Agricultura preditiva em seringueira via aprendizado de máquina: base para o aumento de produção da principal fonte renovável de látex

• Processo: 20/08293-0
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de fevereiro de 2022
• Data de Término da vigência: 31 de julho de 2024
• Área do conhecimento: Ciências Agrárias - Agronomia - Fitotecnia
• Pesquisador responsável: Anete Pereira de Souza
• Beneficiário: Anete Pereira de Souza
• Instituição Sede: Centro de Biologia Molecular e Engenharia Genética (CBMEG). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Pesquisadores associados: Antonio Lucio Mello Martins ; Elaine Cristine Piffer Gonçalves ; Livia Moura de Souza
• Assunto(s): Genômica Genética vegetal Melhoramento genético vegetal Borracha natural Seringueira Porta-enxertos Biologia computacional Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: aprendizado de máquinas | associação genômica | bioinformática | melhoramento molecular | porta-enxerto | seringueira | Genética e Genômica Vegetal

Resumo

O elevado preço do petróleo e o crescente interesse em consumir matéria-prima de fonte renovável aumentou a demanda por borracha natural, cuja única fonte comercial é a seringueira (Hevea brasiliensis). Mesmo sendo o país de maior produção/exportação de borracha natural, o Brasil passou de centro de origem e diversidade, a importador da maior parte da borracha que consome. Os seringais implantados no Estado de São Paulo retomaram o crescimento da cultura no país, apesar de ainda contribuir com apenas 1,44% da borracha natural consumida mundialmente. Para viabilizar um incremento da heveicultura em novas áreas potenciais é preciso investimento em uma agricultura preditiva, com a combinação de avanços tecnológicos em genômica, fenômica, inteligência artificial e modelos quantitativos, objetivando a seleção de clones superiores tolerantes ao plantio em regiões mais frias e secas no Sudeste e Sul. A multiplicação dos clones de seringueira é feita utilizando enxertia, sendo a uniformidade de desempenho de grande importância para a produção de látex e seus propósitos industriais. No entanto, apesar de o método de enxertia se caracterizar como uma estratégia genético-cultural que assegura a isogenicidade entre enxertos de um bloco monoclonal, essa uniformidade não tem sido observada pela propagação vegetativa nos seringais. Assim, altos coeficientes de variação para vigor e produção de borracha têm sido constatados entre clones diferentes e até mesmo dentro de mesmas variedades clonais. Ainda não existem estudos que utilizem as estimativas dos parâmetros genéticos e fenotípicos em variáveis de vigor e produtividade em porta-enxertos. Neste contexto, o domínio transdisciplinar da combinação das diferentes estratégias metodológicas de genômica, aprendizado de máquina e genética quantitativa amplia o potencial para elucidar os mecanismos moleculares da produção de látex. Diante da inexistência de estudos genômicos e de aprendizado de máquina aplicados ao melhoramento de porta-enxerto, o presente projeto propõe a aplicação de abordagens genômicas para avaliar a eficiência da combinação entre porta-enxertos e enxertos, visando um maior rendimento na produção de borracha natural. Dessa forma, pretende-se realizar: (i) Predição genômica (PG) utilizando características de importância econômica (como produção de látex) para seleção de combinações de enxertia potenciais; (ii) Avaliação de modelos baseados em aprendizado de máquina para essa tarefa preditiva, contrastando-os com técnicas estatísticas paramétricas e bayesianas; (iii) Associação genômica ampla (GWAS) da relação enxerto/porta-enxerto para identificação de regiões cromossômicas, genes e vias metabólicas relacionados a diferentes características fenotípicas; (iv) Utilização de técnicas de seleção de atributos e modelos de aprendizado de máquina interpretáveis para complementação às técnicas de GWAS tradicionais. Como resultado da aplicação de PG e GWAS em porta-enxertos de seringueiras, espera-se acelerar os ganhos de seleção, reduzindo o tempo e custo de um ciclo de melhoramento via seleção precoce. Além disso, pretende-se avaliar o potencial de aumento nos ganhos de seleção associados utilizando-se, em conjunto com abordagens genômicas, modelos de inteligência artificial. Ademais, marcadores encontrados em regiões associadas a caracteres quantitativos em porta-enxerto poderão ser aplicados nos programas de melhoramento via seleção assistida, além de direcionar a identificação de genes e rotas metabólicas relacionadas à produção de látex. (AU)