Sequenziamento ad altissimo rendimento, bioinformatica e apprendimento automatico come strumento per la diagnosi della salute del suolo
L'impatto dei metodi di coltivazione e dei pesticidi sulla qualità e sulla salute del suolo è una preoccupazione crescente per i consumatori, gli agricoltori e i gestori del suolo. Per valutare questo impatto, i bioindicatori come i protisti hanno un grande potenziale, ma il loro uso rimane limitato perché i metodi attuali non consentono un'analisi dettagliata e rapida dei campioni di suolo. Per superare questi inconvenienti, l'identificazione delle specie basata sulle sequenze di DNA (nota come "barcoding" o "meta-barcoding"), unita alle nuove tecniche di sequenziamento ad altissimo rendimento, rappresenta un approccio promettente. Tuttavia, il volume e la complessità di queste sequenze rendono difficile la loro elaborazione con i metodi convenzionali. È quindi essenziale sviluppare metodi che combinino bioinformatica e Machine Learning (ML) per (i) quantificare, analizzare ed elaborare le sequenze di protisti; (ii) identificare e selezionare bioindicatori (un sottoinsieme di protisti) associati a diversi fattori di stress; e (iii) modellare la loro abbondanza relativa in funzione di diverse condizioni, portando alla costruzione di modelli diagnostici predittivi.
In primo luogo, abbiamo determinato la composizione delle comunità di protisti in 28 vigneti del Vallese utilizzando il meta-barcoding. Abbiamo poi confrontato le prestazioni predittive di diversi algoritmi ML per la previsione di una serie di variabili che caratterizzano la qualità del suolo (ad esempio, pH, contenuto di rame). I nostri risultati innovativi hanno dimostrato che il profilo tassonomico delle comunità di protisti può essere utilizzato per prevedere un'ampia gamma di variabili, compresa la presenza di pesticidi (rame) nel suolo. Dal punto di vista tassonomico, i gruppi di protisti con il maggior numero di bioindicatori sono stati Ciliophora e Cercozoa. Dal punto di vista funzionale, la maggior parte dei bioindicatori corrispondeva a taxa eterotrofi, ma alcune variabili (biomassa vegetale e pH del suolo) erano previste principalmente da taxa fotosintetici. Le nostre analisi ci hanno permesso di sviluppare script per l'identificazione di biomarcatori e la previsione di vari parametri del suolo.
Valutazione
PEÑA C.-A., BROCHET X., FOURNIER B., HEGER T., Quantitative monitoring of agricultural soil using protist communities, SIB day 2020, 8 - 10 giugno 2020, Losanna, Svizzera.
HEGER T. J., JIBRIL M., STEINER M., XAVIER B., LAMY F., MOTA M., NOLL D., BACHER S., PENA C., Comunità di protisti nei suoli dei vigneti: cosa ci dicono sulla qualità e la salute del suolo? Riunione congiunta della Phycological Society of America e della International Society of Protistologists, 29 luglio - 2 agosto 2018, Vancouver, Canada.
MAMMERI J., BROCHET X., HEGER T., BACHER S., STEINER M., PENA C., MaLDIveS: Machine Learning Diagnostic Soil. SIB days 2018 (Istituto svizzero di bioinformatica), 26-27 giugno 2018, Losanna, Svizzera.
2017 - 2020
Partner: HEIG-VD
Finanziamento: HES-SO
