Resumen del desafío
El banco de germoplasma del CIP es uno de los bancos de germoplasma in vitro más grandes del mundo y conserva la colección mundial de cultivos de papa, camote y raíces y tubérculos andinos. La conservación in vitro aplica técnicas de cultivo de tejidos vegetales para cultivar propágulos de cultivos clonales (p. ej., esquejes de tallos, brotes, meristemas) en un medio estéril. Estos cultivos se mantienen en un ambiente controlado para garantizar su crecimiento sano y seguro.
Si bien la conservación in vitro es la forma más eficaz de preservar y distribuir los recursos genéticos de cultivos clonales, tiene varias desventajas. Los costos de mantenimiento son altos debido a la necesidad de equipos y materiales especializados. El proceso requiere mucha mano de obra y requiere personal capacitado para un manejo y mantenimiento precisos. Además, es necesario un seguimiento constante y una regeneración periódica de los cultivos para mantener la viabilidad de las plantas, aumentando aún más los recursos y el esfuerzo necesarios.
Actualmente, las recolecciones se monitorean cada 1 a 3 meses mediante un proceso en el que los tubos que contienen las plántulas se inspeccionan individualmente y luego se clasifican en cuatro categorías de viabilidad: buena, media, regular y crítica. Las plántulas que se clasifican en las categorías regular y crítica se someten a regeneración inmediata para preservar su viabilidad. Esta evaluación se basa en valoraciones visuales del grado de necrosis en brotes, raíces y hojas, así como en cambios en la coloración de las hojas, como clorosis y pigmentación oscura. Para esta tarea crítica se requieren técnicos altamente capacitados y experimentados, ya que una categorización incorrecta puede llevar a una reducción de la viabilidad, lo que requiere mano de obra, recursos financieros y tiempo adicionales para restaurar el vigor y la viabilidad de la planta. En el peor de los casos, puede incluso provocar la pérdida de una obtención. La distinción entre las categorías media y regular es particularmente susceptible a errores.
El desafío se centra en crear un proceso de clasificación y escaneo de imágenes impulsado por IA con el objetivo de servir como una valiosa herramienta de apoyo a la toma de decisiones, mejorando la precisión de las clasificaciones y mejorando la eficiencia del mantenimiento in vitro.
Los modelos de IA capacitados por medio de imágenes de plantas pueden clasificarlas automáticamente en tiempo real en categorías de viabilidad (buena, media, regular, crítica) basándose en señales visuales como necrosis, coloración de las hojas y otros indicadores de salud. Esto reduce la dependencia de evaluaciones subjetivas manuales y acelera el proceso de categorización.
Se pueden diseñar algoritmos de aprendizaje automático para identificar anomalías o patrones inusuales en el crecimiento de las plantas que podrían no encajar perfectamente en las categorías predefinidas pero que indican una necesidad de atención. Esto puede ayudar a la detección temprana de problemas potenciales antes de que se vuelvan críticos.
La IA puede analizar datos históricos sobre la viabilidad de las plántulas y los resultados para predecir las necesidades futuras de regeneración. Al comprender los patrones de cómo ciertas condiciones afectan la salud de las plantas, la IA puede pronosticar qué plántulas requerirán probablemente regeneración pronto, optimizando el tiempo y los recursos utilizados para el mantenimiento.
Se pueden aplicar técnicas de aprendizaje profundo (deep learning) para extraer datos fenotípicos detallados de imágenes, como mediciones precisas del tamaño, la forma y las variaciones de color de las hojas. Este análisis detallado puede mejorar la comprensión de la salud de las plantas y los patrones de crecimiento, lo que lleva a decisiones más informadas sobre la regeneración y el mantenimiento.
La implementación de la tecnología de cadenas de bloques (blockchain) puede garantizar la trazabilidad de cada decisión tomada por el sistema de IA, proporcionando un registro transparente e inmutable de cuándo y por qué se clasificó cada plántula en su categoría de viabilidad. Esto puede ayudar a perfeccionar el modelo de IA con el tiempo y garantizar la responsabilidad en el proceso de mantenimiento.
La integración de procesos de clasificación y escaneo de imágenes impulsados por IA mejora la eficiencia y confiabilidad del mantenimiento de las colecciones de plantas, lo que permite a los bancos de germoplasma brindar un acceso más amplio a estos recursos. Este esfuerzo se alinea con objetivos más amplios de mejorar la seguridad alimentaria, promover la agricultura sostenible y preservar la diversidad genética. Al garantizar la categorización precisa y la salud de las colecciones de plantas, los bancos de germoplasma pueden contribuir de manera más eficaz a preservar la biodiversidad agrícola. Esto es crucial para mitigar los desafíos que plantean el cambio climático, las plagas y las enfermedades. Además, los datos detallados y confiables generados a través de las tecnologías de inteligencia artificial ofrecen información invaluable para los procesos de formulación de políticas y toma de decisiones. Estos conocimientos son esenciales para formular estrategias relacionadas con la conservación genética, la biodiversidad agrícola y la seguridad alimentaria, reforzando así el papel de los bancos de germoplasma en la configuración de enfoques nacionales e internacionales para la agricultura sostenible. A través de estas contribuciones, los bancos de germoplasma impulsados por la IA pueden mantener su papel fundamental en la conservación de los recursos genéticos para asegurar el futuro de los sistemas alimentarios mundiales y preservar el patrimonio genético de los cultivos esenciales.
Se espera que el desarrollo y la implementación de un procedimiento de clasificación y escaneo de imágenes impulsado por IA para el monitoreo de la viabilidad in vitro genere beneficios significativos:
- Mayor precisión en las evaluaciones de viabilidad: una mayor precisión en la categorización de la salud y la viabilidad de las plantas reduce los errores, lo que conduce a mejores resultados de mantenimiento y conservación.
- Mejoras de Eficiencia: Agiliza el proceso de monitoreo, ahorrando tiempo y recursos al automatizar la categorización de plántulas.
- Reducción de la dependencia de la mano de obra calificada: si bien la experiencia sigue siendo valiosa, la dependencia del sistema de técnicos altamente calificados para las evaluaciones de rutina disminuye, lo que alivia las limitaciones laborales.
- Preservación mejorada de recursos genéticos: las capacidades mejoradas de detección y categorización ayudan a la identificación temprana de problemas, mejorando la conservación general de la diversidad genética.
- Reducción de costos: la automatización del proceso de monitoreo puede generar ahorros significativos en costos operativos y de mano de obra con el tiempo.
- Conocimientos basados en datos para la investigación: genera datos valiosos sobre las tendencias de viabilidad de las plantas y las respuestas a las condiciones in vitro, apoyando la investigación científica y, eventualmente, los programas de mejoramiento.
- Accesibilidad e intercambio global: facilita el intercambio de recursos genéticos al proporcionar datos confiables sobre la viabilidad de las plántulas, beneficiando el desarrollo agrícola global y las iniciativas de seguridad alimentaria.
