Una investigación de la Universidad Estatal de Carolina del Norte integra inteligencia artificial, información genética y simulaciones computacionales para mejorar la selección de plantas en los programas de mejoramiento vegetal. El objetivo es reducir tiempos de investigación y avanzar hacia variedades con mejor rendimiento, resistencia a enfermedades y adaptación a condiciones ambientales variables.

El desarrollo de nuevas variedades vegetales puede tomar años de cruzamientos, evaluaciones en campo y selección de plantas con características favorables. Frente a este desafío, investigadores de la Universidad Estatal de Carolina del Norte (NC State), en Estados Unidos, están utilizando herramientas de inteligencia artificial, genética avanzada y simulación computacional para hacer más eficiente el mejoramiento de cultivos hortícolas.

La iniciativa es impulsada por Kashish Grover, estudiante de doctorado en horticultura, y se vincula con una línea de investigación que busca aprovechar los datos para anticipar qué plantas tienen mayores probabilidades de transmitir características de interés agronómico.

El trabajo toma como referencia los avances en mejoramiento de cultivos como el arroz y explora cómo las metodologías predictivas pueden contribuir a acelerar la selección de materiales genéticos en hortalizas. La propuesta apunta a que los equipos de investigación puedan identificar candidatos prometedores con mayor precisión y orientar mejor sus recursos experimentales.

Seleccionar mejor antes de llegar al campo

En los programas tradicionales de mejoramiento vegetal, los investigadores cruzan plantas, cultivan generaciones sucesivas y evalúan sus características para seleccionar aquellas que cumplen los objetivos buscados. Este proceso requiere tiempo, superficies de ensayo y mediciones reiteradas, especialmente cuando se busca mejorar varios atributos al mismo tiempo.

Las herramientas predictivas ofrecen una alternativa complementaria. Al integrar información genética con datos sobre el comportamiento de las plantas, los investigadores pueden construir modelos que estimen el potencial de distintos materiales antes de someterlos a todas las etapas de evaluación.

Entre las características de interés para los programas de mejoramiento se encuentran el rendimiento, la resistencia a enfermedades, la calidad del producto y su comportamiento después de la cosecha. También resulta relevante identificar materiales capaces de responder mejor a condiciones ambientales cambiantes.

La inteligencia artificial puede contribuir a procesar grandes volúmenes de información y detectar relaciones que no son evidentes mediante análisis convencionales. Las simulaciones computacionales, por su parte, permiten comparar estrategias de mejoramiento y explorar cuáles podrían ofrecer mejores resultados a lo largo de varias generaciones.

¿Qué significa para los productores agrícolas?

La relevancia de estos avances está en su potencial para mejorar la eficiencia con que se desarrollan las variedades que llegan al mercado. Para los productores, la genética es una herramienta central para enfrentar problemas como las enfermedades, la variabilidad climática, las exigencias de calidad y la necesidad de mantener la productividad.

Un programa de mejoramiento más preciso podría ayudar a identificar con mayor anticipación plantas que combinen características deseables. Esto no significa que la inteligencia artificial produzca por sí sola una nueva variedad ni que los resultados puedan trasladarse automáticamente a cualquier zona agrícola: las predicciones deben contrastarse con evaluaciones experimentales y ensayos en condiciones de producción.

La validación local sigue siendo determinante. Una variedad que presenta buenos resultados en un ambiente puede responder de manera diferente ante otros suelos, temperaturas, disponibilidad hídrica, manejos agronómicos o presiones de plagas y enfermedades.

Por ello, el valor de estas herramientas no reside únicamente en acelerar el análisis de datos, sino en ayudar a los mejoradores a tomar decisiones mejor fundamentadas sobre qué materiales conviene seguir evaluando.

Del mejoramiento convencional a una selección basada en datos

La investigación se enmarca en una tendencia creciente hacia la digitalización de los programas de mejoramiento vegetal. En NC State, el Vegetable Prediction Breeding Lab trabaja con herramientas como la selección genómica, el fenotipado de alto rendimiento y el análisis de información ambiental para apoyar el desarrollo de variedades hortícolas.

La selección genómica utiliza marcadores distribuidos a lo largo del genoma para estimar el potencial de una planta respecto de determinados caracteres. El fenotipado de alto rendimiento permite medir características de un mayor número de plantas de manera más rápida y sistemática, mientras que la información ambiental ayuda a comprender cómo interactúan los genotipos con las condiciones en que se cultivan.

La integración de estas fuentes de información puede contribuir a mejorar la precisión de la selección y a utilizar de manera más eficiente los recursos destinados a ensayos y evaluación de materiales.

Para la agricultura, el desafío será convertir estas capacidades analíticas en variedades que respondan a necesidades concretas de los productores y de los mercados. Esto exige mantener el trabajo experimental, evaluar la estabilidad de los resultados y considerar las condiciones agronómicas y comerciales de cada cultivo.

La investigación de NC State muestra cómo la combinación de genética, inteligencia artificial y simulación puede abrir nuevas posibilidades para el mejoramiento hortícola. Aunque su impacto dependerá de la validación y aplicación de cada metodología, el enfoque apunta a un objetivo relevante para el sector: desarrollar variedades mejor adaptadas a los desafíos productivos con procesos de selección más eficientes.

Fuente: North Carolina State University, College of Agriculture and Life Sciences. From Rice Fields to Accelerating Vegetable Breeding.

Información complementaria: Vegetable Prediction Breeding Lab, NC State University.