El cambio climático, los fenómenos meteorológicos extremos, las temperaturas récord sin precedentes y los océanos más altos y ácidos hacen difícil predecir el destino a largo plazo de las variedades de cultivos modernos.
por Lindsey Berebitsky, Universidad Purdue
En un artículo publicado en Proceedings of the National Academy of Sciences , Diane Wang, profesora asistente en el Departamento de Agronomía de Purdue, y su investigador postdoctoral Sajad Jamshidi, informaron sobre un modelo predictivo que desarrollaron y que utiliza algoritmos de aprendizaje automático para predecir cómo los rendimientos del arroz se verán afectados por el cambio climático.
Su trabajo se completó en colaboración con investigadores de la Universidad de Cornell y el Centro Nacional de Investigación del Arroz Dale Bumpers.
«Con este tipo de modelos estadísticos a gran escala, básicamente se toma un conjunto de predictores, como el clima o la genética, y se los mapea para resolver un resultado. En este caso, estamos interesados en predecir el rendimiento«, dijo Wang.
Estados Unidos se encuentra entre los cinco principales exportadores de arroz, lo que hace que la producción de arroz en varios estados del sur sea importante para las dietas de todo el mundo. El trabajo de Wang y Jamshidi sienta las bases para las predicciones de inteligencia artificial en arroz y otros cultivos, lo que podría ayudar a la agricultura a perfeccionar las prácticas de mejoramiento genético allí donde las variedades de cultivos son más vulnerables al cambio climático.
A través de este modelo, el equipo descubrió que es probable que a las variedades modernas de arroz les vaya «menos mal» que a las variedades más antiguas en un futuro afectado por el cambio climático. Los programas públicos de mejoramiento, como los de las universidades, están en gran medida detrás del éxito del arroz actual.
Su desarrollo de nuevas variedades ha ampliado el acervo genético del arroz estadounidense y al mismo tiempo ha incorporado rasgos específicos. Wang dijo que este estudio subraya la importancia de las contribuciones históricas y actuales de estos programas públicos de mejoramiento.
«El modelo conjunto predice que a los grupos modernos de variedades de arroz les irá menos mal que a los grupos de variedades más antiguas, pero yo sería cuidadoso al decir que hemos terminado nuestro trabajo», dijo Wang. «Hay mucha incertidumbre con respecto a los climas futuros, y este tipo de modelos son sólo una herramienta para explorar escenarios».
El arroz tiene un genoma pequeño en comparación con otros cultivos. Eso y la disponibilidad de datos históricos y semillas de variedades antiguas lo convirtieron en el sistema de estudio ideal para diseñar un modelo predictivo. El equipo obtuvo temperaturas históricas y datos meteorológicos, así como lo que Wang llamó el «descubrimiento fortuito de informes de superficie cultivada».
Desde la década de 1970, los estados productores de arroz del sur de Estados Unidos en la región del delta del Mississippi han registrado qué variedad de arroz se cultivaba y en qué proporción a nivel de condado. Muchos de estos informes de superficie se enviaron al equipo como documentos mecanografiados. Luego, el grupo obtuvo semillas de variedades antiguas de arroz que ya no se cultivan comúnmente de colaboradores del Centro Nacional de Investigación del Arroz Dale Bumpers.
Estas variedades de arroz se analizaron a nivel genético, y Wang y sus colaboradores agruparon las variedades según los alelos o variaciones genéticas que compartían. Tradujeron esta información de la variedad de informes de superficie cultivada a «bolsas de alelos» a nivel de condado y luego entrenaron modelos de aprendizaje automático utilizando los grupos de alelos y los rendimientos a nivel de condado con datos ambientales históricos, como temperatura y precipitación.
Los esfuerzos de Jamshidi para construir este modelo son especialmente novedosos porque el modelo final combina 10 métodos de aprendizaje automático para crear un modelo conjunto que puede procesar información con un enfoque más multifacético. La salida del modelo de conjunto ofrece resultados más precisos bajo los mismos predictores.
Este estudio no sólo proporcionará un marco para construir modelos para otros cultivos con predictores similares, sino que Wang ve otra posible dirección para esta investigación. La realización de experimentos físicos cultivando variedades de arroz antiguas y modernas en condiciones previstas podría servir como una evaluación adicional del modelo, además de dar pistas sobre la composición genética y fisiológica que causa la diferencia en la resiliencia entre los grupos de variedades.
Wang dijo: «Este tipo de predicciones son realmente el primer paso. El modelo nos ha dado algunos resultados potenciales, pero ahora alguien tiene que ejecutar experimentos de seguimiento para llegar a los mecanismos subyacentes».
Wang y su laboratorio continúan estudiando las interacciones entre la genética de los cultivos y su entorno, y están utilizando modelos y otras tecnologías para crear un futuro más predecible para la agricultura.
Más información: Diane R. Wang et al, Efectos positivos del mejoramiento público en los rendimientos de arroz de EE. UU. en escenarios climáticos futuros, Actas de la Academia Nacional de Ciencias (2024). DOI: 10.1073/pnas.2309969121
