Aprendizado de máquina e redes na análise de sequenciamento de 16S rRNA e ITS para avaliar o impacto de aditivos biológicos em fertilizantes minerais na biodiversidade do solo.

• Processo: 24/16862-6
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 31 de janeiro de 2025
• Data de Término da vigência: 30 de julho de 2025
• Área de conhecimento: Ciências Agrárias - Agronomia - Ciência do Solo
• Pesquisador responsável: Fernando Dini Andreote
• Beneficiário: Paloma Barros Dias
• Supervisor: Vanessa Nessner Kavamura Noguchi
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Instituição Anfitriã: Rothamsted Research, Inglaterra
• Vinculado à bolsa: 23/17001-1 - Efeitos de aditivo biológico em fertilizante mineral e sua relação com a biodiversidade do solo, BP.MS
• Assunto(s): Biologia computacional Ecologia dos micro-organismos Agricultura sustentável Microbiologia agrícola
• Palavra(s)-Chave do Pesquisador: amplicon sequencing | bioinformatics | microbial ecology | soil microbiome | Sustainable Agriculture | Microbiologia Agrícola

Resumo

A busca por uma agricultura mais sustentável, impulsionada pelas crescentes pressões sobre os padrões de produção e consumo, demanda inovações no manejo do solo e no uso de fertilizantes. Embora os fertilizantes minerais aumentem a produtividade agrícola, seu uso pode comprometer a biodiversidade microbiana do solo, que é crucial para funções ecossistêmicas e o desenvolvimento das plantas. Este estudo tem como objetivo investigar os impactos da combinação de fertilizantes minerais e aditivos biológicos sobre a biodiversidade microbiana do solo, por meio da análise de dados de sequenciamento de amplicon 16S rRNA e ITS. Os dados serão provenientes de experimentos realizados no Brasil, com tratamentos de controle e fertilizante mineral com e sem aditivos biológicos, aplicados em solos com diferentes manejos. As análises serão realizadas no Rothamsted Research (UK), utilizando técnicas avançadas de machine learning e networks, com o suporte de um computador de alto desempenho (HPC). Algoritmos como SVM e Random Forest serão empregados para classificar as sequências, comparando-as com bancos de dados como SILVA e UNITE. A diversidade microbiana será analisada por meio de PCA e Random Forest, enquanto o potencial funcional será previsto utilizando Picrust2. Redes de co-ocorrência e redes neurais, juntamente com as análises de networks desenvolvidas a partir do pipeline iNAP, permitirão a visualização das interações ecológicas, proporcionando uma avaliação detalhada da conectividade e das interações microbianas. Espera-se que este estudo forneça resultados mais profundos sobre os mecanismos biológicos associados ao uso de fertilizantes e aditivos biológicos, contribuindo para o avanço de práticas agrícolas mais sustentáveis respondendo assim à demanda global.