal lain yang menurut saya kita berbeda. Semua yang saya katakan sebelumnya tentang informasi biologis yang belum pernah ada sebelumnya dan kemampuan kita untuk melakukan semua hal ini melalui AI, tidak akan berarti apa-apa kecuali AI bekerja pada tanaman nyata dan lingkungan nyata. Jadi kami telah memvalidasi semua model kami dengan tanaman nyata yang tumbuh di lingkungan nyata.
Dalam hal kembaran digital, kami telah menunjukkan bahwa kami dapat menyimulasikan varietas yang telah ditanam oleh mitra kami di lingkungan baru atau lingkungan yang belum mereka beritahukan kepada kami, dan bahwa kami memiliki akurasi tinggi dalam menciptakan kembaran digital tersebut.
Dalam hal fungsi penemuan gen, kami menghabiskan banyak waktu saat berada di Google X untuk menjalankan seluruh tumpukan. Jadi kami akan mengidentifikasi suatu sifat, kami akan menjalankan uji coba lapangan. Kami akan mengekstrak jaringan dan mengambil sampel jaringan, yang merupakan hal yang tidak sepele saat Anda melakukan RNA.
Kami akan melatih modelnya dan berdasarkan omics kami akan mengidentifikasi gennya, lalu kami melakukan pengeditan gen. Tanaman tersebut telah diedit gennya, dan kami mengamatinya tumbuh, dan kami melihat bagaimana gen yang kami identifikasi sebenarnya berdampak pada sifat yang kami targetkan.
Kami telah melakukan hal tersebut pada tiga spesies sejauh ini, dan angka efisiensinya memperjelas bahwa kami memiliki tingkat akurasi yang belum pernah terjadi sebelumnya dalam model penemuan gen tersebut.
AFN: Tanaman apa yang sedang kamu kerjakan?
BZ: Miliaran dolar dihabiskan untuk penelitian pertanian pada dua tanaman: jagung dan kedelai, dan satu sifat: hasil. Kami menyadari pada masa-masa awal bahwa begitu Anda keluar dari spesies utama, maka inilah Wild West dalam hal pemahaman genom.
Jadi kami menghabiskan banyak waktu mempelajari cara menjalankan uji coba lapangan dengan cara yang hemat biaya untuk mendapatkan omics yang tepat, cara membangun arsitektur model yang efisien sehingga Anda tidak perlu mengeluarkan banyak uang untuk komputasi.
Kami menghabiskan waktu kami di Google X mencari tahu bagaimana melakukan hal ini untuk dunia pertanian lainnya. Semua spesies luar biasa lainnya yang kita andalkan untuk pangan dan nutrisi… sayuran, kehutanan, semua hal ini akan terbuka jika kita dapat menurunkan biaya dan mempercepat waktunya, dan itulah yang telah kita kembangkan.
AFN: Apa model bisnis Anda?
BZ: Kami akan bekerja dengan siapa saja yang ingin meningkatkan hasil panen. Dan itu terjadi dalam berbagai bentuk. Terkadang hal ini sesederhana memberikan lisensi pada perangkat lunak kami yang memungkinkan para pemulia yang sudah memiliki koleksi genetika dan meminta mereka melakukan simulasi lingkungan baru sehingga mereka dapat meningkatkan pangsa pasarnya. Mereka dapat memitigasi risiko iklim. Mereka dapat memitigasi risiko geopolitik.
Terkadang kami bekerja dalam model lisensi sifat tradisional di mana kami akan mengidentifikasi strategi untuk meningkatkan suatu sifat, dan kemudian akan ada royalti atas sifat yang ditingkatkan tersebut. Dan yang benar-benar menarik adalah milik kami kemitraan dengan (petani dalam ruangan) Red Sun Farmsdi mana kita akan membuat varietas stroberi baru yang lebih baik.
Secara tradisional, ketika Anda menggunakan model statistik linier, Anda harus melakukan beberapa pengorbanan. Anda juga harus sangat fokus pada hasil, mendorong peningkatan hasil lebih cepat, atau hal lainnya. Jika Anda mencoba melakukan keduanya pada saat yang sama, Anda membuat kemajuan, namun Anda tidak membuat kemajuan secepat yang Anda bisa pada salah satu dari keduanya.
Kecerdasan buatan memungkinkan kita melakukan lebih dari itu. Kita dapat membuat kemajuan lebih cepat dalam berbagai sifat. Dan dalam beberapa kasus, membuat model lebih dibatasi dengan berfokus pada beberapa sifat akan menjadikan model lebih baik. Artinya, dalam program stroberi kami, dan di banyak program lainnya, kami berfokus pada banyak sifat. Hal ini mencakup sifat-sifat petani, seperti hasil dan ketahanan terhadap penyakit, namun juga mencakup sifat-sifat konsumen seperti rasa, arsitektur buah, dan warna.
AFN: Dengan pendekatan Anda, saya kira Anda dapat menggunakan ini untuk menginformasikan proses pemuliaan tradisional atau proses penyuntingan gen?
BZ: Itu benar. Itu sebabnya saya menyebutnya solusi komprehensif untuk perbaikan tanaman. Ada ciri-ciri tertentu yang perlu dikembangbiakkan. Itu disebut sifat kuantitatif. Ada ribuan gen berukuran efek rendah yang mengendalikan sifat tersebut. Tidak akan mudah untuk mewujudkan hal tersebut melalui jalur CRISPR, sehingga pembiakan akan tetap ada.
Penggabungan lingkungan adalah tugas yang sangat rumit, dan cara kami menyelesaikannya adalah melalui simulasi kembaran digital.
Ada juga pasar yang tidak akan menoleransi penyuntingan gen, baik karena alasan peraturan atau karena alasan opini publik.
Sekarang ada beberapa sifat yang benar-benar akan dipercepat melalui penyuntingan gen atau jalur mutagenesis bertarget lainnya. CRISPR bukan satu-satunya solusi untuk membuat dan mengedit tepat di tempat yang Anda inginkan. Jadi kami juga memberikan kemampuan untuk menurunkan biaya dan mempercepat jangka waktu pembangunan jaringan pipa tersebut.
AFN: Dengan siapa kamu bermitra?
BZ: Kami telah mengungkapkan kemitraan dengan Syngenta; (Pemulia tanaman Jerman) KWS; ArborGen, yaitu tempat pembibitan pohon; dan Peternakan Matahari Merah. Baru-baru ini, kami menerima hibah sebesar $5 juta dari Gates Foundation untuk menggunakan seluruh kekuatan dan keajaiban semua alat komputasi yang baru saja saya ceritakan untuk meningkatkan kualitas jagung bagi petani kecil Sub-Sahara.
AFN: Misi Anda adalah membuat pengembangan tanaman lebih murah dan cepat. Alat apa yang menjadi kunci untuk mewujudkan hal ini?
BZ: Ada tiga disrupsi teknologi yang terjadi saat ini yang memungkinkan pengurangan biaya dan percepatan waktu perbaikan tanaman.
Pertama, penurunan biaya pengurutan DNA dan RNA yang sangat drastis, ditambah perbaikan yang terjadi bersamaan dalam hal-hal seperti pengukuran protein, epigenetika, metabolit…. Kita sekarang hidup di era informasi yang belum pernah ada sebelumnya tentang sistem biologis.
Kedua. Kami sekarang memiliki drone. Kami memiliki satelit yang mencakup setiap meter planet ini. Kami memiliki peralatan penginderaan pada peralatan pertanian. Itulah revolusi teknologi yang kedua. Kita hidup di era informasi yang belum pernah ada sebelumnya tentang planet kita, cuaca, tanah, dan lain-lain.
Namun ada tantangan dalam berenang di tingkat informasi yang belum pernah ada sebelumnya, semua data genomik, semua data lingkungan, bagaimana Anda memahami semuanya?
Masuki revolusi teknologi ketiga, AI, yang sangat baik dalam mengintegrasikan data yang berbeda dan heterogen ini. Anda tahu data cuaca adalah beberapa inci curah hujan, hari dengan derajat pemanasan… AI sangat baik dalam memisahkan sinyal dari kebisingan. Ia sangat baik dalam memahami proses nonlinier yang sangat kompleks. Jadi inilah tiga hal yang, jika digabungkan, akan memungkinkan terciptanya sistem pertanian baru yang berbiaya lebih rendah dan jangka waktu lebih cepat..
AFN: Seberapa besar kemampuan Anda untuk mengompres jalur penelitian dan pengembangan?
BZ: Seringkali diperlukan waktu hingga satu dekade dan kadang-kadang bahkan $100 juta untuk memperbaiki hasil panen, dan hal tersebut merupakan batasan besar pada sistem pangan kita.
Saya akan membuat klaim yang berani dan ambisius: Saya pikir kita akan mendapatkan varietas stroberi baru di rak supermarket dalam empat tahun dari awal hingga akhir dengan harga beberapa juta dolar, dan ini hanyalah permulaan.
Bacaan lebih lanjut:
Resurrect Bio mengumpulkan $8,1 juta untuk membuka kemampuan ketahanan penyakit bawaan tanaman
🎥 Perangkat baru Ag: AI, genomik, dan robotika menyatu di World Agri-Tech