Doktorgradsarbeidet til Olumide Victor Onabanjo viser at kunstig intelligens kan bidra til å forklare hvorfor genetisk variasjon ikke forsvinner etter langvarig seleksjon.
Gjennom mange år har avlsarbeid gjort husdyr stadig mer produktive. Melkekyr gir mer melk, verpehøner legger flere egg, og slaktekyllinger vokser raskere enn tidligere. Hvis de beste dyrene velges ut i hver generasjon, hvorfor forsvinner ikke den genetiske variasjonen som avlen er avhengig av?
I dagens avlsforskning brukes datasimuleringer for å forutsi hvordan en populasjon vil utvikle seg gjennom mange generasjoner. Modellene er et viktig redskap når forskere og avlsorganisasjoner planlegger framtidige avlsprogram. Men problemet er at de tradisjonelle modellene ofte viser at genetisk variasjon gradvis blir brukt opp, mens virkeligheten viser noe annet.
For selv om husdyrpopulasjoner har vært avlet med intensiv seleksjon gjennom mange år, har ikke framgangen stoppet opp.
Gener virker sammen
Svaret kan være hvordan gener virker sammen. De fleste klassiske modeller antar at hvert gen bidrar uavhengig av de andre. Men i virkeligheten inngår gener i komplekse nettverk der effekten av ett gen kan avhenge av hvilke andre genvarianter som finnes hos individet.
For å undersøke betydningen av slike genetiske samspill tok Onabanjo i bruk dyplæring, med samme type kunstig intelligens som brukes til blant annet bildeanalyse . Metoden er spesielt godt egnet til å oppdage komplekse mønstre i store datamengder.
Målet var å undersøke om modellene kunne beskrive sammenhengen mellom genotype og fenotype, altså mellom gener og egenskaper, mer realistisk enn dagens modeller. Modellene skulle lære sammenhengen mellom dyrenes genetiske kode og egenskaper på egen hånd.
Resultatene tyder på at genetisk variasjon kan opprettholdes langt bedre enn tradisjonelle simuleringer tilsier, fordi variasjon som er skjult i samspill mellom gener gradvis kan omformes til en form som seleksjonen kan utnytte videre.
Valget av modell har betydning for hvordan genetisk utvikling blir beskrevet
I en av studien til Onabanjo ble modellene brukt til å simulere utviklingen av genetisk variasjon gjennom 20 generasjoner. Tradisjonelle modeller beholdt 55 til 64 prosent av den opprinnelige variasjonen, mens den enkleste dyplæringsmodellen mistet all variasjon etter bare fem generasjoner. De mest avanserte modellene ga derimot svært høye nivåer av genetisk variasjon, og én modell viste nesten firedobling etter 20 generasjoner. Resultatene viser at valg av modell kan ha stor betydning for hvordan genetisk utvikling blir beskrevet.
Hvor kommer den økte genetiske variasjonen fra?
For å prøve å forstå hvor den økte variasjonen kom fra ble simuleringene utvidet til 40 generasjoner.
Resultatene viste at variasjonen ikke ble skapt på nytt. I stedet ble den omfordelt mellom ulike former for genetisk variasjon. I dyplæringsmodellene økte den additive genetiske variasjonen kraftig, mens variasjonen som var knyttet til samspill mellom gener ble redusert.
Dette tyder på at genetisk variasjon kan være skjult i genenes samspill og gradvis bli gjort tilgjengelig for seleksjon. I de tradisjonelle modellene ble det ikke observert en tilsvarende omfordeling. Der falt både den additive variasjonen og samspillsvariasjonen gjennom hele simuleringen.
Kan gi mer realistiske avlsmodeller
Doktorgradsarbeidet til Onabanjo viser at dyplæringsmodeller kan brukes til å beskrive sammenhengen mellom gener og egenskaper på en mer sammensatt måte enn tradisjonelle metoder. Resultatene gir en mulig forklaring på hvorfor virkelige avlspopulasjoner ser ut til å bevare genetisk variasjon lenger enn dagens simuleringer tilsier.
Studiene bygger imidlertid på simuleringer med flere forenklinger. Det ble blant annet studert én egenskap om gangen, innavl ble ikke styrt, og geneffektene ble holdt konstante gjennom alle generasjonene. Derfor gjenstår det både utvikling og testing av modellene før resultatene kan brukes direkte i praktisk avlsarbeid.
Olumide Victor Onabanjo forsvarer sin doktorgradsavhandling med tittelen: "Modellering av genotype-fenotype-kartet ved hjelp av dyp læring for å forutsi langsiktige seleksjoner" ved NMBU 15. oktober.
Professor Peer Berg, NMBU har vært hovedveileder for Onabanjo. Medveiledere har vært professor Theodorus Meuwissen, NMBU og professor Hans Magnus Gjøen, NMBU.