2026. július 30., csütörtök · Kutatás

Gépi tanulással azonosítottak növényvédő mikrobákat vad Arabidopsis-populációkban

Kutatók hat generáción át gyűjtött levélmikrobiom-adatokat elemeztek vad Arabidopsis-populációkból, amelyeket az Albugo laibachii oomycéta fertőz. Négy gépi tanulási modellel azonosították a fertőzött és egészséges növényekre jellemző, betegséghez, illetve egészséghez társuló mikrobákat. A legjobban teljesítő baktériumokat, gombákat és cerkozoákat növényeken tesztelve mindegyik védelmet nyújtott az Albugo ellen, az egészséghez társult mikrobák pedig hatékonyabbnak bizonyultak. A legígéretesebb jelölt, egy Cystofilobasidium gomba, szintetikus mikrobaközösségben is igazolta védőhatását; a vizsgálatok szerint ez elsősorban mikroba-mikroba kölcsönhatásokon, nem a növényi immunválasz aktiválásán keresztül valósul meg. A Nature Communications-ben megjelent kutatás bizonyítja, hogy mikrobiom-adatok gépi tanulással történő párosítása hatékony biológiai védekezési szerek azonosítására alkalmas.

Miért fontos?

Az eredmény kísérletileg validált, adatvezérelt utat mutat a mikrobiom-alapú növényvédelem fejlesztésére a hagyományos, empirikus szűrés helyett.

Források

Nature Tudományos arXiv cs.AI Preprint

Említve a tudásbázisban

fogalom Gépi tanulás (ML)

Kapcsolódó témák

Napi összefoglalók AI kutatás #Gépi tanulás#Biocontrol

Napi összefoglaló

Ez a hír a 2026. július 30., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Gépi tanulás azonosít növényvédő mikrobákat vad Arabidopsis-populációkban

A Nature Communications-ben publikált, lektorált kutatás hat generáción át gyűjtött levél-mikrobiom adatok alapján gépi tanulási modelleket tanított be, hogy megkülönböztesse az Albugo laibachii kórokozóval fertőzött és egészséges vad Arabidopsis növényeket mikrobiota-összetételük szerint. A modellek azonosították a betegséghez, illetve az egészséges állapothoz köthető mikrobákat; a legjobb jelölteket növényben tesztelve mindegyik védelmet nyújtott, az egészség-asszociált taxonok jobban teljesítettek. A legígéretesebb jelölt egy Cystofilobasidium gomba volt, amelynek védőhatása a vizsgálatok szerint elsősorban mikroba-mikroba kölcsönhatásokon, nem a növényi immunrendszer aktiválásán múlik. A szerzők szerint a mikrobiom-adatok és a gépi tanulás párosítása hatékony úton segítheti a biokontroll-ágensek célzott azonosítását.

A Nature Neuroscience áttekintése: az idegi időskálák számítási szempontú szintézise

A Nature Neuroscience folyóiratban megjelent áttekintő cikk három számítási irányból vizsgálja, hogyan érthetők meg az agyi aktivitás eltérő időskálái. A szerzők – Zeraati, Levina, Macke és Gao – szintetizálják, hogy (1) különböző adatelemzési módszerek hogyan számszerűsítik az időskálákat viselkedési állapotok és mérési modalitások között; (2) biofizikai modellek milyen mechanisztikus magyarázatokat adnak az eltérő időskálák kialakulására; és (3) feladatvégző hálózatok és gépi tanulási modellek hogyan tárják fel az idegi időskálák funkcionális szerepét. A cikk szerint ez az integratív megközelítés kiegészíti a kísérleti kutatásokat, és holisztikus képet nyújt arról, miként tükrözik az idegi időskálák az agy szerkezete, dinamikája és viselkedése közötti összefüggéseket.

Kis brit startup AI-ügynöke állítása szerint lekörözte az OpenAI-t és az Anthropicot

Az Inherent nevű londoni AI-labor, amelyet volt Google DeepMind-kutatók alapítottak, saját közlése szerint Faraday nevű AI-ügynöke felülmúlta az Anthropic Claude Opus 4.8 és az OpenAI GPT-5.5 modelljeit egy konkrét feladatban: publikált tudományos cikkek eredményeinek önálló, előzetes válasz nélküli reprodukálásában. A cég állítása szerint a Faraday ehhez a jóval kisebb, 27 milliárd paraméteres Qwen 3.6 modellt használja a frontier-méretű riválisok helyett, és megerősítéses tanulással próbálja megtanítani neki a „kutatói érzéket” is, vagyis hogy mely kísérletek érdemesek elvégzésre. A startup nemrég 50 millió dolláros seed-körrel lépett ki a stealth módból. Az eredmények kizárólag a vállalat saját közléséből származnak, független megerősítés egyelőre nincs.

Kutatás: az AI-biztonsági tesztek megjátszhatók és félrevezetőek

Egy brit UK AI Security Institute kutatóit is tartalmazó csapat pszichológiai tesztelésből ismert módszerekkel vizsgált meg nyolc népszerű nyelvimodell-biztonsági benchmarkot, 192 modell több mint 5000 kérdésre adott válaszát elemezve. A tanulmány szerint az egyetlen „biztonsági pontszám” valójában három, egymástól nagyrészt független tulajdonságot kever össze: a kérések elutasításának szigorát, a válaszok igazmondását és a kontextustól függő ártalmas tartalmak kezelését. A HarmBench és az OR-Bench-Hard benchmark ellentétes irányba mozdítja a pontszámot, így egy modell puszta elutasítási hajlandósággal is javíthatja összesített értékelését, miközben kevésbé hasznossá válik. A kutatók szerint a kérdéseknek mindössze kevesebb mint 2 százaléka hordoz tényleges mérési információt.