Úvod
V posledních desetiletích čelí světová společnost zásadním výzvám spojeným s rostoucí populací, změnou klimatu a snižující se dostupností přírodních zdrojů. Tyto faktory mají přímý dopad na globální zemědělství, které musí zajistit dostatečné množství kvalitních potravin při současném minimalizování negativního vlivu na životní prostředí. Jedním z možných řešení těchto problémů je využití geneticky modifikovaných plodin (GMP), jež mohou nabídnout vyšší výnosy, odolnost vůči škůdcům, chorobám či extrémním klimatickým podmínkám.
Souběžně s pokrokem v genetickém inženýrství dochází k výraznému rozvoji umělé inteligence (AI), která se stává klíčovým nástrojem v mnoha vědních a technologických oblastech. V kontextu vývoje GMP poskytuje AI nové možnosti při analýze genomů, predikci vlastností rostlin a optimalizaci genetických úprav. Technologie jako strojové učení, hluboké neuronové sítě a zpracování velkých dat umožňují vědcům efektivněji navrhovat plodiny, které lépe odpovídají současným potřebám lidstva.
Tato esej se věnuje roli umělé inteligence ve vývoji geneticky modifikovaných plodin. Přináší přehled aktuálních technologií a jejich přínosů, zmapuje procesy, v nichž AI hraje zásadní roli, a zároveň analyzuje výzvy a omezení spojené s touto oblastí. Na závěr nastiňuje možné budoucí směry výzkumu, které by mohly podpořit efektivnější a udržitelnější zemědělství.
Geneticky modifikované plodiny
Geneticky modifikované organismy (GMO) lze definovat jako organismy (např. rostliny, zvířata nebo mikroorganismy), u nichž byl genetický materiál (DNA) upraven způsobem, který přirozeně nenastává při křížení nebo přirozené rekombinaci. Tato technologie se často označuje jako „moderní biotechnologie“ nebo „genová technologie“, někdy také „technologie rekombinantní DNA“ či „genetické inženýrství“. Umožňuje přenos vybraných genů z jednoho organismu do druhého, a to i mezi nepříbuznými druhy. Plodiny upravené touto technologií jsou odborně označovány jako geneticky modifikované (GM) plodiny. (Word Health Organization, 2024).
Význam
GM plodiny jsou vyvíjeny a uváděny na trh zejména díky potenciálním přínosům, které nabízejí producentům i spotřebitelům. Mezi tyto přínosy patří například snížení nákladů, zvýšení užitné hodnoty (jako je delší skladovatelnost nebo lepší nutriční profil), či kombinace obou faktorů. Zpočátku se vývoj geneticky modifikovaných semen soustředil na inovace přinášející přímé výhody zemědělcům a potravinářskému průmyslu, což mělo usnadnit jejich přijetí v praxi. Klíčovým cílem genetických úprav plodin je zlepšení ochrany zemědělských kultur před biotickými i abiotickými stresory. Současné geneticky modifikované plodiny jsou primárně navrženy ke zvýšení odolnosti vůči chorobám způsobeným hmyzem a viry, a také ke zvýšení tolerance vůči herbicidům (U.S. Food & Drug Administration, 2024). Odolnost vůči škůdcům, zejména hmyzu, se dosahuje zavedením genu z bakterie Bacillus thuringiensis (Bt) do genomu rostlin. Tento gen kóduje toxin účinný proti specifickým druhům škůdců, přičemž zůstává bezpečný pro lidskou konzumaci. Plodiny produkující tento toxin vykazují nižší potřebu insekticidů, což je obzvláště přínosné v oblastech s vysokým tlakem škůdců. Odolnost vůči virům se zajišťuje integrací genu pocházejícího z virů, které způsobují choroby rostlin. Tato modifikace zvyšuje schopnost rostlin odolávat virovým infekcím, což vede ke zvýšení výnosů. Tolerance vůči herbicidům je výsledkem přenosu genu z bakterií, který rostlinám umožňuje odolávat působení specifických druhů herbicidů. V prostředí s vysokou zátěží plevelem umožňují tyto plodiny snížit celkové množství aplikovaných herbicidů, což přináší jak ekonomické, tak environmentální výhody (Word Health Organization, 2024).
Etika
Etický pohled na geneticky modifikované plodiny je složitý a vyžaduje vyvážený přístup, který zohledňuje jak potenciální přínosy, tak i rizika spojená s jejich používáním. Etické otázky se týkají nejen vědeckých a environmentálních aspektů, ale i sociálních a morálních principů, které mohou ovlivnit rozhodování o jejich vývoji a využívání.
Jedním z hlavních etických argumentů pro využívání GM plodin je jejich schopnost přispět k řešení globálních problémů, jako je zajištění stabilního a udržitelného přísunu kvalitních potravin a dostatečných výnosů. Geneticky modifikované plodiny s odolností vůči škůdcům, chorobám či stresovým faktorům mohou výrazně zvýšit zemědělskou produktivitu, zejména v oblastech s nepříznivými klimatickými podmínkami (Qaim, 2010). GM plodiny mohou také snížit potřebu pesticidů, což pozitivně ovlivňuje životní prostředí a zdraví lidí, čímž se naplňuje etický cíl snížení ekologického zatížení. Dále mohou být GM potraviny obohaceny o cenné živiny, což může mít pozitivní dopad na lidské zdraví, zejména v oblastech postižených podvýživou (Dizon et al., 2016).
Na druhé straně však existují závažné etické obavy spojené s GM plodinami a potravinami. Jedním z hlavních rizik je možný negativní dopad na biodiverzitu, například v důsledku křížení GM plodin s nemodifikovanými odrůdami nebo šíření transgenů do volné přírody. Dále není doposud plně objasněno, jaké mohou být dlouhodobé účinky konzumace geneticky modifikovaných potravin na lidské zdraví, což si žádá další vědecký výzkum a monitorování. Etické otázky rovněž vyvstávají ohledně vlastnictví genetických zdrojů, protože patentování genů a biotechnologií může vést k monopolizaci a kontrole nad těmito cennými zdroji, což může mít negativní dopady na dostupnost technologií pro malé zemědělce, zejména v rozvojových zemích (Weale, 2010).
Produkce geneticky modifikovaných plodin se často setkává s výzvami a odporem, zejména ze strany veřejnosti a ekologických zemědělců. Tradiční metody hodnocení rizik, které zahrnují empirické postupy a kontrolované experimenty, jsou nákladné a časově náročné, což vedlo k nízké veřejné přijatelnosti kvůli obavám z dlouhodobých účinků GM plodin. Nicméně kombinace umělé inteligence a algoritmů strojového učení[1] (Machine Learning, ML) v zemědělských systémech může nabídnout rychlé a efektivní metody pro hodnocení rizik GM plodin pro životní prostředí a zdraví spotřebitelů. Použitím současných dat pro konkrétní plodinu tento nástroj dokáže předpovědět budoucí rizika, zvýšit transparentnost a důvěru mezi spotřebiteli, což může vést k vyšší přijatelnosti GM produktů (Mmbando, 2024).
Role AI ve vývoji geneticky modifikovaných potravin
Umělá inteligence označuje oblast zaměřenou na vývoj a využívání počítačových systémů nebo jiných zařízení, která jsou schopna vykonávat činnosti vyžadující lidskou inteligenci. AI zahrnuje širokou škálu nástrojů a metod, které umožňují počítačům napodobovat inteligentní chování, učit se na základě chyb a provádět nezávislá rozhodnutí. Pro analýzu dat, identifikaci vzorců a generování poznatků se systémy AI často spoléhají na algoritmy, statistické modely a rozsáhlé datové soubory. Studium umělé inteligence zahrnuje několik specializovaných oblastí, jako je strojové učení, hluboké učení, robotika, počítačové vidění a zpracování přirozeného jazyka. Je však zásadní si uvědomit, že ačkoliv jsou systémy AI vysoce efektivní při plnění konkrétních úkolů, často postrádají širší, obecnou inteligenci srovnatelnou s lidskou. Současné technologie AI jsou považovány za “slabou” nebo omezenou AI, neboť jsou navrženy pro specifické oblasti, a ne vždy vykazují širší kognitivní schopnosti. Oblast umělé inteligence se rychle vyvíjí, přičemž probíhající výzkum a vývoj neustále rozšiřují možnosti strojů (Sampath & Tushar, 2023).
Big Data v oblasti genetiky
Vývoj geneticky modifikovaných plodin čelí obrovskému objemu dat, který vzniká díky pokročilým technologiím, jako je sekvenování[2] DNA nebo detailní zobrazování rostlin. Tato data jsou zásadní pro šlechtění plodin, ale jejich zpracování a analýza jsou často složité a časově náročné. Umělá inteligence pomáhá tento problém řešit, protože umožňuje efektivně pracovat s těmito velkými daty, označovanými jako Big Data, a získávat z nich cenné informace (Farooq et al., 2024).
Během šlechtění rostlin vzniká obrovské množství informací, například o genetickém materiálu rostlin nebo jejich vlastnostech, jako je odolnost vůči suchu či výnosnost. Tradiční metody pro ukládání a analýzu dat nejsou dostatečně výkonné, aby si s takovým objemem dat poradily. AI, zejména technologie strojového učení a hlubokého učení[3] (Deep Learning, DL), umožňuje z těchto dat automaticky extrahovat užitečné informace. Díky tomu lze rychleji identifikovat důležité vlastnosti rostlin a optimalizovat proces šlechtění (Bronson & Knezevic, 2016). Genetické banky (tzv. genebanks) po celém světě uchovávají miliony vzorků genetického materiálu různých rostlin. Tyto genetické zdroje mají obrovský potenciál, ale bez důkladné analýzy zůstávají většinou nevyužité. AI umožňuje analyzovat genetická data a pomáhá šlechtitelům najít rostliny s ideálními vlastnostmi pro konkrétní podmínky, například odolnost vůči suchu nebo vysoké výnosy. Díky tomu je možné urychlit proces výběru a testování nových odrůd (Farooq et al., 2024).
Fenotypizace a analýza dat
Moderní technologie využívající umělou inteligenci zásadně mění způsob, jakým probíhá fenotypizace rostlin, tedy analýza jejich vnějších znaků, jako je výška, tvar či zdravotní stav. Tradiční manuální metody, které byly časově náročné, pracné a náchylné k chybám, jsou nyní nahrazovány automatizovanými systémy. AI umožňuje rychlejší a přesnější sběr fenotypových dat prostřednictvím senzorů, kamer a dronů, což výrazně urychluje celý proces.
Jednou z nejpokročilejších technologií v této oblasti je platforma Crop3D, která využívá více zobrazovacích senzorů na pohyblivé konstrukci. Tento systém dokáže vytvářet trojrozměrné modely rostlin, analyzovat tvar a velikost jejich listů a měřit jejich teplotu, což je klíčové pro hodnocení růstu a zdravotního stavu plodin (Farooq et al., 2024). Další inovativní technologie, BreedVision, řeší problém světelných podmínek při měření rostlin. Vytváří pohyblivou tmavou komoru, kde jsou rostliny zobrazovány bez vlivu okolního světla. To umožňuje nedestruktivní a přesné měření vlastností rostlin i v obtížných světelných podmínkách.
Umělá inteligence se uplatňuje také při analýze obrazů rostlin, které jsou pořizovány moderními kamerami. Algoritmy, jako jsou konvoluční neuronové sítě[4] (convolutional neural network, CNN), dokážou z těchto snímků extrahovat důležitá fenotypová data, například výšku rostliny, počet a plochu listů nebo známky onemocnění. Kromě toho AI přináší významné pokroky v predikci výnosů plodin, například pšenice, pomocí kombinace genetických a fenotypových dat. Pokročilé metody, jako multimodální hluboké učení, podpora vektorové regrese umožňují přesné odhady výnosů i za různých podmínek prostředí (Farooq et al., 2024).
Obrázek 2 zobrazuje platformu Crop3D, která využívá více zobrazovacích senzorů umístěných na pohyblivé konstrukci k tvorbě trojrozměrných modelů rostlin. Na obrázku je patrné, jak senzorová technologie spolupracuje s pokročilými algoritmy umělé inteligence, konkrétně CNN, mezi které patří model ResNet-50, který se úspěšně využívá pro identifikaci klasů u plodin, jako je pšenice a ječmen. Vědci použili RGB obrázky[5]získané z pozemní kamery k automatickému počítání klasů, přičemž ResNet-50 dosáhl vysoké přesnosti a schopnosti zobecnění modelu. Tato technologie, založená na hlubokém učení a modelu ResNet-50, výrazně zefektivňuje fenotypizaci rostlin a umožňuje automatizovanou a přesnou identifikaci klasů, což urychluje proces predikce výnosu a usnadňuje genetické studie zaměřené na zlepšení výnosu plodin.
Tyto technologie zásadně zefektivňují šlechtění rostlin a poskytují cenné informace pro optimalizaci zemědělské produkce, což přispívá ke zvýšení udržitelnosti a výkonnosti moderního zemědělství.
Genomická predikce a výběr rodičovských linií
Umělá inteligence hraje klíčovou roli v genetickém výběru a predikci pro výběr rodičovských linií rostlin v rámci šlechtitelských programů. Moderní technologie sekvenování DNA, známé jako Next-Generation Sequencing (NGS), umožňují vědcům rychle identifikovat genetické markery spojené s důležitými vlastnostmi rostlin, jako je odolnost proti stresu (např. sucho). AI usnadňuje analýzu těchto genetických informací, což umožňuje přesné určení míst v genetické mapě rostliny a následně výběr nejlepších rodičovských linií pro šlechtění (Rai, 2022). Jak již bylo zmíněno AI pomáhá i při fenotypování rostlin, tedy sledování a analýze jejich fyzických vlastností. Systémy vybavené drony a senzory sbírají vysokorozlišovací snímky rostlin v terénu, což šlechtitelům umožňuje porovnávat různé rostliny a rychle identifikovat ty, které vykazují nejlepší vlastnosti, jako je odolnost vůči chorobám nebo lepší růst. Tyto údaje jsou následně analyzovány pomocí strojového učení, což výrazně urychluje proces výběru nejlepších genotypů.
Spojení genomiky (genetických údajů) a fenomiky (údajů o vzhledu rostlin) pomocí AI vede k vytvoření modelů, které předpovídají, jaké vlastnosti budou u rostlin nejúspěšnější. Tyto modely pomáhají šlechtitelům lépe pochopit genetickou strukturu rostlin a vybírat rodiče s největším potenciálem pro šlechtění plodin s požadovanými vlastnostmi, například s vyšší odolností vůči změnám klimatu. Tímto způsobem AI urychluje a zpřesňuje celý proces šlechtění a výběru nejlepší rodičovské linie pro budoucí plodiny (Rai, 2022).
Predikce rizik a bezpečnost
Tradiční metody hodnocení rizik spojených s geneticky modifikovanými plodinami často zahrnují kontrolované experimenty, empirické studie a regulační posuzování. Tyto přístupy bývají časově a finančně náročné a často vykazují určitá omezení. Zavedení technologií umělé inteligence v posledních letech zásadně změnilo metody predikce rizik u GM plodin. Algoritmy AI a techniky prediktivního modelování umožňují efektivní analýzu rozsáhlých datových souborů, čímž poskytují rychlé a přesné informace o potenciálních rizicích a hrozbách na základě genetických, environmentálních a agronomických faktorů. Bezpečnost geneticky modifikovaných plodin je jedním z klíčových aspektů jejich hodnocení a schvalování. Vzhledem k obavám o možný vliv GM plodin na lidské zdraví, zejména v souvislosti s alergeny, je důležité zajistit, aby tyto plodiny byly nejen ekologicky bezpečné, ale i zdravotně nezávadné. Umělá inteligence se v tomto kontextu ukazuje jako silný nástroj pro zlepšení procesu hodnocení alergenity GM plodin a pro zajištění jejich bezpečnosti na trhu (Mmbando, 2024).
Alergenita GM plodin je jedním z hlavních důvodů, proč jsou tyto plodiny podrobovány důkladným testům před jejich uvedením na trh. Genetické modifikace mohou nechtěně způsobit vznik nových proteinů, které mohou být alergenní, nebo mohou změnit strukturu existujících proteinů tak, že se stanou více alergenními. Tradiční metody testování alergenity plodin mohou být časově náročné a nákladné, což činí AI ideálním nástrojem pro zrychlení tohoto procesu. Jedním z nejmodernějších nástrojů pro predikci alergenicity proteinů u geneticky modifikovaných plodin je ALLERDET, který využívá pokročilé techniky umělé inteligence, konkrétně hluboké učení a rozhodovací stromy. Tento nástroj umožňuje efektivnější a přesnější analýzu, čímž výrazně přispívá k hodnocení bezpečnosti GM plodin (Garcia-Moreno & Gutiérrez-Naranjo, 2022).
ALLERDET kombinuje dvě pokročilé metody umělé inteligence: omezené Boltzmannovy stroje (Restricted Boltzmann Machines, RBM) a rozhodovací stromy (Decision Trees). Tyto technologie spolupracují na identifikaci a klasifikaci proteinů podle jejich potenciální alergenicity. Proces začíná párovým porovnáváním sekvencí proteinů pomocí programu FASTA, který umožňuje extrahovat klíčové vlastnosti proteinových sekvencí. Tyto vlastnosti mohou indikovat, zda protein vykazuje potenciální alergenní vlastnosti. RBM je využit k analýze složitých vztahů mezi extrahovanými vlastnostmi. Tato metoda hlubokého učení dokáže identifikovat komplexní vzory, které by tradiční přístupy mohly přehlédnout. Výsledky z RBM jsou následně zpracovány algoritmem rozhodovacích stromů, který provádí finální klasifikaci a rozhoduje, zda je protein alergenní. ALLERDET dosahuje špičkové výkonnosti s přesností 97,26 %, citlivostí 98,46 % a specifitou 94,37 %. Díky těmto parametrům je nástroj schopen spolehlivě odlišit alergenní proteiny od nealergenních, což představuje zásadní přínos pro zajištění bezpečnosti GM plodin (Garcia-Moreno & Gutiérrez-Naranjo, 2022).
Umělá inteligence má obrovský potenciál pro zajištění bezpečnosti GM plodin, zejména pokud jde o hodnocení alergenity. Díky schopnosti rychle a efektivně analyzovat genetické a proteinové struktury GM plodin a předvídat jejich potenciál k vyvolání alergických reakcí, může AI významně zrychlit a zefektivnit procesy hodnocení a schvalování. S rostoucím využíváním AI v této oblasti bude možné lépe chránit zdraví spotřebitelů a zároveň umožnit rychlejší přístup k novým a bezpečným GM plodinám, které mohou přispět k řešení globálních výzev, jako je potravinová bezpečnost.
Proces vývoje GM plodin s podporou AI
Identifikace cílového genu
Prvním krokem v procesu vývoje geneticky modifikovaných plodin je identifikace genů nebo kvantitativních lokusů vlastností (Quantitative Trait Loci, QTL), které ovlivňují důležité agronomické charakteristiky, jako je odolnost vůči stresovým podmínkám (sucho, slanost, choroby) nebo zvýšení produkce plodů. Tradičně tento proces spočíval v křížení a selekci rostlin s požadovanými vlastnostmi, což bylo časově náročné a vyžadovalo opakované pokusy. Umělá inteligence spolu s analýzou Big Data, tento postup výrazně zrychlují a zefektivňují (Rai, 2022).
Nejprve AI algoritmy procházejí rozsáhlé genomické databáze a identifikují geny spojené s požadovanými vlastnostmi, například odolností vůči konkrétním chorobám nebo škůdcům. Následně jsou tyto informace doplněny analýzou dat z polních experimentů, kde AI modely sledují, jak se různé geny projevují v reálných podmínkách. Tímto způsobem lze nejen potvrdit roli konkrétních genů, ale také identifikovat kvantitativní lokusy, které ovlivňují komplexní vlastnosti, jako je vysoký výnos v různých prostředích.
Tato kombinace genomických a fenotypových dat umožňuje vědcům přesně určit klíčové genetické faktory, které jsou následně využity v dalších fázích vývoje GM plodin, jako je editace genomu nebo šlechtění. Díky AI je tento proces nejen rychlejší, ale také výrazně přesnější, což přispívá k efektivnějšímu vývoji odolnějších a produktivnějších plodin
Modifikace genomu
Proces editace genomu pomocí umělé inteligence, zejména ve spojení s technologií CRISPR/Cas9, zahrnuje několik klíčových kroků, které vedou k přesnějším a cílenějším genetickým modifikacím rostlin. Tento proces je podporován využitím pokročilých algoritmů strojového učení a analýzy velkých dat, které optimalizují a zlepšují efektivitu editace genomu.
Jedním z nejdůležitějších kroků je optimalizace metod editace genomu. CRISPR/Cas9 využívá mechanismus imunitního systému bakterií k cílenému zásahu do specifických sekvencí DNA v genomu rostliny. AI pomáhá v tomto procesu tím, že pomocí strojového učení předpovídá, jak se různé varianty CRISPR/Cas9 budou chovat v různých genomových kontextech. Díky těmto předpovědím mohou vědci vybrat nejvhodnější variantu nástroje pro konkrétní genetickou modifikaci, což zvyšuje přesnost a účinnost tohoto zásahu (Farooq et al., 2024).
Dalším klíčovým přínosem AI je minimalizace off-target efektů, tedy nežádoucích modifikací v jiných částech genomu, které mohou nastat při editaci. Strojové učení analyzuje výsledky experimentů s editací genomu a identifikuje faktory, které mohou ovlivnit přesnost a efektivitu modifikací. Tato schopnost předpovědět a minimalizovat off-target efekty je zásadní pro zajištění, že genetické úpravy budou co nejpřesnější a bezpečné, čímž se snižuje riziko nežádoucích změn v genomu, které by mohly mít negativní dopad na bezpečnost rostlin (Mmbando, 2024).
Transformace
Proces transformace rostlin pomocí umělé inteligence začíná po editaci genu, kdy je nutné vnést modifikovaný gen do rostlinných buněk. Existují dvě hlavní metody transformace, které se používají k introdukci cizího DNA do rostlinných buněk: metoda genové pušky (gene gun method) a Agrobacterium-mediated transformation (Dizon et al., 2016).
V metodě genové pušky je cizí DNA doslova vystřelena na rostlinné buňky pomocí mikroskopických zlatých nebo wolframových částic, na kterých je DNA navázaná. Tento proces způsobí, že částice proniknou do buněk a DNA se integruje do genomu rostliny. V případě Agrobacterium-mediated transformation je použit přirozený mechanismus bakterie Agrobacterium tumefaciens, která dokáže přenášet část genetického materiálu do rostlinných buněk. Tento proces je velmi efektivní, protože bakterie cíleně infikuje rostlinné buňky a vnáší do nich požadované geny (Singh et al., 2021).
Šlechtění a selekce
Proces selekce rostlin po genetické modifikaci je klíčovým krokem šlechtění, který zahrnuje identifikaci a výběr rostlin vykazujících požadované vlastnosti. Tradiční metody šlechtění jsou časově náročné, protože vyžadují opakované křížení a selekci po mnoho generací.
Jedním z nástrojů, které zkracují dobu potřebnou k dosažení požadovaných genetických vlastností, je technika Speed breeding. Tento protokol, podporovaný využitím AI, zahrnuje několik kroků, které společně optimalizují růst a šlechtění rostlin. AI modely analyzují rozsáhlé množství dat o růstu rostlin a vyhodnocují, jak různé podmínky prostředí ovlivňují jejich vývoj. Na základě těchto dat AI upravuje podmínky (např. intenzitu světla nebo teplotu) v reálném čase, čímž zajišťuje optimální podmínky pro rychlý růst rostlin (Rai, 2022).
V praxi to znamená, že místo tradičního procesu, kdy šlechtitelé čekali na růst a vývoj rostlin několik generací, AI umožňuje sledovat a předvídat chování rostlin ve velmi krátkém čase. Tento rychlý cyklus generací umožňuje výběr rostlin s požadovanými vlastnostmi za mnohem kratší dobu než u tradičních metod, což urychluje šlechtění nových odrůd. Díky tomu se může šlechtitelský cyklus zkrátit z tradičních 6-8 let na pouhé 3 roky (Rai, 2022).
Výzvy a omezení při využití AI a vývoji GM plodin
I když AI představuje obrovský potenciál pro urychlení a zefektivnění vývoje GM plodin, její využívání v této oblasti čelí řadě výzev a omezení, které je nutné překonat pro dosažení plného potenciálu této technologie.
Dostupnost a kvalita dat
Úspěch algoritmů umělé inteligence v zemědělství je úzce spjat s kvalitou a množstvím dostupných dat. Pro efektivní trénování AI modelů a spolehlivou predikci výsledků jsou klíčové rozsáhlé a standardizované datové sady zahrnující informace o fenotypu rostlin, genové expresi, vlivu prostředí a dalších relevantních faktorech. Nedostatek těchto dat, zejména fenotypových, však představuje zásadní překážku v plném využití potenciálu AI v této oblasti (Bronson & Knezevic, 2016).
Tradiční metody sběru dat jsou často časově náročné a přinášejí jen omezené množství informací. Již zmíněné technologie, jako jsou drony, senzory a platformy pro vysokokapacitní fenotypizaci, slibují výrazné zlepšení v této oblasti. Tyto nástroje umožňují rychlejší a přesnější sběr dat ve velkém měřítku, což může přispět k rozšíření a zkvalitnění dostupných datových sad. Avšak navzdory těmto pokrokům zůstává výzvou integrace a standardizace dat z různých zdrojů a platforem. Bez jednotného přístupu k jejich zpracování a analýze je obtížné zajistit kompatibilitu dat, což může omezit jejich využitelnost v trénování AI modelů. Řešení těchto problémů je klíčové pro zajištění efektivního využití AI v zemědělství a pro urychlení pokroku v oblasti geneticky modifikovaných plodin.
Etické aspekty
Jedním z klíčových rizik spojených s geneticky modifikovanými plodinami je potenciální genový tok z GM plodin do divokých populací rostlin. Tento proces by mohl vést k nechtěným ekologickým změnám a ovlivnit přirozené ekosystémy (Weale, 2010). Vývoj a zavádění GM plodin by se mohly díky technologiím umělé inteligence výrazně zrychlit, což by mohlo riziko genového toku dále zvýšit. Nicméně zůstává otázkou, zda modely AI dokážou dostatečně přesně predikovat a modelovat složité ekologické dopady, které by genový tok mohl způsobit.
Další obavou spojenou s GM plodinami je jejich možný vliv na necílové organismy, jako jsou hmyz, ptáci či další zvířata, která mohou být ovlivněna změnami v potravních řetězcích nebo interakcemi s GM rostlinami. Tyto dopady jsou složité a často obtížně předvídatelné, což zvyšuje důležitost důkladného monitorování a regulace (Mmbando, 2024).
Transparentnost a regulace v oblasti vývoje a zavádění GM plodin představují významnou výzvu (Dizon et al., 2016). AI by mohla komplikovat dohled nad těmito procesy, například tím, že automatizuje části výzkumu a vývoje, čímž by mohly být ztíženy snahy regulačních orgánů o efektivní kontrolu. Aby bylo možné zaručit odpovědné využití AI, je nutné zajistit, aby modely AI a data, na kterých jsou založeny, byly dostupné a pochopitelné jak pro regulační orgány, tak pro širokou veřejnost.
Sociální a ekonomické aspekty GM plodin představují další důležitou oblast zkoumání. Zdroje často upozorňují na negativní dopady na drobné zemědělce, například v souvislosti s využíváním Bt bavlny v Indii, kde GM plodiny přinesly nejen vyšší výnosy, ale také finanční a sociální problémy pro některé zemědělské komunity (Qaim, 2010). Umělá inteligence by mohla tyto nerovnosti prohloubit, a to zejména v oblasti přístupu k technologiím a ziskům z pěstování GM plodin. Existuje riziko, že velké zemědělské korporace budou díky AI získávat ještě větší moc, zatímco malí zemědělci budou marginalizováni. To by mohlo vést k prohloubení ekonomických nerovností mezi regiony i mezi jednotlivými zemědělci.
Technologické výzvy
Implementace a vývoj AI modelů v zemědělství přinášejí řadu technologických výzev, které je nutné překonat, aby bylo možné efektivně využít jejich potenciál. Jedním z klíčových aspektů je výpočetní výkon, protože trénování komplexních AI modelů vyžaduje značné výpočetní kapacity a robustní infrastrukturu pro ukládání a zpracování velkých datových sad. Bez dostatečného výkonu a odpovídající technologie je obtížné dosáhnout vysoké přesnosti a spolehlivosti výsledků. Dalším zásadním faktorem je robustnost modelů. AI modely musí být navrženy tak, aby fungovaly nejen v kontrolovaných laboratorních podmínkách, ale i v reálném prostředí. V zemědělství se data mohou výrazně lišit od tréninkových podmínek kvůli variabilitě prostředí, genetickým rozdílům mezi rostlinami a dalším nepředvídatelným faktorům. Je proto nezbytné zajistit, aby modely dokázaly tyto proměnné zohlednit a poskytovaly přesné a spolehlivé predikce v různých situacích (Grünbichler, 2023).
Neméně důležitá je také integrace s existujícími systémy. Pro efektivní využití AI je potřeba, aby byly modely propojeny se stávajícími systémy pro sběr dat, management plodin a podporu rozhodování. To zahrnuje například integraci senzorů, dronů a dalších technologií, které poskytují data nezbytná pro optimalizaci modelů. Bez takového propojení by mohla být implementace AI zbytečně komplikovaná a méně efektivní.
Závěr
Využití umělé inteligence ve vývoji geneticky modifikovaných plodin představuje významný pokrok v oblasti moderního zemědělství. Díky schopnosti rychle a přesně analyzovat rozsáhlé genetické a environmentální datové sady umožňuje AI efektivně identifikovat geny spojené s odolností vůči stresovým faktorům, vyššími výnosy a lepšími nutričními hodnotami. Tato technologie umožňuje urychlit proces výzkumu a vývoje, což vede k vytvoření plodin lépe přizpůsobených měnícím se klimatickým podmínkám a současným potřebám potravinové produkce. Kromě zvyšování produktivity však otevírá také nové možnosti, jak řešit ekologické a socioekonomické otázky spojené s GM plodinami.
Dle mého názoru, budoucí výzkum by mohl být zaměřen především na vývoj AI nástrojů, které dokážou předpovídat ekologické a socioekonomické dopady GM plodin. Například schopnost modelovat genový tok mezi GM plodinami a divokými populacemi nebo analyzovat dlouhodobé dopady na biodiverzitu by mohla významně přispět k minimalizaci rizik spojených s nasazením těchto plodin. Tyto prediktivní modely by mohly být cenným podkladem nejen pro vědeckou komunitu, ale i pro regulační orgány, které by mohly lépe rozhodovat o bezpečnosti nových plodin.
Dále věřím, že AI může hrát klíčovou roli při vývoji plodin šitých na míru regionálním potřebám. Například AI by mohla analyzovat místní klimatické podmínky, půdní vlastnosti a další faktory, aby pomohla navrhnout plodiny optimalizované pro konkrétní prostředí. To by mohlo mít zásadní význam zejména v oblastech, které jsou nejvíce ohrožené klimatickými změnami a kde je zemědělství hlavním zdrojem obživy.
[1] podmnožina komponenty AI, která dokáže vyvinout algoritmy a statistické modely, jež umožňují počítačům vykonávat úkoly bez explicitních pokynů
[2] souhrnný termín pro metody, které umožňují popsat pořadí nukleotidů v určitém úseku DNA
[3] proces trénování umělých neuronových sítí (aritificial neuron networks, ANN) s více vrstvami za účelem naučení se reprezentace dat
[4] typ algoritmu hlubokého učení, který je navržen speciálně pro zpracování a analýzu vizuálních dat, jako jsou obrázky a videa
[5] digitální obrazy reprezentované třemi barevnými kanály – červeným (R), zeleným (G) a modrým (B)
Použitá literatura
Bronson, K., & Knezevic, I. (2016). Big Data in food and agriculture. Big Data & Society, 3(1), 2053951716648174. https://doi.org/10.1177/2053951716648174
Dizon, F., Costa, S., Rock, C., Harris, A., Husk, C., & Mei, J. (2016). Genetically Modified (GM) Foods and Ethical Eating. Journal of Food Science, 81(2), R287–R291. https://doi.org/10.1111/1750-3841.13191
Farooq, M. A., Gao, S., Hassan, M. A., Huang, Z., Rasheed, A., Hearne, S., Prasanna, B., Li, X., & Li, H. (2024). Artificial intelligence in plant breeding. Trends in Genetics, 40(10), 891–908. https://doi.org/10.1016/j.tig.2024.07.001
Garcia-Moreno, F. M., & Gutiérrez-Naranjo, M. A. (2022). ALLERDET: A novel web app for prediction of protein allergenicity. Journal of Biomedical Informatics, 135, 104217. https://doi.org/10.1016/j.jbi.2022.104217
Grünbichler, R. (2023). IMPLEMENTATION BARRIERS OF ARTIFICIAL INTELLIGENCE IN COMPANIES. Proceedings of FEB Zagreb International Odyssey Conference on Economics and Business, 5(1).
OpenAI. (2024). [Obrázek vygenerovaný pomocí DALL·E: Futuristická laboratoř zaměřená na genetickou modifikaci plodin]. DALL·E. https://openai.com/dall-e/
Mmbando, G. S. (2024). The use of artificial intelligence in the production of genetically modified (GM) crops: A recent promising strategy for enhancing the acceptability of GM products ? Discover Applied Sciences, 6(11), 581. https://doi.org/10.1007/s42452-024-06212-6
Qaim, M. (2010). Benefits of genetically modified crops for the poor: Household income, nutrition, and health. New Biotechnology, 27(5), 552–557. https://doi.org/10.1016/j.nbt.2010.07.009
Rai, K. K. (2022). Integrating speed breeding with artificial intelligence for developing climate-smart crops. Molecular Biology Reports, 49(12), 11385–11402. https://doi.org/10.1007/s11033-022-07769-4
Sampath, L., & Tushar, A. M. (2023). What is Artificial Intelligence in Plant Breeding. ResearchGate. https://www.researchgate.net/publication/372561619_62_What_is_Artificial_Intelligence_in_Plant_Breeding
Singh, P., Borthakur, A., Singh, A. A., Kumar, A., Singh, K. K., & EBSCOhost (Ed.). (2021). Policy issues in genetically modified crops: A global perspective. Academic Press.
U.S. Food & Drug Administration. (2024). How GMO Crops Impact Our World. FDA. https://www.fda.gov/food/agricultural-biotechnology/how-gmo-crops-impact-our-world
Weale, A. (2010). Ethical arguments relevant to the use of GM crops. New Biotechnology, 27(5), 582–587. https://doi.org/10.1016/j.nbt.2010.08.013
