Biografisebuah perusahaan rintisan yang menerapkan AI dan pembelajaran mesin untuk mempercepat dan meningkatkan proses pengembangan sifat tanaman dengan mengidentifikasi target bernilai tinggi untuk penyuntingan gen, telah mengumpulkan dana sebesar £7 juta ($9,5 juta).
Putaran ini dipimpin oleh Faber VC dengan partisipasi dari Benih Super, Modal Cardumen, Helmdan investor yang ada Usaha Chalfen Dan Pengusaha Pertama. Suntikan dana tunai tersebut akan digunakan untuk memperluas pengumpulan data milik Biographica, memperluas platform AI-nya ke sifat-sifat tanaman baru, dan memperdalam hubungan komersial di seluruh industri benih.
Perusahaan yang berbasis di London, yang telah menyelesaikan uji coba dengan banyak mitra termasuk dua dari lima perusahaan benih global terkemuka, juga mengumumkan kemitraan baru dengan bisnis benih sayuran BASF. Nunhemmeski belum bisa membagikan detail apa yang akan dikerjakan keduanya.
“Kami telah melihat AI mengubah bidang farmasi, mengubah jalur coba-coba menjadi sistem biologis yang dapat dipelajari. Kami menerapkan disiplin yang sama pada tanaman.” Cecily Price, CEO, Biografi
Hambatan penemuan
Mengembangkan varietas tanaman yang lebih baik masih sangat mahal dan memakan waktu, kata Biographica, yang didirikan pada tahun 2022 oleh Cecily Price dan Dominic Hall, PhD, yang menggabungkan keahlian di bidang genetika, AI/ML, dan biologi komputasi.
Hambatan yang ada, kata mereka, jelas: Saat ini kita memiliki alat seperti CRISPR yang dapat mengedit gen dengan sangat presisi, namun alat tersebut tidak dapat memberi tahu kita gen mana yang mengontrol sifat-sifat utama seperti toleransi terhadap kekeringan, ketahanan terhadap penyakit, atau nutrisi, atau cara mengeditnya.
“Jalur yang ada saat ini bergantung pada penggalian literatur, intuisi ilmuwan, dan pengujian throughput tinggi. Metode-metode ini menghasilkan tingkat keberhasilan <1% dan memaksa perusahaan-perusahaan benih untuk menguji ribuan pengeditan untuk menemukan satu yang berhasil, sambil mengabaikan banyak gen baru yang memiliki potensi nyata. Tanpa panduan yang lebih baik, inovasi akan tetap lambat, mahal, dan berisiko."
Biographica bertujuan untuk memecahkan hambatan ini dengan menerapkan AI untuk mengidentifikasi gen yang paling penting dengan cepat dan memberikan petunjuk tentang cara mengeditnya.
Dalam uji coba yang dilakukan oleh perusahaan benih dan pemuliaan terkemuka, perusahaan ini mengidentifikasi target gen yang telah terbukti 12x lebih cepat dibandingkan metode tradisional, namun juga mampu mengungkap target baru yang tidak dimiliki metode tradisional, sehingga berpotensi memungkinkan sifat-sifat baru yang bernilai tinggi untuk mencapai pasar, klaim perusahaan tersebut.
Kini mereka menggabungkan platformnya dengan validasi eksperimental cepat untuk menciptakan model “lab-in-the-loop” yang populer dalam penemuan obat, dimana platform terus “berkembang” melalui masukan yang konstan.
“Ketika perubahan iklim semakin meningkatkan tekanan pada sistem pertanian, perbaikan genetika tanaman adalah cara paling ampuh yang kita miliki untuk meningkatkan hasil panen secara berkelanjutan dan membangun ketahanan..” Sofia Santos, mitra, Faber VC
Gen dan sifat: Dari korelasi hingga sebab akibat
Saat ini, kata Hall Berita AgFunderbanyak perusahaan masih mengandalkannya GWAS (Studi Asosiasi Seluruh Genom) yang memindai genom banyak tanaman dan secara statistik menghubungkan varian DNA dengan sifat-sifatnya dengan menanyakan: varian manakah yang lebih sering muncul pada tanaman yang memiliki sifat tersebut?
QTL Pemetaan (Quantitative Trait Loci), pada gilirannya, menyilangkan tanaman dengan sifat-sifat yang berbeda dan melacak bagaimana wilayah DNA dan sifat tersebut diwariskan bersama-sama pada keturunannya, sehingga mempersempit wilayah genom yang mungkin mempengaruhi sifat tersebut.
Tantangannya, kata Hall, adalah bahwa pendekatan-pendekatan ini membuktikan adanya korelasi, bukan hubungan sebab-akibat, dan tidak memprioritaskan atau memberi peringkat pada target atau “hasil” genetik. GWAS memiliki “kelemahan karena sangat sulit untuk memahami lebih dari sekadar 'varian ini dikaitkan dengan sifat ini' untuk mendapatkan pemahaman yang lebih mekanistik tentang alasan varian ini dapat dikaitkan dengan sifat tersebut.”
Sebaliknya, platform Biographica diterapkan grafik pengetahuan dan pembelajaran mesin untuk mencoba dan memprediksi gen mana yang paling berpengaruh, bagaimana mereka berinteraksi dengan gen lain, dan mana yang mungkin menjadi target terbaik untuk pengeditan gen dengan lebih sedikit efek samping yang tidak diinginkan.
Inti dari hal ini adalah model dasar yang dilatih pada kumpulan data genom multi-modal yang menangkap interaksi gen/gen dan gen/sifat. Model tersebut kemudian memprediksi gen yang paling mungkin berdampak secara kausal pada suatu sifat dan kemudian merancang pengeditan yang sesuai. Hasil eksperimen kemudian dimasukkan kembali ke dalam model, sehingga menghasilkan perbaikan berkelanjutan.
Seiring berjalannya waktu, hal ini akan menghasilkan tingkat keberhasilan yang lebih tinggi (mengidentifikasi gen-gen yang penting), lebih cepat, klaim perusahaan tersebut, yang dapat menyediakan target gen kepada para mitra untuk sifat-sifat bernilai tinggi pada tanaman-tanaman utama yang dapat berfungsi sebagai titik awal untuk pekerjaan pengembangan sifat mereka sendiri, atau dapat memberikan sifat-sifat yang tervalidasi secara eksperimental sehingga pelanggan dapat langsung masuk ke tahap uji coba.
Validasi komersial
Mengenai penggalangan dana, memiliki validasi komersial dalam bentuk kemitraan dengan BASF, Cibus (mengenai resistensi penyakit pada rapeseed/kanola) dan pemain kunci lainnya adalah kuncinya, kata Price.
“Kami memiliki target VC yang lebih luas yang dapat kami ajak bicara karena kami berada di titik persimpangan antara AI/ML, iklim, bioteknologi, dan teknologi, meskipun sisi sebaliknya adalah Anda berbicara dengan investor yang bukan merupakan investor asli atau spesialis dan memiliki skeptisisme yang cukup besar terhadap pasar.
“Jadi dengan mengatakan bahwa kami memiliki kontrak dengan beberapa perusahaan benih terbesar di dunia, hal ini jelas membantu, terutama dengan beberapa struktur kontrak dan proyek awal tersebut, karena kontrak dan proyek tersebut juga berfungsi sebagai validasi teknis.”
Hall menambahkan: “Kami berada dalam kondisi di mana validasi teknis yang sebenarnya membutuhkan proses bertahun-tahun, namun memiliki bukti awal yang menunjukkan bahwa kami mampu mencapai tingkat akurasi tinggi dalam lingkungan komersial jelas sangat membantu kami.”
Platform tanaman dan sifat-agnostik
Menurut Hall, model Biographica “dilatih terlebih dahulu pada kumpulan data pengurutan dan genetika yang sangat besar dari domain publik. Kami kemudian menyempurnakan model terlatih ini pada data yang kami kumpulkan sendiri.”
“Saat kami memulai,” kata Price, “Kami berbicara dengan banyak perusahaan benih dan calon pelanggan yang berbeda, dan saya berulang kali mendengar orang berkata, Kami bosan dengan perusahaan yang datang kepada kami dan berkata: Kami memiliki kemampuan pembelajaran mesin yang hebat. Sekarang berikan kami semua data Anda dan kami akan menunjukkan seberapa bagus data tersebut.
“Jadi, sejak awal, kami merancang versi pertama platform kami agar tidak bergantung pada data pelanggan atau mitra. Jadi dasarnya adalah kami menggunakan data publik dan data yang dihasilkan Biographica dari laboratorium kami, dan yang lebih penting lagi, kami menggunakan data lintas spesies dan data multimodal untuk melatih model kami.”
Biographica kemudian membandingkan hasil dari platformnya dengan data sifat gen yang telah dibuktikan secara internal oleh mitranya. Hal ini memvalidasi kecepatan dan kemanjuran pendekatan Biographica, namun juga mengidentifikasi gen baru yang “mungkin belum pernah dilihat oleh pasangannya,” tambah Hall.
“Tentu saja pengembangan sifat tanaman membutuhkan proses yang memakan waktu bertahun-tahun, namun kami telah memiliki banyak kemitraan komersial dengan target-target baru ini yang berkembang hingga tahap penelitian dan pengembangan hilir dalam saluran pelanggan.”
Meskipun banyak perusahaan benih dan pembibitan besar yang menerapkan AI dan ML secara internal, mereka sering kali disesuaikan dengan tanaman dan sifat yang sangat spesifik, sedangkan platform Biographica bersifat agnostik terhadap tanaman dan sifat, kata Price, yang mengatakan bahwa perusahaan tersebut telah bekerja dengan mitra di berbagai tanaman termasuk sayuran, tomat, buncis, minyak sayur, dan tanaman sereal utama.
Bacaan lebih lanjut:
Phytoform dan Corteva bermitra dalam AI untuk meningkatkan ketahanan terhadap penyakit pada jagung