Grant: Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives

As the demands for plant-based protein and ingredients are growing, Canada is becoming a leading producer and exporter of field pea. However, climate change is negatively impacting pea yield and seed quality, necessitating the development of climate-resilient pea cultivars. Omics-driven approaches have facilitated crop improvement, but the complex datasets created are highly heterogeneous and beyond the capability of conventional statistical analysis for data integration to develop new insights at a system level. By leveraging data from ongoing SPP projects, the team will use machine learning (ML) to integrate multi-omics data as a means to elucidate molecular mechanisms underlying pea yield and seed quality. Furthermore, predictive ML models will be developed to enable selection and design of climate-resilient pea cultivars, and prediction of functional properties of pea flour. The project aims to advance translation of lab findings and genomic tools to the field, accelerating the development of high yield, climate-resilient pea cultivars with enhanced seed quality.

Comme la demande en protéines et en ingrédients d’origine végétale augmente, le Canada est en train de devenir l’un des principaux producteurs et exportateurs de petits pois. Cependant, les changements climatiques ont des conséquences néfastes sur le rendement des cultures de pois et la qualité des semences, d’où la nécessité de mettre au point des cultivars qui sont résistants au climat. Des approches omiques ont permis d’améliorer les cultures, mais les ensembles de données complexes créés sont très hétérogènes et dépassent la capacité d’analyse statistique conventionnelle pour l’intégration des données en vue de dégager de nouvelles informations à l’échelle d’un système. En tirant parti des données des projets prioritaires communs en cours, l’équipe utilisera l’apprentissage automatique pour intégrer les données multiomiques afin d’élucider les mécanismes moléculaires sous-jacents au rendement des cultures de pois et à la qualité des semences. De plus, des modèles prédictifs d’apprentissage automatique seront élaborés pour permettre de sélectionner et de créer des cultivars de pois résistants au climat, et de prédire les propriétés fonctionnelles de la farine de pois. Ce projet vise à faire avancer la transposition des résultats de laboratoire et des outils génomiques sur le terrain, à accélérer le développement de cultivars de pois climatorésistants à haut rendement et à améliorer la qualité de semences.

In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators. In the long term, find collaborative solutions to public policy challenges and create stronger innovation systems.

À court terme, les résultats prévus seront des collaborations renforcées entre l'industrie, le milieu universitaire et le gouvernement pour soutenir l'excellence en recherche. À moyen terme, les résultats attendus seront le développement de nouvelles technologies potentiellement perturbatrices avec des collaborateurs. À long terme, trouver des solutions collaboratives aux défis des politiques publiques et créer des systèmes d'innovation plus solides.

Collaborate on multiparty research and development programs to catalyze transformative, high-risk, high-reward research with the potential for game-changing scientific discoveries and technological breakthroughs in priority areas.

Collaborer à des programmes multipartites de recherche-développement dans le but de profiter de la synergie entre la recherche transformatrice à haut risque et à haut rendement et le potentiel de découvertes scientifiques et de percées technologiques révolutionnaires dans des secteurs d’intervention prioritaires.