Il riso è una delle colture più importanti al mondo e costituisce la principale fonte alimentare per oltre la metà della popolazione terrestre. Proteggere le piantagioni di riso dalle malattie è quindi uno sforzo essenziale nell'agricoltura moderna. Tra i molti agenti patogeni che possono infettare le piante di riso, il batterio Xanthomonas oryzae, responsabile della peronospora batterica (BB), è tra i peggiori. Centinaia di milioni di dollari di raccolti vengono persi ogni anno a causa del BB e milioni di dollari vengono spesi in misure preventive e ricerca.
Una delle strategie più fruttuose per controllare il BB e altre malattie delle colture è coltivare cultivar geneticamente resistenti. Tuttavia, poiché i patogeni possono evolversi rapidamente, i ricercatori devono esplorare costantemente nuovi geni che conferiscono resistenza e li applicano durante la riproduzione. Quindi, devono campionare regolarmente più piante di riso in diversi periodi dell'anno e misurare la loro risposta all'infezione batterica, che rappresenta un lavoro manuale intenso e dispendioso in termini di tempo.
Ma cosa succederebbe se sfruttassimo le moderne tecnologie per semplificare notevolmente questo processo? In un recente studio pubblicato su Fenomica delle piante, un gruppo di ricerca guidato dal Dr. Xuping Feng dell'Università di Zhejiang, in Cina, ha sviluppato una strategia innovativa che combina i droni e l'apprendimento automatico sia per misurare le epidemie di BB sul campo sia per individuare i geni potenzialmente resistenti.
I ricercatori hanno allestito due siti sperimentali nella provincia di Zhejiang, in Cina, dove hanno coltivato oltre 60 tipi di cultivar di riso con diversa resistenza al BB. Usando veicoli aerei senza equipaggio (UAV, meglio conosciuti come "droni") dotati di telecamere regolari e multispettrali, hanno ripreso i siti di coltivazione in diverse fasi di sviluppo delle piante di riso. Successivamente, hanno combinato queste immagini UAV con i dati di temperatura accumulati (AT) e li hanno usati per addestrare a modello di apprendimento profondo per valutare la gravità della BB.
Vale la pena notare che la fusione dei dati AT con i dati di imaging UAV presi in diverse fasi della crescita delle piante di riso è stata una strategia unica per questo studio. Il team ha scoperto che queste informazioni erano sufficienti per consentire al modello addestrato di fare previsioni accurate sulla gravità del BB. Inoltre, i ricercatori hanno anche testato se un modello addestrato con i dati raccolti in un sito potesse essere fornito con una piccola quantità di dati di addestramento raccolti in un sito diverso per migliorare le sue previsioni su quest'ultimo.
Fortunatamente, i loro risultati sono stati molto promettenti, come osserva il dott. Feng: “Considerando il costo del campionamento sul campo, abbiamo scoperto che un trasferimento di solo il 20% dei nuovi dati era una strategia di aggiornamento del modello utile ed economica per ottenere previsioni affidabili di BB gravità in diversi siti.”
I ricercatori hanno quindi cercato di utilizzare questo nuovo metodo per misurare efficacemente la gravità del BB utilizzando gli UAV per eseguire la mappatura dei loci dei tratti quantitativi (QTL).
“I QTL segnano la posizione nel genoma in cui un gene controlla specifici tratti quantitativi, come la suscettibilità a una malattia. La mappatura dei QTL alle risposte delle colture sotto stress patogeno può aiutare gli allevatori a identificare le funzioni o i tratti delle colture controllate da un determinato insieme di QTL", spiega il dott. Feng. In parole povere, la mappatura QTL comporta l'analisi del genoma di più campioni di un organismo e il tentativo di individuare quali geni potrebbero essere responsabili di un tratto bersaglio, inclusa la resistenza alle malattie.
In questo studio, il team ha determinato indirettamente la gravità della malattia BB nelle colture utilizzando immagini UAV e ha combinato queste informazioni con i risultati dell'analisi genetica di più campioni di riso prelevati a diversi stadi di crescita e da diverse cultivar. Attraverso questo approccio, i ricercatori sono riusciti a rilevare sia i QTL precedentemente identificati relativi alla resistenza BB, sia tre nuovi!
Come mostrato dai risultati, la strategia generale delineata nello studio potrebbe diventare un vero risparmio di tempo nella ricerca sulle malattie agricole. «Rispetto alle misurazioni manuali della gravità della malattia, le tecniche di telerilevamento UAV ci consentono di raccogliere rapidamente informazioni fenotipiche su larga scala, il che fornisce supporto tecnico per accelerare la ricerca sull'allevamento», conclude il dott. Feng. Ancora più importante, mentre l'approccio è stato sviluppato e testato specificamente per riso e BB, potrebbe essere adattato anche ad altre colture e malattie.