Cuando Xiaoxi Meng y Zhikai Liang propusieron la idea por primera vez hace un par de años, James Schnable se mostró escéptico. Por decir lo menos.
“'Bueno, pueden intentarlo, pero no creo que vaya a funcionar'”, recordó el profesor asociado de agronomía y horticultura que les dijo a Meng y Liang, entonces investigadores postdoctorales en el laboratorio de Schnable en la Universidad de Nebraska – Lincoln.
Estaba equivocado y, en retrospectiva, nunca más feliz de serlo. Sin embargo, en ese momento, Schnable tenía buenas razones para levantar una ceja. La idea del dúo, que las secuencias de ADN de los cultivos sensibles al frío que se rinden a una helada fuerte podrían ayudar a predecir cómo las plantas más salvajes y resistentes toleran las condiciones de congelación, parecía audaz. Por decir lo menos. Aún así, era una propuesta de bajo riesgo y alta recompensa. Porque si Meng y Liang pudieran hacerlo funcionar, podría acelerar los esfuerzos para hacer cultivos sensibles al frío un poco o incluso mucho más como sus contrapartes resistentes al frío.
Algunos de los cultivos más importantes del mundo se domesticaron en regiones tropicales (maíz en el sur de México, sorgo en África oriental) que no los presionaron selectivamente para desarrollar defensas contra el frío o el congelamiento. Cuando esos cultivos se cultivan en climas más duros, su sensibilidad al frío limita qué tan temprano se pueden plantar y qué tan tarde se pueden cosechar. Las temporadas de crecimiento más cortas equivalen a menos tiempo para la fotosíntesis, lo que da como resultado rendimientos más pequeños y menos alimentos para una población mundial que se espera que se acerque a los 10 mil millones de personas para 2050.
Climas fríos
Especies de plantas que ya crecen en climas más fríos, mientras tanto, evolucionaron trucos para aguantar el frío. Pueden reconfigurar sus membranas celulares para mantener la liquidez a temperaturas más bajas, evitando que las membranas se congelen y fracturen. Pueden agregar pizcas de azúcares a los líquidos dentro y alrededor de esas membranas, reduciendo su punto de congelación de la misma manera que la sal lo hace en las aceras. Incluso pueden producir proteínas que sofocan los minúsculos cristales de hielo antes de que esos cristales se conviertan en masas destructoras de células.
Todas esas defensas se originan a nivel genético, aunque no solo en las secuencias del ADN en sí. Cuando las plantas comienzan a congelarse, pueden responder esencialmente encendiendo o apagando ciertos genes, previniendo o permitiendo que sus manuales de instrucciones genéticas sean transcritos y llevados a cabo. Entonces, saber qué genes de las plantas tolerantes al frío se apagan y se encienden frente a las temperaturas bajo cero, puede ayudar a los investigadores a comprender los cimientos mismos de sus fortificaciones y, en última instancia, diseñar defensas similares en cultivos sensibles al frío.
Pero Schnable también sabía, como lo hicieron Meng y Liang, que incluso un gen idéntico a menudo responde de manera diferente al frío en todas las especies de plantas, incluso en las que están estrechamente relacionadas. Lo que significa, frustrantemente, que comprender cómo responde un gen al frío en una especie tiende a no decirles a los científicos de plantas casi nada concluyente sobre el comportamiento del gen en otra. Esa imprevisibilidad, a su vez, ha obstaculizado los esfuerzos por aprender las reglas que dictan qué desactivará o activará los genes.
"Todavía somos realmente malos para comprender por qué los genes se activan y desactivan", dijo Schnable.
Plantas de maíz
Al carecer de un libro de reglas, los investigadores recurrieron al aprendizaje automático, una forma de inteligencia artificial que esencialmente puede escribir la suya propia. Desarrollaron específicamente un modelo de clasificación supervisado, el tipo que puede, cuando se le presentan suficientes imágenes etiquetadas de, digamos, gatos y no gatos, eventualmente aprender a distinguir el primero del segundo. El equipo presentó inicialmente su propio modelo con una enorme pila de genes secuenciados del maíz, junto con los niveles de actividad promedio de esos genes cuando la planta se sometió a temperaturas bajo cero. El modelo también se alimentó con "todas las características que se nos ocurrieron" para cada gen de maíz, dijo Schnable, incluida su longitud, su estabilidad y cualquier diferencia entre él y otras versiones que se encuentran en otras plantas de maíz.
Más tarde, los investigadores probaron su modelo ocultándole solo una pieza de información en un subconjunto de esos genes: si respondieron al inicio de las temperaturas bajo cero o si no lo hicieron. Al analizar las características de los genes que se les había dicho que respondían o no, el modelo discernió qué combinaciones de esas características eran relevantes para cada uno, y luego clasificó con éxito la mayoría de los genes restantes de la caja misteriosa en sus categorías correctas.
Fue un comienzo prometedor, sin duda. Pero la prueba real seguía siendo: ¿podría el modelo tomar el entrenamiento que había recibido en una especie y aplicarlo a otra?
La respuesta fue un sí definitivo. Después de ser entrenado con datos de ADN de solo una de las seis especies (maíz, sorgo, mijo perla, mijo proso, mijo cola de zorra o pasto varilla), el modelo generalmente pudo predecir qué genes en cualquiera de las otras cinco responderían a la congelación. Para sorpresa de Schnable, el modelo se mantuvo incluso cuando se entrenó en una especie sensible al frío (maíz, sorgo, perla o mijo proso), pero se le asignó la tarea de predecir las respuestas de los genes en el mijo cola de zorra tolerante al frío o el pasto varilla.
Modelo
"Los modelos que entrenamos funcionaron casi tan bien en todas las especies como si realmente tuvieras datos en una especie y usaras los datos internos para hacer las predicciones en esa misma especie", dijo, con una pizca de asombro en su voz meses después. "Realmente no hubiera predicho eso".
"La idea de que podemos simplemente introducir toda esta información en una computadora, y puede descubrir al menos algunas reglas para hacer predicciones que funcionen, todavía es algo sorprendente para mí".
Esas predicciones podrían resultar especialmente útiles al considerar la alternativa. Durante aproximadamente una década, los biólogos de plantas han podido medir la cantidad de moléculas de ARN, las responsables de transcribir y transportar las instrucciones del ADN, producidas por cada gen en una planta viva. Pero comparar cómo esa expresión genética responde al frío en especímenes vivos y en múltiples especies es una tarea laboriosa, dijo Schnable. Eso es particularmente cierto con las plantas silvestres, cuyas semillas pueden ser difíciles de adquirir. Es posible que esas semillas no germinen cuando se espera, si es que lo hacen, y pueden tardar años en crecer. Incluso si lo hicieran, cada planta resultante debe cultivarse en un ambiente idéntico y controlado y estudiarse en la misma etapa de desarrollo.
Más especies
Todo eso plantea un desafío enorme para el cultivo de suficientes especímenes silvestres, a partir de suficientes especies silvestres, para replicar y evaluar estadísticamente las respuestas de sus genes al frío.
“Si realmente queremos saber qué genes son importantes, que realmente juegan un papel en la forma en que la planta se adapta al frío, debemos observar más de dos especies”, dijo Schnable. "Queremos observar un grupo de especies que son tolerantes al frío y un grupo que es sensible, y observar los patrones:" Este mismo gen siempre responde en uno y no siempre responde en el otro ".
“Eso comienza a convertirse en un experimento realmente grande y costoso. Sería realmente bueno si pudiéramos hacer predicciones a partir de las secuencias de ADN de esas especies en lugar de, digamos, tomar 20 especies e intentar que todas estén en la misma etapa, someterlas a todos exactamente a los mismos tratamientos de estrés, y medir la cantidad de ARN producido para cada gen en cada especie ".
Afortunadamente para el modelo, los investigadores ya han secuenciado los genomas de más de 300 especies de plantas. Un esfuerzo internacional en curso podría elevar ese número hasta 10,000 en los próximos años.
Aunque el modelo ya ha superado ampliamente sus modestas expectativas, Schnable dijo que el siguiente paso implicará "convencernos a nosotros mismos ya otras personas" de que funciona tan bien como hasta ahora. En cada caso de prueba hasta la fecha, los investigadores le han pedido al modelo que les diga lo que ya sabían. La prueba definitiva, dijo, vendrá cuando tanto los humanos como la máquina estén comenzando desde cero.
"El próximo gran experimento que creo que debemos hacer es hacer predicciones sobre una especie para la que no tenemos ningún dato", dijo. "Para convencer a la gente de que realmente funciona en casos en los que ni siquiera nosotros conocemos las respuestas".
El equipo informó sus hallazgos en la revista Proceedings of the National Academy of Sciences. Meng, Liang y Schnable fueron los autores del estudio con Rebecca Roston de Nebraska, Yang Zhang, Samira Mahboub y el estudiante de pregrado Daniel Ngu, junto con Xiuru Dai, un académico visitante de la Universidad Agrícola de Shandong.
Para más información:
Universidad de Nebraska Lincoln
www.unl.edu