CropML: Neue Maschinelle Lernverfahren zur akkurateren Pflanzenzüchtung durch Integration heterogener externer Faktoren des BMBF Programm "Erforschung, Entwicklung und Nutzung von Methoden der Künstlichen Intelligenz in KMU"

Abstract

Angesichts des Klimawandels und steigender Bevölkerungszahlen steht die Landwirtschaft heute vor der Herausforderung, neue ertragreiche und zugleich ressourcenschonende Pflanzensorten zu züchten, die unter verschiedenen Umweltbedingungen gedeihen können. Moderne Methoden des maschinellen Lernens (ML) bieten hier neue Möglichkeiten: Anhand von genetischen Markern und Umweltfaktoren wie Temperatur, Niederschlag und Bodenbeschaffenheit lassen sich phänotypische Eigenschaften potenzieller Kreuzungen vorhersagen und der Züchtungsprozess dadurch erheblich beschleunigen. In der Zuchtwertschätzung und Phänotypvorhersage gelten statistische Modelle auf Basis des Best Linear Unbiased Predictor (BLUP) als Stand der Technik. Darüber hinaus wurden verschiedene ML-Methoden für die Phänotypvorhersage getestet, die Ergebnisse blieben jedoch aufgrund der begrenzten Datenverfügbarkeit oder methodischer Herausforderungen oft hinter den Erwartungen zurück. Komplexe Modelle wie neuronale Netze wurden bisher nur vereinzelt eingesetzt. Das Hauptziel des CropML-Projekts war die Entwicklung robuster ML-Methoden zur präzisen Vorhersage phänotypischer Merkmale von Pflanzen. Durch die Kombination genetischer Informationen mit multiplen Umweltfaktoren sollten zentrale Herausforderungen in der Pflanzenzüchtung adressiert werden – insbesondere die Prognose des Ertrags und die Identifikation widerstandsfähiger Sorten für neue Anbaubedingungen. Das Projektkonsortium bestand aus der Computomics GmbH (im Folgenden Computomics oder CTX genannt) unter der Leitung von Dr. Sebastian J. Schultheiss und der Professur für Bioinformatik der Hochschule Weihenstephan-Triesdorf am TUM Campus Straubing für Biotechnologie und Nachhaltigkeit (im Folgenden HSWT/TUMCS genannt) unter der Leitung von Prof. Dr. Dominik Grimm. Die Mitarbeiter von Computomics waren hauptverantwortlich für die Bereitstellung und Aufbereitung der verschiedenen genetischen und Umweltdaten. Die Aufgabe der HSWT/TUMCS war die Erforschung und Entwicklung neuer Methoden des maschinellen Lernens zur Vorhersage von Phänotypen. Datei-Upload durch TIB