Detectar el tipo y la gravedad de la deficiencia de nutrientes minerales en las plantas de arroz basado en una...

Área de la Ciencia:

• Ciencias Agrícolas
• Biotecnología
• Ciencia de los datos

Sus antecedentes:

• La detección temprana de deficiencias de nutrientes en cultivos como el arroz es crucial para evitar la pérdida de rendimiento.
• Los microARN (miRNA) muestran potencial como biomarcadores para las respuestas al estrés de las plantas.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje automático para identificar el tipo y la gravedad de las deficiencias de nitrógeno, fósforo, potasio y azufre en las plantas de arroz.
• Para utilizar los datos de microARN de las plantas como entrada para el modelo predictivo.

Principales métodos:

• Se utilizó un biosensor electroquímico para medir la concentración de 14 microARN en las plantas de arroz con deficiencia de nutrientes.
• Los modelos de aprendizaje automático, incluido un bosque aleatorio optimizado por algoritmos genéticos, se utilizaron para la predicción de estrés.
• La selección de características identificó miRNAs clave (miRNA167, miRNA162, miRNA169, miRNA395) para la predicción de la deficiencia de nutrientes.

Principales resultados:

• El biosensor demostró un excelente rendimiento analítico para la cuantificación del microARN.
• El modelo forestal aleatorio optimizado logró una alta precisión (0,86), precisión (0,94) y recuperación (0,87) en la detección de tipos de deficiencia de nutrientes.
• El modelo predijo con precisión los niveles de deficiencia con un promedio de MSE de 0,010 y R2 de 0,92.

Conclusiones:

• Los perfiles de microARN de las plantas, cuando se analizan mediante el aprendizaje automático, pueden identificar efectivamente deficiencias específicas de nutrientes en el arroz.
• Este enfoque ofrece una base prometedora para el desarrollo de sistemas avanzados de vigilancia fitosanitaria.