Aprovechan macrodatos para el mejoramiento de las manzanas: modelos genómicos para hacer frente a los desafíos climáticos

Tabla de contenido

Ante el cambio climático, los programas de mejoramiento de manzanas necesitan formas innovadoras de seleccionar cultivares que puedan prosperar en diversas condiciones. Un estudio reciente demuestra cómo la integración de los datos genómicos con factores ambientales como el clima y el suelo puede mejorar drásticamente el proceso de selección. Mediante el uso de modelos de predicción genómica multiambiental, incluido el deep learning, los investigadores han mejorado la precisión de las predicciones para los rasgos clave de la manzana. Estos avances proporcionan una herramienta prometedora para el mejoramiento de variedades de manzanas que no sólo son de alto rendimiento, sino que también se adaptan a la fluctuación del clima, lo que ofrece un avance potencial para garantizar la seguridad alimentaria futura.

Imagen representativa de una manzana, cuyo autor es Ri Butov en Pixabay

Los métodos tradicionales de mejoramiento de manzanas a menudo no tienen en cuenta las complejidades de las interacciones genotipo-ambiente, que son cruciales para seleccionar los mejores cultivares para diferentes climas. Para superar esta limitación, las últimas investigaciones combinan datos fenotípicos, genómicos y ambientales en sofisticados modelos de predicción multiambiental. Estos modelos están diseñados para predecir cómo se comportarán los cultivares de manzana en diferentes entornos, un proceso que históricamente ha sido difícil debido a la gran diversidad de condiciones ambientales. Este nuevo enfoque aprovecha los métodos estadísticos y de deep learning ( aprendizaje profundo) para procesar conjuntos de datos complejos, ofreciendo un modelo más robusto y preciso para futuros proyectos de mejoramiento.

Tras su publicación en Horticulture Research, este estudio de Agroscope, ETH Zurich y colaboradores presenta un gran avance en la mejora genética de manzanas mediante la aplicación de la predicción genómica multiambiental. La investigación explora la integración de los datos genómicos con variables ambientales como las condiciones del suelo y los patrones climáticos, proporcionando un nuevo método para predecir los rasgos clave de la manzana. Al incorporar las interacciones genotipo por ambiente en los modelos de predicción, el estudio allana el camino para seleccionar cultivares de manzana que se adapten mejor a diferentes climas, lo que en última instancia ayudará a los mejoradores a responder a los desafíos planteados por el cambio climático.

No cualquier manzana
#

El estudio utilizó la manzana REFPOP, una población genética integral, para examinar cómo diferentes modelos predicen 11 rasgos importantes en las manzanas, incluida la fecha de cosecha, el peso de la fruta y la acidez. Los investigadores emplearon una variedad de técnicas de predicción, desde el método estándar G-BLUP hasta modelos de aprendizaje profundo más avanzados, evaluando el impacto de las interacciones genotipo por entorno. Los resultados mostraron que la incorporación de factores ambientales como el clima y el suelo mejoró significativamente la precisión de la predicción para la mayoría de los rasgos, particularmente cuando el modelo G-BLUP se enriqueció con datos ambientales.

El estudio también destacó el poder de los modelos de aprendizaje profundo, que superaron a los métodos tradicionales para rasgos con arquitecturas genéticas complejas, como la fecha de cosecha y la acidez. Para estos rasgos, los modelos de aprendizaje profundo mejoraron la capacidad predictiva hasta en 0,10, lo que proporciona una clara ventaja en precisión. Los hallazgos enfatizan que, a medida que la variabilidad climática se vuelve más pronunciada, la integración de datos genómicos y ambientales utilizando enfoques avanzados de aprendizaje automático será clave para mejorar los cultivares de manzana que puedan adaptarse a los desafíos ambientales futuros.

“Al combinar los datos genómicos con los factores ambientales, estamos abriendo una nueva frontera en el mejoramiento de manzanas”, dijo la Dra. Michaela Jung, investigadora principal de Agroscope. “La capacidad de predecir cómo se comportarán los diferentes cultivares de manzana en diversas condiciones ambientales dará a los mejoradores una herramienta poderosa para seleccionar variedades que no solo sean de alto rendimiento, sino también resistentes al clima. Los modelos de aprendizaje profundo, en particular, han demostrado un inmenso potencial para refinar estas predicciones, ofreciendo una solución prometedora para adaptar el cultivo de manzanas a los desafíos de un clima cambiante”.

Este estudio proporciona una hoja de ruta para que los mejoradores de manzanas desarrollen cultivares que sean más resistentes al cambio climático, asegurando una producción estable a pesar de las condiciones ambientales fluctuantes. La integración de datos genómicos y ambientales en los programas de mejoramiento permitirá la selección de variedades de manzana que se adapten mejor a diferentes regiones y climas, mejorando tanto el rendimiento como la calidad. Además, la aplicación de modelos de aprendizaje profundo en la predicción genómica multiambiental puede extenderse a otros cultivos, ofreciendo una solución más amplia para la seguridad alimentaria mundial. Al aprovechar el big data y los algoritmos avanzados, este enfoque podría revolucionar la forma en que se cultivan los cultivos, haciéndolos más adaptables al futuro.

Cita
#

El artículo Integrative multi-environmental genomic prediction in apple, fue publicado en la revista Horticulture Research. Autores: Michaela Jung, Carles Quesada-Traver, Morgane Roth, María José Aranzana, Hélène Muranty, Marijn Rymenants, Walter Guerra, Elias Holzknecht, Nicole Pradas, Lidia Lozano, Frédérique Didelot, François Laurens, Steven Yates, Bruno Studer, Giovanni A L Broggini, Andrea Patocchi.

Financiación
#

C.Q.-T. contó con el apoyo del programa de investigación e innovación Horizonte 2020 de la Unión Europea en el marco del acuerdo de subvención Marie Skłodowska-Curie n.º 847585 – RESPONSE. Este estudio fue parcialmente financiado por el proyecto FOAG ‘Apfelzukunft dank Züchtung’ (2020/17/AZZ).