Espera-se que a mudança climática afete drasticamente as colheitas futuras. Felizmente, os cientistas podem desenvolver modelos computacionais que prevêem como as plantações responderão às mudanças climáticas e identificam a maquinaria molecular no controle dessa resposta. Essas informações podem ser usadas para bioengenharia de cultivos adaptados às mudanças climáticas e que ajudem a atender à crescente demanda por alimentos.
Muitos modelos de cultivo são empíricos. Isso significa que suas previsões são baseadas em uma grande quantidade de dados coletados ao longo dos anos e localizações geográficas. Eles são, portanto, limitados em sua capacidade de prever a resposta das culturas a cenários climáticos futuros, que incluirão mudanças ambientais interativas. Estes incluem maior CO atmosférico2 interagindo com mudanças na temperatura, precipitação e outros fatores do solo e do clima.
Alternativamente, os modelos mecanísticos usam equações que representam as respostas fisiológicas de uma cultura às variáveis ambientais para prever o que acontecerá no mundo real. Isso permite a extrapolação além das condições experimentais, incluindo interações complexas.
A Dra. Megan Matthews, Professora Assistente de Engenharia Civil e Ambiental da Universidade de Illinois, publicou recentemente um artigo na in silico Plantas que descreve como eles foram capazes de prever o crescimento da soja sob CO atmosférico elevado2.
Para isso, eles modificaram BioCro, uma estrutura modular, semi-mecanística e dinâmica de modelo de crescimento de culturas, construída sobre mecanismos de fotossíntese biofísicos e bioquímicos subjacentes. O BioCro foi previamente parametrizado para cultivos bioenergéticos. Para prever o crescimento da soja, os autores usaram os módulos existentes de fotossíntese do dossel, balanço de energia do dossel e processos solo-água e incorporaram dois novos módulos que descrevem a taxa de desenvolvimento da soja, partição de carbono e senescência.
O modelo resultante, Soybean-BioCro, foi parametrizado usando medições de campo de soja crescendo sob CO ambiente2. As simulações foram então executadas para prever o crescimento da soja usando medições reais de temperatura, umidade relativa, velocidade do vento e radiação fotossinteticamente ativa (PAR) ao longo de vários anos.
O Soybean-BioCro previu com sucesso o nível elevado de CO2 impactada soja plantada crescimento, partição e rendimento sob ambiente e CO elevado2 com exceção de uma estação de crescimento excepcionalmente fria (veja a figura).
Notavelmente, o modelo fez essas previsões corretas sem exigir medições de campo do cultivo de soja sob CO elevado2 para reparametrização.
De acordo com Matthews, “esse resultado demonstrou que o C existente da BioCro3 fotossíntese e módulo de dossel multicamadas descrevem com precisão a resposta do C3 maquinaria fotossintética nos níveis bioquímicos e biofísicos para CO elevado2.” Uma versão anterior do BioCro foi encontrada para prever com precisão as taxas fotossintéticas das folhas de choupos.
À medida que mais modelos mecanicistas de processos de colheita são desenvolvidos, eles podem ser adicionados ao Soybean-BioCro para mudar de um modelo semi-mecanicista para um modelo mecanicista. Além disso, Soybean-BioCro fornece uma estrutura fundamental útil para incorporar processos metabólicos primários e secundários adicionais ou mecanismos reguladores de genes que podem ajudar ainda mais nossa compreensão de como o crescimento futuro da soja será afetado pelas mudanças climáticas.
Explica Matthews, “Soybean-BioCro é uma coleção de módulos que descrevem diferentes processos da planta. Com essa modularidade, modelos de outros processos metabólicos, mecanismos regulatórios e efeitos de feedback podem ser incorporados à estrutura principal do Soybean-BioCro à medida que esses modelos são desenvolvidos. A incorporação desses tipos de modelos nos ajudaria a explorar métodos de engenharia de cultivos para climas futuros”.
LEIA O ARTIGO
Megan L Matthews, Amy Marshall-Colón, Justin M McGrath, Edward B Lochocki, Stephen P Long, Soybean-BioCro: um modelo semi-mecanicista de crescimento da soja, in silico Plants, Volume 4, Edição 1, 2022, diab032, https://doi.org/10.1093/insilicoplants/diab032
