Inteligência artificial e a genética podem ajudar os agricultores a cultivar milho com menos fertilizantes

“Ao identificar os genes importantes para a utilização do azoto, podemos selecionar ou mesmo modificar certos genes para aumentar a eficiência da utilização do azoto nas principais culturas americanas, como o milho”, afirmou Gloria Coruzzi, professora Carroll & Milton Petrie do Departamento de Biologia e do Centro de Genómica e Biologia de Sistemas da NYU e autora principal do estudo, publicado na revista The Plant Cell.

Nos últimos 50 anos, os agricultores conseguiram obter maiores colheitas graças a grandes melhorias no cultivo de plantas e fertilizantes, incluindo a eficiência com que as culturas absorvem e utilizam o azoto, o principal componente dos fertilizantes.

No entanto, a maioria das culturas apenas utiliza cerca de 55% do azoto contido nos fertilizantes que os agricultores aplicam nos seus campos, enquanto o restante acaba no solo circundante. Quando o azoto se infiltra nas águas subterrâneas, pode contaminar a água potável e provocar a proliferação de algas nocivas em lagos, rios, reservatórios e águas quentes do oceano. Além disso, o azoto não utilizado que permanece no solo é convertido por bactérias em óxido nitroso, um potente gás com efeito de estufa que é 265 vezes mais eficaz a reter o calor durante um período de 100 anos do que o dióxido de carbono.

Os Estados Unidos são o maior produtor mundial de milho. Esta importante cultura comercial necessita de grandes quantidades de azoto para crescer, mas grande parte do fertilizante utilizado no milho não é absorvido ou utilizado. A baixa eficiência do milho na utilização do azoto representa um desafio financeiro para os agricultores, dado o aumento dos custos dos fertilizantes - a maior parte dos quais é importada - e também um risco para o solo, a água, o ar e o clima.

Para enfrentar este desafio no milho e noutras culturas, os investigadores da NYU desenvolveram um novo processo para melhorar a eficiência da utilização do azoto que integra a genética das plantas com a aprendizagem automática, um tipo de inteligência artificial que deteta padrões nos dados - neste caso, para associar genes a uma caraterística (eficiência da utilização do azoto).

Utilizando uma abordagem de modelo para cultura, os investigadores da NYU seguiram a história evolutiva dos genes do milho que são partilhados com a Arabidopsis, uma pequena erva daninha com flor frequentemente utilizada como organismo modelo na biologia vegetal devido à facilidade de a estudar no laboratório utilizando o poder das abordagens genéticas moleculares. Num estudo anterior, publicado na revista Nature Communications, a equipa de Coruzzi identificou genes cuja capacidade de resposta ao azoto era conservada entre o milho e a Arabidopsis e validou o seu papel nas plantas.

No estudo The Plant Cell, o mais recente sobre este tema, os investigadores da NYU basearam-se no seu trabalho com o milho e a Arabidopsis para identificar a forma como a eficiência da utilização do azoto é governada por grupos de genes - também conhecidos como “regulons” - que são ativados ou reprimidos pelo mesmo fator de transcrição (uma proteína reguladora).

Imagem: Tracey Friedman/NYU

Os investigadores começaram por utilizar a sequenciação do ARN para medir a forma como os genes do milho e da Arabidopsis respondem ao tratamento com azoto. Utilizando estes dados, treinaram modelos de aprendizagem automática para identificar genes sensíveis ao azoto conservados nas variedades de milho e Arabidopsis, bem como os fatores de transcrição que regulam os genes importantes para a eficiência da utilização do azoto (NUE). Para cada “NUE Regulon” - o fator de transcrição e o conjunto correspondente de genes NUE regulados - os investigadores calcularam uma pontuação coletiva de aprendizagem automática e, em seguida, classificaram os melhores desempenhos com base na forma como os níveis de expressão combinados poderiam prever com precisão a eficiência com que o azoto é utilizado em variedades de milho cultivadas no campo.

Para os Reguladores NUE mais bem classificados, os investigadores utilizaram estudos baseados em células, tanto no milho como na Arabidopsis, para validar as previsões de aprendizagem automática para o conjunto de genes no genoma que são regulados por cada fator de transcrição. Estas experiências confirmaram os Regulamentos NUE para dois fatores de transcrição do milho (ZmMYB34/R3) que regulam 24 genes que controlam a utilização do azoto, bem como para um fator de transcrição estreitamente relacionado na Arabidopsis (AtDIV1), que regula 23 genes alvo que partilham uma história genética com o milho e que também controlam a utilização do azoto. Quando introduzidos nos modelos de aprendizagem automática, estes Regulamentos NUE conservados de modelo para cultura aumentaram significativamente a capacidade da IA para prever a eficiência da utilização de azoto nas variedades de milho cultivadas no campo.

A identificação dos reguladores NUE dos genes coletivos e dos fatores de transcrição relacionados que regem a utilização do azoto permitirá aos cientistas das culturas criar ou desenvolver milho que necessite de menos fertilizantes.

“Ao analisar os híbridos de milho na fase de plântula para verificar se a expressão dos genes identificados de importância para a eficiência da utilização do azoto é elevada, em vez de os plantar no campo e medir a sua utilização do azoto, podemos utilizar marcadores moleculares para selecionar os híbridos na fase de plântula que são mais eficientes na utilização do azoto e, em seguida, plantar essas variedades”, disse Coruzzi. “Isto não só resultará numa poupança de custos para os agricultores, como também reduzirá os efeitos nocivos da poluição das águas subterrâneas por azoto e as emissões de gases com efeito de estufa por óxido nitroso”.

A Universidade de Nova Iorque apresentou um pedido de patente que abrange a investigação e as conclusões descritas neste documento. Outros autores do estudo incluem Ji Huang, Tim Jeffers, Nathan Doner, Hung-Jui Shih, Samantha Frangos e Manpreet Singh Katari da NYU; Chia-Yi Cheng da NYU e da Universidade Nacional de Taiwan, e Matthew Brooks do Serviço de Investigação Agrícola do Departamento de Agricultura dos EUA.

A investigação foi apoiada pelo Programa de Investigação do Genoma Vegetal da National Science Foundation e pelos Institutos Nacionais de Saúde.