Вирус желтой курчавости листьев томата (TYLCV) — это крайне опасное вирусное заболевание растений, способное уничтожить до 100% урожая. Вирус поражает томаты, перцы, фасоль и некоторые декоративные культуры (например, эустому), а его главным и практически единственным переносчиком является табачная белокрылка (Bemisia tabaci). Эффективных химических лекарств против самого вируса не существует, поэтому лечение заболевших растений невозможно, но стало возможным предсказать появление болезни. Экспериментально подтвержденная модель искусственного интеллекта предсказывает вирулентность вируса желтой курчавости листьев томата.
Заболевание легче всего распознать по состоянию молодой верхушки куста. Происходит деформация листьев: они сильно мельчают, сморщиваются и закручиваются краями вверх (принимают форму чашечки или лодочки). Листовая пластина желтеет, особенно по краям и между жилками, при этом сами жилки могут оставаться зелеными. Междоузлия укорачиваются, растение становится карликовым и приобретает неестественно кустистый вид («вид брокколи»). Пораженные бутоны осыпаются, новые плоды не завязываются, хотя уже сформированные томаты могут нормально дозреть
Исследовательская группа под руководством профессора Балачандрана Манавалана с кафедры интегративной биотехнологии Университета Сунгкюнкван разработала DeepTYLCV — точную и интерпретируемую модель искусственного интеллекта для прогнозирования вирулентности вируса желтой курчавости листьев томата (TYLCV).
Исследование, проведенное совместно с соавторами, доктором Наттанонгом Бупи, Харихараном Сангараджу и Дуонг Тхань Траном, опубликовано в журнале Plant Communications.
Вирус TYLCV — один из самых разрушительных вирусных патогенов, поражающих производство томатов во всем мире. В последние годы высоковирулентные штаммы продолжают распространяться по регионам и в некоторых случаях преодолевают генетическую устойчивость сортов томатов. Эти проблемы подчеркивают острую необходимость в точном, раннем, масштабируемом и основанном на секвенировании мониторинге заболеваний.
Команда профессора Манавалана активно работает на стыке биологии и искусственного интеллекта, разрабатывая решения на основе ИИ для пептидной терапии, прогнозирования модификаций РНК/ДНК, анализа функций белков, прогнозирования токсичности, растениеводства и биомедицинских приложений.
В 2023 году команда разработала IML-TYLCV, первый инструмент для прогнозирования тяжести TYLCV на основе генома, который был опубликован в журнале Research. Однако IML-TYLCV был в основном обучен на корейских изолятах, что ограничивает его применимость к различным штаммам TYLCV со всего мира.
Эта задача послужила стимулом для разработки DeepTYLCV, более надежной системы искусственного интеллекта для прогнозирования вирулентности TYLCV среди вирусных изолятов по всему миру.
Обзор структуры DeepTYLCV
Структура включает шесть ключевых этапов: (A) Сбор и предварительная обработка глобальных геномов TYLCV в открытые рамки считывания. (B) Проекция и объединение эмбеддингов PLM/NLP для захвата контекста последовательности. (C) Гибридный кодировщик Transformer и модуль многомасштабной сверточной нейронной сети для изучения глобальных и локальных закономерностей вирулентности. (D) Выбор оптимальных традиционных дескрипторных признаков. (E) Многослойный перцептрон (MLP) для прогнозирования степени тяжести. (F) Развертывание удобного веб-сервера. Авторство: Bupi N, Sangaraju H, Tran D. Источник: Plant Communications (2026). DOI: 10.1016/j.xplc.2026.101877
В отличие от традиционных методов диагностики в полевых условиях или моделей искусственного интеллекта, основанных на изображениях, которые зависят от видимых симптомов и могут подвергаться влиянию условий окружающей среды, DeepTYLCV использует информацию о последовательности вирусного генома. Это позволяет модели выявлять легкие и тяжелые штаммы до подтверждения на основе симптомов и обеспечивает масштабируемую стратегию мониторинга новых вирусных вариантов.
DeepTYLCV объединяет векторные представления языковых моделей белков с гибридной архитектурой, которая сочетает в себе кодировщик Transformer и многомасштабную сверточную нейронную сеть, что позволяет модели улавливать как глобальные закономерности последовательностей, так и локальные мотивы, связанные с вирулентностью.
Благодаря сочетанию глубоких представлений последовательностей с оптимизированными традиционными дескрипторами признаков, DeepTYLCV достигла превосходных результатов прогнозирования по сравнению с предыдущей моделью IML-TYLCV.
Ключевым преимуществом этого исследования является его экспериментальная проверка. Исследовательская группа провела слепые прогнозы для 15 изолятов TYLCV, включая как международные эталонные изоляты, так и корейские полевые изоляты. Эти прогнозы были подтверждены с помощью анализов заражения томатов, оценки тяжести симптомов и анализа накопления вируса.
Экспериментальная проверка прогнозов DeepTYLCV на основе развития симптомов и количественного определения вируса в растениях томата. Растения были агроинфицированы 15 инфекционными клонами TYLCV.
Примечательно, что DeepTYLCV достиг 100% совпадения между предсказанными и экспериментально наблюдаемыми классами вирулентности, демонстрируя свою практическую ценность для выявления новых опасных вариантов вируса TYLCV.
Данная работа представляет собой наглядный пример того, как искусственный интеллект, вирусная геномика и экспериментальная фитопатология могут быть интегрированы для поддержки точного земледелия и борьбы с болезнями растений.
DeepTYLCV может служить ценным инструментом для раннего вирусологического мониторинга, программ селекции резистентных штаммов и быстрой оценки новых появляющихся штаммов TYLCV.
Источник: Sungkyunkwan University.