2026. július 30., csütörtök · Kutatás

Gépi tanulással azonosítottak növényvédő mikrobákat vad Arabidopsis-populációkban

Kutatók hat generáción át gyűjtött levélmikrobiom-adatokat elemeztek vad Arabidopsis-populációkból, amelyeket az Albugo laibachii oomycéta fertőz. Négy gépi tanulási modellel azonosították a fertőzött és egészséges növényekre jellemző, betegséghez, illetve egészséghez társuló mikrobákat. A legjobban teljesítő baktériumokat, gombákat és cerkozoákat növényeken tesztelve mindegyik védelmet nyújtott az Albugo ellen, az egészséghez társult mikrobák pedig hatékonyabbnak bizonyultak. A legígéretesebb jelölt, egy Cystofilobasidium gomba, szintetikus mikrobaközösségben is igazolta védőhatását; a vizsgálatok szerint ez elsősorban mikroba-mikroba kölcsönhatásokon, nem a növényi immunválasz aktiválásán keresztül valósul meg. A Nature Communications-ben megjelent kutatás bizonyítja, hogy mikrobiom-adatok gépi tanulással történő párosítása hatékony biológiai védekezési szerek azonosítására alkalmas.

Miért fontos?

Az eredmény kísérletileg validált, adatvezérelt utat mutat a mikrobiom-alapú növényvédelem fejlesztésére a hagyományos, empirikus szűrés helyett.

Források

Nature Tudományos arXiv cs.AI Preprint

Említve a tudásbázisban

fogalom Gépi tanulás (ML)

Kapcsolódó témák

Napi összefoglalók AI kutatás #Gépi tanulás#Biocontrol

Napi összefoglaló

Ez a hír a 2026. július 30., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Gépi tanulás azonosít növényvédő mikrobákat vad Arabidopsis-populációkban

A Nature Communications-ben publikált, lektorált kutatás hat generáción át gyűjtött levél-mikrobiom adatok alapján gépi tanulási modelleket tanított be, hogy megkülönböztesse az Albugo laibachii kórokozóval fertőzött és egészséges vad Arabidopsis növényeket mikrobiota-összetételük szerint. A modellek azonosították a betegséghez, illetve az egészséges állapothoz köthető mikrobákat; a legjobb jelölteket növényben tesztelve mindegyik védelmet nyújtott, az egészség-asszociált taxonok jobban teljesítettek. A legígéretesebb jelölt egy Cystofilobasidium gomba volt, amelynek védőhatása a vizsgálatok szerint elsősorban mikroba-mikroba kölcsönhatásokon, nem a növényi immunrendszer aktiválásán múlik. A szerzők szerint a mikrobiom-adatok és a gépi tanulás párosítása hatékony úton segítheti a biokontroll-ágensek célzott azonosítását.

A Nature Neuroscience áttekintése: az idegi időskálák számítási szempontú szintézise

A Nature Neuroscience folyóiratban megjelent áttekintő cikk három számítási irányból vizsgálja, hogyan érthetők meg az agyi aktivitás eltérő időskálái. A szerzők – Zeraati, Levina, Macke és Gao – szintetizálják, hogy (1) különböző adatelemzési módszerek hogyan számszerűsítik az időskálákat viselkedési állapotok és mérési modalitások között; (2) biofizikai modellek milyen mechanisztikus magyarázatokat adnak az eltérő időskálák kialakulására; és (3) feladatvégző hálózatok és gépi tanulási modellek hogyan tárják fel az idegi időskálák funkcionális szerepét. A cikk szerint ez az integratív megközelítés kiegészíti a kísérleti kutatásokat, és holisztikus képet nyújt arról, miként tükrözik az idegi időskálák az agy szerkezete, dinamikája és viselkedése közötti összefüggéseket.

Új mérési szabvány leplezi le a diffúziós nyelvmodellek kiértékelési hibáit

Egy nem lektorált preprint szerint a maszkolt diffúziós nyelvmodellek (MDLM) remasking stratégiáit vizsgáló hét friss kutatás egymással össze nem hasonlítható beállításokat használt: eltérő lépésszámot, metrikát és mintavételi hőmérsékletet, ezért a közölt rangsorok megbízhatatlanok. A szerzők bemutatják a CaRE nevű, számítási kapacitást figyelembe vevő kiértékelési keretrendszert, amely rögzíti a tényleges függvényhívások számát és több metrikát jelent egyszerre. A LLaDA-8B-Base és Dream-7B-Base modelleken végzett tesztek szerint a hőmérséklet magyarázza a MAUVE-mutató változásának nagy részét, a számításilag azonos feltételek melletti összehasonlítások pedig több publikált rangsort megfordítanak. A kutatás azt is állítja, hogy az informált remasking és a sztochasztikus feloldás egymással ütközik, amit egy 12 nyílt súlyú modellt felölelő ranglista is alátámaszt.

ProteinGuide: célzott fehérjetervezés generatív modellek utólagos irányításával

A Nature Biotechnology folyóiratban megjelent kutatás bemutatja a ProteinGuide nevű módszert, amely lehetővé teszi, hogy már betanított fehérje-generáló modelleket (ESM3, ProteinMPNN, MultiFlow) további tanítás nélkül, menet közben irányítsanak kísérleti adatok alapján. A szerzők egy közös statisztikai keretet dolgoztak ki, amely maszkolt nyelvi, autoregresszív és diszkrét diffúziós modellekre egyaránt alkalmazható. Kísérletileg magasabb stabilitású vagy aktivitású fehérjéket, illetve egymásnak ellentmondó tulajdonságok közötti kompromisszumot kereső fehérjéket terveztek. Laboratóriumi adatokkal kombinálva egy adenin-báziscserélő enzim szerkesztési hatékonyságát növelték, amely a szerzők szerint felülmúlta a hét körös irányított evolúcióval elért korábbi eredményt. A kód és a nyers szekvenálási adatok nyilvánosan elérhetők.