Antecedentes

El entorno natural donde viven las plantas es muy diferente de las cámaras de cultivo artificiales donde solo se aplica un estrés de forma aislada. Las plantas silvestres enfrentan amenazas complejas que incluyen factores físicos como sequía, cambios bruscos de temperatura y exposición a la radiación UV, así como amenazas biológicas como la invasión de virus, hongos e insectos herbívoros. Con la intensificación de la crisis climática, la demanda de cultivos capaces de resistir múltiples estreses ambientales está aumentando rápidamente.

El problema es que la mayor parte del conocimiento acumulado en la biología molecular vegetal se basa en datos de laboratorios altamente controlados. El método predominante consiste en cultivar modelos experimentales genéticamente uniformes en entornos estériles y observar su respuesta tras aplicar un único factor de estrés. No se ha verificado claramente si las redes de señalización de la expresión génica observadas en estos experimentos de condiciones únicas funcionan de la misma manera en los ecosistemas naturales reales, donde interactúan múltiples factores de estrés. Esta es también la razón por la cual rasgos que resultaron efectivos en el laboratorio no cumplieron con las expectativas al aplicarse en campos abiertos reales. Era urgente investigar cómo se regulan los transcriptomas con qué prioridades y mecanismos cuando múltiples estímulos se superponen en condiciones naturales.

Hallazgos clave

El informe del equipo de investigación, publicado en la Proceedings of the National Academy of Sciences (PNAS), ofrece una respuesta a una duda de larga data en la investigación botánica centrada en el laboratorio. Los investigadores recolectaron y analizaron con precisión los transcriptomas de poblaciones silvestres de Arabidopsis thaliana, procedentes de 60 hábitats naturales repartidos por Europa y América del Norte, tras seguir a estas poblaciones durante varias estaciones. Se realizó la secuenciación de ARN (RNA-seq) registrando simultáneamente los datos microclimáticos y el estado de infección en los hábitats naturales.

Los resultados del análisis de datos mostraron patrones de variación del transcriptoma tan complejos que son difíciles de explicar mediante modelos de un solo factor. Un hallazgo notable fue la diferencia en la conservación de las redes de respuesta al estrés biótico y al estrés abiótico. El grupo de genes de señalización relacionados con la infección por patógenos tuvo una contribución mucho mayor para explicar la variación total del transcriptoma que las variables meteorológicas como la temperatura o la precipitación.

Las redes de genes de defensa contra patógenos identificadas en entornos controlados de laboratorio se mantuvieron sin alteraciones en las poblaciones silvestres. Por el contrario, las redes de estrés abiótico, que responden a factores físicos como sequía, calor o frío, se reconfiguraron masivamente en las poblaciones silvestres. En esencia, los genes que se consideraban indicadores principales de estrés en entornos artificiales mostraron patrones de expresión completamente diferentes al entrelazarse con otras vías de señalización en la naturaleza.

Significado y perspectivas

Este descubrimiento establece un punto de referencia para cerrar la brecha genética entre los modelos de laboratorio y los campos naturales reales. Los resultados demuestran empíricamente que los datos de invernaderos controlados no pueden predecir completamente las respuestas a múltiples estreses ambientales en campos abiertos. Se probó que, mientras los sistemas de defensa biológica se conservan sólidamente como un eje central para la supervivencia, las redes de respuesta a factores climáticos se reestructuran de manera flexible para adaptarse al entorno complejo.

La dirección de las investigaciones futuras y el desarrollo de tecnologías de fitomejoramiento también se ha vuelto más clara. Mientras que los mecanismos de resistencia a patógenos descubiertos en el laboratorio pueden utilizarse de forma relativamente directa, el desarrollo de variedades resistentes a la sequía o al frío debe pasar necesariamente por una validación en pruebas de campo con entornos complejos. Para aumentar la resiliencia climática de la agricultura de secano, las investigaciones posteriores deberán combinar el big data de transcriptomas de plantas silvestres con modelos de aprendizaje automático para predecir la adaptabilidad al campo de forma anticipada.

Sin embargo, debido a que las diferencias microclimáticas en las poblaciones silvestres, la diversidad de la microbiota del suelo y la variación genética de las poblaciones actúan de forma conjunta, aún existen limitaciones técnicas para aislar y verificar los mecanismos de control causal a nivel de unidades génicas individuales. Se requiere un enfoque a largo plazo que combine la introducción gradual de diversos recursos genéticos silvestres en variedades agrícolas estandarizadas con la validación genómica funcional.