In der Pflanzenforschung existieren enorme Informationsmengen zu modernen Kulturpflanzen, alten Landsorten und ihren Reaktionen auf Umweltstress. Diese Daten zum Erbgut (Genotyp), den Merkmalen (Phänotyp) und Umweltbedingungen stammen aus Züchtungsprogrammen, Feldversuchen und internationalen Forschungsprojekten. Doch oft sind sie in unterschiedlichen Formaten gespeichert, über viele Institutionen verteilt und nicht für automatisierte Auswertungen aufbereitet.

„Es fehlt an Big Data, kuratierten und maschinenlesbaren Datensätzen, die groß genug sind, um von künstlicher Intelligenz verarbeitet zu werden. Im Rahmen des DRIVE-Projekts bauen wir eine Datenplattform mit einer der weltweit umfangreichsten Big-Data-Datenbanken für Nutzpflanzen auf“, erläutert Prof. Dr. Jochen Reif, Koordinator des Verbundprojekts und Abteilungsleiter am Leibniz-Institut für Pflanzengenetik und Kulturpflanzenforschung (IPK) Gatersleben. „Unser Ziel ist es, die datengestützte Züchtung von Weizensorten zu erleichtern, die an Klima- und Standortbedingungen angepasst sind.“

Aus der gemeinsamen Datenbasis entsteht die zweite Säule von DRIVE: Vorhersagemodelle, die beschreiben, wie unterschiedliche Weizensorten auf ihre Umwelt reagieren. Mithilfe von KI analysieren die Beteiligten Genotyp-Umwelt-Interaktionen und erstellen digitale Abbilder realer Anbauregionen von Küstenstandorten bis in den süddeutschen Raum: für heutige Bedingungen ebenso wie für mögliche Szenarien der kommenden Jahrzehnte.

„Im Grunde funktionieren die Modelle wie eine digitale Version eines realen Feldes. Wir simulieren, wie sich eine Kulturpflanze von der Aussaat bis zur Ernte entwickelt. Dabei berücksichtigen sie Faktoren wie Wetterbedingungen, Bodeneigenschaften sowie landwirtschaftliche Maßnahmen wie Düngung oder Bewässerung,“ erklärt Dr. Ehsan Eyshi Rezaei vom Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) in Müncheberg. „Die Modelle ermöglichen es, neue Weizensorten virtuell unter vielen unterschiedlichen Umwelt- und Klimabedingungen zu testen, ohne sie tatsächlich auf Feldern anbauen zu müssen. Das spart enorme Mengen an Zeit und Kosten.“ Auf dem Bildschirm entstehen Karten mit Ertragsschätzungen, Hitzestressindikatoren und Niederschlagsdefiziten. Die Modelle sollen zeigen, welche Sorten in welcher Region langfristig stabil bleiben und wo Anpassungsbedarf besteht.

Die Kombination aus Datenanalyse, Modellierung und Experimenten macht sichtbar, welche Abschnitte im Erbgut für wichtige Eigenschaften verantwortlich sind. Häufig finden sich dort Genvarianten, die in alten Weizenlinien noch vorhanden sind, in modernen Hochleistungssorten jedoch verloren gingen.

Solche Gene wieder in leistungsstarke Sorten einzubringen, ist auf klassischem Weg ein langwieriger Prozess. Jede Kreuzung überträgt neben den gewünschten auch unerwünschte Merkmale, die über viele Generationen hinweg aussortiert werden müssen. Das kann Jahre, oft sogar mehr als ein Jahrzehnt dauern.

Auf dem Feld bleibt der Weizen ein vertrauter Anblick. Doch hinter diesem Bild verändert sich die Art und Weise, wie neue Sorten entstehen. Datenplattformen, Vorhersagemodelle und präzise molekularbiologische Methoden werden zunehmend zu festen Bestandteilen moderner Züchtung. DRIVE zeigt, wie digitale Werkzeuge, experimentelle Forschung und klassische Züchtungsarbeit ineinandergreifen.

Der Weg dorthin ist anspruchsvoll: Es gilt, ein Datenökosystem aufzubauen, das den unterschiedlichen Anforderungen aus Forschung und Züchtung gerecht wird. KI-gestützte Modelle müssen sich im experimentellen Realitätscheck bewähren, und neue Erkenntnisse müssen schließlich in konkrete Züchtungsprogramme übertragen werden.

Erste Ergebnisse zeigen bereits, dass dieser integrierte Ansatz tragfähig ist. Er eröffnet so neue Perspektiven für die Entwicklung angepasster Weizensorten, die auch unter sich wandelnden Umweltbedingungen stabile Erträge liefern und damit eine wichtige Grundlage für Ernährung und Landwirtschaft sichern.