Fenotipado desde el cielo: los datos ambientales obtenidos mediante drones superan a los datos genómicos en pruebas de patatas con recursos limitados.

A medida que el cambio climático intensifica la variabilidad climática interanual, los fitomejoradores se ven presionados a evaluar más genotipos en diversos entornos, manteniendo al mismo tiempo los costos de fenotipado bajo control. Las pruebas dispersas —evaluar solo un subconjunto de genotipos por ubicación— ofrecen una solución práctica, pero requieren modelos predictivos robustos para completar los datos faltantes. Un nuevo estudio publicado en Informes científicos Demuestra que el fenotipado de alto rendimiento (HTP) a partir de imágenes de drones puede servir como un potente sustituto de la información genómica en tales escenarios. Investigadores que trabajaron con 256 clones de papa en tres entornos suecos (dos ubicaciones durante 2020-2021) extrajeron índices de vegetación integrados en el tiempo, cobertura del dosel y altura de la planta a partir de imágenes RGB basadas en UAV. Utilizando el análisis de componentes principales (PCA) en estos rasgos derivados de imágenes, construyeron un "núcleo ambiental" (E-kernel) que cuantifica la similitud entre sitios de prueba y compararon su rendimiento predictivo con la matriz de relación genómica estándar (G-kernel) bajo niveles de escasez de datos que van del 10% al 66%.

Los resultados son sorprendentes: en escenarios de dos ambientes con un 50 % de completitud de datos, el kernel E superó significativamente tanto al kernel G como a su combinación en todos los rasgos, aumentando la precisión de predicción para el rendimiento total de tubérculos en un 60 % y para la fracción de tamaño de 50–60 mm en un 62 %. Con un 33 % de completitud, el contenido de almidón fue el único rasgo con r² > 0.5, y solo el kernel E alcanzó ese nivel. El kernel genómico demostró ser más robusto solo bajo una escasez extrema (10–20 %), mientras que las covariables meteorológicas convencionales mostraron una capacidad limitada para discriminar entre ubicaciones cercanas. Cabe destacar que la combinación de los kernels G y E no mejoró las predicciones, lo que sugiere información superpuesta. Los autores reconocen limitaciones —tamaño de muestra modesto y fuga ambiental— pero enfatizan que los kernels ambientales basados ​​en imágenes son rentables, escalables y particularmente valiosos para cultivos de ciclo lento como la papa tetraploide. Este enfoque ofrece una vía pragmática para acelerar el progreso genético en programas de mejoramiento con recursos limitados, especialmente para rasgos relacionados con el rendimiento, al tiempo que reduce la carga de fenotipado mediante datos HTP reutilizables.