El arroz es uno de los cultivos más importantes del mundo y constituye la principal fuente de alimento para más de la mitad de la población de la Tierra.
por la Universidad Agrícola de NanJing
Por lo tanto, proteger las plantaciones de arroz de las enfermedades es un esfuerzo esencial en la agricultura moderna. De los muchos patógenos que pueden infectar las plantas de arroz, la bacteria Xanthomonas oryzae, responsable del tizón bacteriano (BB), se encuentra entre los peores. Cada año se pierden cultivos por valor de cientos de millones de dólares debido a BB, y se gastan millones de dólares en medidas preventivas e investigación.
Una de las estrategias más fructíferas para controlar BB y otras enfermedades de los cultivos es cultivar cultivares genéticamente resistentes. Sin embargo, como los patógenos pueden evolucionar rápidamente, los investigadores tienen que explorar constantemente nuevos genes que otorguen resistencia y aplicarlos en la reproducción. Por lo tanto, tienen que muestrear regularmente múltiples plantas de arroz en diferentes épocas del año y medir su respuesta a la infección bacteriana, lo que representa un trabajo manual intensivo y que requiere mucho tiempo.
Pero, ¿y si aprovechamos las tecnologías modernas para simplificar enormemente este proceso? En un estudio reciente publicado en Plant Phenomics , un equipo de investigación dirigido por el Dr. Xuping Feng de la Universidad de Zhejiang, China, desarrolló una estrategia innovadora que combina drones y aprendizaje automático para medir los brotes de BB en el campo y detectar genes potencialmente resistentes.
Los investigadores establecieron dos sitios experimentales en la provincia de Zhejiang, China, donde cultivaron más de 60 tipos de cultivares de arroz con diferente resistencia a BB. Usando vehículos aéreos no tripulados (UAV, más conocidos como ‘drones’) equipados con cámaras regulares y multiespectrales, tomaron imágenes de los sitios de cultivo en diferentes etapas del desarrollo de la planta de arroz. Posteriormente, combinaron estas imágenes de UAV con datos de temperatura acumulada (AT) y los usaron para entrenar un modelo de aprendizaje profundo para evaluar la gravedad de BB.
Vale la pena señalar que la fusión de datos de AT con datos de imágenes de UAV tomados en diferentes etapas del crecimiento de la planta de arroz fue una estrategia única para este estudio. El equipo descubrió que esta información era suficiente para que el modelo entrenado hiciera predicciones precisas sobre la gravedad de BB. Además, los investigadores también probaron si un modelo entrenado con datos recopilados en un sitio podría recibir una pequeña cantidad de datos de entrenamiento recopilados en un sitio diferente para mejorar sus predicciones sobre este último.
Afortunadamente, sus resultados fueron muy prometedores, como observa el Dr. Feng: “Considerando el costo del muestreo de campo, descubrimos que una transferencia de solo el 20 % de los datos nuevos era una estrategia de actualización de modelo útil y rentable para lograr predicciones confiables de BB gravedad en diferentes sitios”.
Luego, los investigadores buscaron utilizar este nuevo método para medir de manera efectiva la gravedad de BB utilizando UAV para realizar un mapeo de loci de rasgos cuantitativos (QTL).
“QTL marca la ubicación en el genoma donde un gen controla rasgos cuantitativos específicos, como la susceptibilidad a una enfermedad. Mapear QTL a las respuestas de los cultivos bajo estrés por patógenos puede ayudar a los mejoradores a identificar las funciones o rasgos de los cultivos que controla un conjunto determinado de QTL”. explica el Dr. Feng. En pocas palabras, el mapeo de QTL implica analizar el genoma de múltiples muestras de un organismo y tratar de identificar qué genes podrían ser responsables de un rasgo objetivo, incluida la resistencia a enfermedades.
En este estudio, el equipo determinó indirectamente la gravedad de la enfermedad de BB en los cultivos utilizando imágenes de UAV y combinó esta información con los resultados del análisis genético de múltiples muestras de arroz tomadas en diferentes etapas de crecimiento y de diferentes cultivares. A través de este enfoque, los investigadores lograron detectar tanto QTL previamente identificados relacionados con la resistencia a BB, ¡así como tres nuevos!
Como muestran los resultados, la estrategia general esbozada en el estudio podría convertirse en un verdadero ahorro de tiempo en la investigación de enfermedades agrícolas. “En comparación con las mediciones manuales de la gravedad de la enfermedad, las técnicas de detección remota de UAV nos permiten recopilar rápidamente información fenotípica a gran escala, lo que brinda soporte técnico para acelerar la investigación de reproducción”, concluye el Dr. Feng. Lo que es más importante, si bien el enfoque se desarrolló y probó específicamente para arroz y BB, también podría adaptarse a otros cultivos y enfermedades.
Más información: Xiulin Bai et al, Fenotipado dinámico de UAV para el análisis de resistencia a enfermedades del arroz basado en datos de múltiples fuentes, Plant Phenomics (2022). DOI: 10.34133/plantafenomics.0019
