Aprovechar la velocidad de reproducción y la optimización del modelo para el desarrollo sostenible de cultivos

Se espera que el aumento de la población mundial, que se espera que alcance los 10 mil millones en 2050, duplique la demanda de alimentos, especialmente de productos de origen animal. Se espera que este aumento de la demanda intensifique la presión sobre los recursos agrícolas, planteando desafíos adicionales en un contexto de cambio climático.

Para satisfacer estas demandas, es fundamental desarrollar variedades de cultivos resilientes y de alto rendimiento. El mejoramiento rápido (SB), una técnica que acelera la generación de cultivos a través de condiciones ambientales controladas, ha surgido como una solución prometedora. Lanzado en la década de 1980 y avanzado recientemente, SB permite una rápida modificación de los cultivos y una mayor frecuencia de generación de cultivos. Sin embargo, persisten desafíos para optimizar las condiciones ambientales para la SB, como la luz, la temperatura y los recursos hídricos.

Fenómenos vegetales publicó un artículo de revisión titulado «El modelado de cultivos/plantas apoya el fitomejoramiento: I. Optimización de factores ambientales para acelerar el crecimiento y desarrollo de cultivos para una mejora rápida«.

Esta revisión se centra en el uso de modelos de cultivos y plantas para identificar las condiciones óptimas para el SB, argumentando que estas herramientas son vitales para personalizar y mejorar los protocolos del SB para desarrollar rápidamente cultivos de alto rendimiento y resistentes al estrés.

Esta revisión investiga el potencial transformador del SB para revolucionar el desarrollo de cultivos, enfatizando su capacidad para reducir significativamente el tiempo requerido para crear nuevas variedades de cultivos. SB logra esto manipulando factores ambientales como el fotoperiodo, la calidad de la luz, la intensidad y la temperatura, aliviando las limitaciones impuestas por largos procesos de reproducción tradicionales.

Las implementaciones exitosas en trigo, arroz y cebada demuestran la efectividad del SB, donde rasgos como la resistencia a enfermedades y la altura de las plantas se han mejorado rápidamente. Sin embargo, la efectividad de SB depende de la optimización de estas condiciones ambientales, una tarea que sigue siendo en gran medida empírica y, por lo tanto, está lista para ser perfeccionada. El fotoperíodo se identifica como un regulador crucial en SB, que influye en etapas críticas de crecimiento y eficiencia fotosintética.

Otros factores, como la intensidad, la calidad y la temperatura de la luz, también desempeñan un papel importante a la hora de determinar el rendimiento de la SB. Esto resalta la necesidad de una comprensión integral y un control preciso de estos factores para minimizar el tiempo de generación sin inducir alteraciones del crecimiento. Además, la revisión reconoce que las prácticas actuales de SB dependen en gran medida de la literatura publicada y de experiencias individuales, lo que revela una falta de precisión y estandarización en entornos ambientales.

Para abordar estas brechas, se introducen modelos de cultivos y plantas como herramientas sólidas para predecir el crecimiento y el desarrollo en diversas condiciones ambientales. Estos modelos permiten pruebas virtuales, lo que facilita la determinación rápida de condiciones ambientales optimizadas para lograr los fenotipos de plantas deseados.

La integración de la inteligencia artificial se propone como una forma de mejorar aún más la precisión predictiva y la eficiencia de estos modelos. Sin embargo, los desafíos persisten. Los modelos existentes a menudo no representan con precisión las condiciones únicas del invernadero o los requisitos específicos de SB.

Es necesario calibrarlos o modificarlos para diferentes tipos y condiciones de cultivo. Además, la mayoría de los modelos no capturan adecuadamente los efectos de la calidad de la luz en el crecimiento de las plantas, un área que requiere más investigación y desarrollo.

En conclusión, aunque la SB presenta un camino prometedor para el rápido desarrollo de nuevas variedades de cultivos, su éxito depende de la optimización precisa de las condiciones ambientales.

Los modelos de cultivos y plantas, especialmente cuando se complementan con IA, ofrecen un camino para lograr esta precisión. A medida que estas herramientas evolucionen y se adapten, se espera que desempeñen un papel cada vez más crucial en la realización del potencial de la SB, contribuyendo así a la seguridad alimentaria futura al permitir el desarrollo eficiente de variedades de cultivos mejoradas.