В текущих климатических условиях модель предсказывает план для урожая сои с 8.На 5 процентов больше продуктивности, но при этом используется на 13 процентов меньше воды и отражается на 34 процента больше излучения обратно в космос за счет разведения для немного другого распределения листьев, углов и отражательной способности. Эта работа опубликована в журнале Global Change Biology.
«Модель позволяет вам взглянуть на одну из этих целей по отдельности или на все сразу», — сказал Правин Кумар, соавтор исследования, профессор гражданской и экологической инженерии Ловелла в Иллинойсе. «Могут быть некоторые области, где вы смотрите только на один аспект — если вы находитесь в засушливой зоне, вы можете структурировать вещи, чтобы максимизировать эффективность использования воды.
В других областях вы можете сосредоточиться на продуктивности питания."
Растения эволюционировали, чтобы побеждать другие растения — например, затеняя другие растения или обильно используя воду и питательные вещества в ущерб соседним растениям.
Однако в сельскохозяйственных условиях растениям не нужны такие меры конкуренции.
«Наши культурные растения отражают многие миллионы лет эволюции в дикой природе в этих конкурентных условиях», — сказал У. я. профессор биологии растений Стивен П. Лонг, также соавтор исследования. «На посевных площадях мы хотим, чтобы растения делились ресурсами и сохраняли воду и питательные вещества, поэтому мы искали, какое расположение листьев лучше всего подходит для этого."
Исследователи стремились к трем конкретным направлениям улучшения. Во-первых, продуктивность.
Во-вторых, использование воды. В-третьих, борьба с изменением климата путем отражения большего количества солнечного света от листьев. Чтобы решить все три проблемы, они использовали уникальную тактику компьютерного моделирования всего растения сои.
«В нашем подходе использовалась методика, называемая« числовая оптимизация », чтобы опробовать очень большое количество комбинаций структурных характеристик, чтобы увидеть, какая комбинация дает наилучшие результаты по каждой из наших трех целей», — сказал ведущий автор Даррен Дрюри, бывший постдокторант. исследователь, который сейчас работает в Лаборатории реактивного движения Калифорнийского технологического института. "И что удивительно, существуют комбинации этих качеств, которые могут улучшить каждую из этих целей одновременно."
Модель рассматривает биологические функции, такие как фотосинтез и использование воды, а также физическую среду. Исследователи изучили, как биология растения изменилась с различными структурными особенностями, такими как распределение площади листьев, расположение листьев на стебле по вертикали и углы расположения листьев.
Например, изменив структуру таким образом, чтобы листья распределялись более равномерно, через навес может проникать больше света. Это позволяет фотосинтезу происходить на нескольких уровнях, а не ограничиваться верхним слоем, что увеличивает способность растения производить бобы. Менее плотный навес потребляет меньше воды без снижения производительности. А изменение угла наклона листьев может позволить растению отражать больше солнечной радиации, чтобы компенсировать изменение климата.
«Большинство генетических подходов рассматривают очень специфические черты», — сказал Кумар. "Они не рассматривали реструктуризацию всего навеса. У нас есть уникальные возможности моделирования, с помощью которых мы можем моделировать весь растительный покров с множеством деталей. Мы также можем смоделировать, что эти навесы растений могут делать в будущем климате, чтобы они все еще действовали через 40 или 50 лет."
После того, как компьютер спрогнозирует оптимальную структуру растения, можно выбрать или вывести урожай из различных форм соевых бобов, которые уже доступны — без регулирования и затрат, связанных с генной инженерией.
«Такой численный подход — с использованием реалистичных моделей растительного покрова — может предоставить метод для опробования гораздо большего числа комбинаций признаков, чем это возможно при полевой селекции», — сказал Дрюри. «Этот подход затем может помочь направлять полевые программы, указывая на растения с определенными комбинациями признаков, уже протестированными на компьютере, которые могут иметь наибольшую отдачу в этой области."
Исследователи надеются, что их подход к моделированию не только повысит урожайность сои, но и принесет пользу сельскому хозяйству во всем мире, поскольку население продолжает расти.
По словам Лонга, «Продовольственная и сельскохозяйственная организация Объединенных Наций прогнозирует, что к 2050 году нам потребуется на 70 процентов больше первичных продуктов питания, чтобы накормить мир, чем мы производим сегодня, — и все же нам придется делать это, вероятно, не имея больше воды, пока в то же время имея дело с изменением климата."
«Нам нужны новые инновации, чтобы добиться скачка урожайности», — сказал Лонг. «Мы показали, что, изменив расположение листьев, мы можем повысить урожайность без использования большего количества воды, а также компенсировать глобальное потепление."
Затем исследователи планируют использовать свою модель для анализа структурных характеристик других культур. В рамках проекта, поддерживаемого Фондом Билла и Мелинды Гейтс, Лонг возглавляет международные усилия по улучшению риса, сои и маниоки, руководствуясь аналогичными вычислительными подходами, с конечной целью создания более продуктивных и устойчивых культур.
"Изучая растения с использованием подробных компьютерных моделей и оптимизации, мы можем значительно ускорить разработку новых типов сельскохозяйственных растений, которые могут решить некоторые из самых серьезных проблем, стоящих перед обществом сегодня, связанных с необходимостью производить больше продуктов питания в более разнообразных условиях. и неопределенная климатическая система ", — сказал Дрюри.
Кумар также связан с отделом атмосферных наук. Лонг также является профессором наук о сельскохозяйственных культурах и преподавателем в Институте геномной биологии.
Национальный научный фонд и фонд Гейтса поддержали эту работу.