Soilytix veröffentlicht heute LOAM, eine Familie genomischer KI-Modelle, die auf Long-Read-Umweltgenomen trainiert wurden. Begleitend erscheint ein Preprint, das ihre biologische Leistungsfähigkeit evaluiert.
Diese Pressemitteilung enthält multimediale Inhalte. Die vollständige Mitteilung hier ansehen: https://www.businesswire.com/news/home/20261001507973/de/
Soilytix’s bio-asset discovery platform connects field evidence with deep long-read metagenomics and genomic AI to identify and prioritise microbial genes and proteins as crop-protection candidates for experimental testing.
„Im Boden unter unseren Füßen findet seit Milliarden von Jahren biologische Forschung und Entwicklung statt. Die Herausforderung besteht darin, zu wissen, wo man suchen muss und was sich zu testen lohnt“, sagt Tim Rajakumar, Chief Scientific Officer bei Soilytix. „Wir nutzen Feldbeobachtungen, tiefe Sequenzierung und Modelle wie LOAM, um diese Suche einzugrenzen.“
Biologie aus Umwelt-DNA lernen
Die meisten genomischen KI-Modelle werden überwiegend mit etablierten Referenzsammlungen trainiert. Die Umwelt-Metagenomik eröffnet Zugang zu einer breiteren mikrobiellen Vielfalt, von der ein Großteil bislang kaum charakterisiert ist.
LOAM wurde mit 15.640 mikrobiellen Genomen trainiert, die aus Long-Read-Sequenzierungen von Boden-, Sediment- und Wasserproben rekonstruiert wurden und insgesamt rund 67,5 Milliarden DNA-Basen umfassen.
Die Modelle wurden hinsichtlich Gen-Essentialität, Enzymfunktion und der Effekte genetischer Varianten evaluiert. In einem Enzymfunktions-Benchmark mit experimentell annotierten Genen aus 128 funktionellen Klassen belegte LOAM-624M unter allen evaluierten Modellen den ersten Platz – einschließlich Modellen, die rund zehnmal größer sind. Über die gesamte Evaluation hinweg erzielte LOAM Spitzenwerte unter Modellen vergleichbarer Größe und blieb gegenüber deutlich größeren Modellen konkurrenzfähig.
Die Ergebnisse deuten darauf hin, dass Long-Read-Umweltgenome nützliche Trainingsdaten für genomische KI liefern können und die Modelle zugleich mit Biologie vertraut machen, die in herkömmlichen Referenzsammlungen kaum vertreten ist.
Von Feldbeobachtungen zu Kandidaten
Soilytix verknüpft diese Modelle mit biologischen Mustern, die auf landwirtschaftlichen Flächen beobachtet werden. In krankheitsunterdrückenden (suppressiven) Böden etwa kann ein Erreger vorhanden sein, während die Krankheit immer wieder ausbleibt – ein Hinweis darauf, dass die umgebende mikrobielle Gemeinschaft nützliche Biologie enthalten könnte.
Soilytix hat einen Datensatz aufgebaut, der Tausende landwirtschaftlicher Feldproben umfasst und mikrobielle Gemeinschaften mit dem Auftreten von Krankheitserregern und dem Krankheitsgeschehen verknüpft. Das unternehmenseigene Labor kann aus vielversprechenden Umgebungen tiefe Long-Read-Genomdaten generieren, während LOAM und etablierte bioinformatische Methoden dabei helfen, Kandidatengene und -proteine für Tests zu priorisieren.
Ziel ist es, einen großen biologischen Suchraum auf eine kleinere, besser fundierte Auswahlliste für das experimentelle Screening einzugrenzen.
„Der Mehrwert für einen Partner im Pflanzenschutz liegt nicht im Zugang zu einem weiteren KI-Modell“, sagt Bruno Steinkraus, Gründer und CEO von Soilytix. „Er liegt darin, mit einem klar definierten Erreger oder Produktziel zu starten und gezielt auf biologische Kandidaten hinzuarbeiten, die sich tatsächlich testen lassen.“
Soilytix bietet für 2027 eine begrenzte Anzahl von Discovery-Pilotprojekten mit Pflanzenschutz- und Biologicals-Unternehmen an.
Veröffentlichung für die Forschung
Alle vier LOAM-Modelle werden zusammen mit dem Manuskript für Forschungszwecke veröffentlicht:
- Preprint: LOAM: A family of genomic language models
- LOAM-Modelle: LOAM - a Soilytix Collection
- Fachartikel: Introducing LOAM: Learning Biology from Long-Read Soil Genomes
Über Soilytix
Soilytix ist ein Hamburger Unternehmen für Bodenintelligenz und Biotechnologie, das Felddaten, molekulare Analytik, Long-Read-Genomik und computergestützte Modelle kombiniert. Seine Discovery-Plattform für Bio-Assets nutzt Feldbeobachtungen, tiefe Sequenzierung und computergestützte Modelle, um mikrobielle Kandidaten für die experimentelle Validierung mit Partnern zu priorisieren.
Originalversion auf businesswire.com ansehen: https://www.businesswire.com/news/home/20261001507973/de/
© Business Wire, Inc.
Disclaimer :
هذا البيان الصحافي ليس وثيقة من إعداد وكالة فرانس برس. لن تتحمل وكالة فرانس برس أية مسؤولية تتعلق بمضمونه. ألرجاء التواصل مع الأشخاص/المؤسسات المذكورين في متن البيان الصحافي في حال كانت لديكم أية أسئلة عنه.