Aplicación del aprendizaje automático y la genómica para la mejora de cultivos huérfanos

Cultivos ocultos con gran potencial

En África, Asia y América Latina, millones de personas dependen de los llamados “cultivos huérfanos” como el sorgo, el teff, la yuca y el cacahuete. Estas plantas rara vez aparecen en los titulares, pero con frecuencia resisten mejor el calor, la sequía, las plagas y los suelos pobres que los cereales mundiales como el trigo o el arroz. Este artículo de revisión explora cómo dos herramientas potentes—la genómica y el aprendizaje automático—pueden desbloquear el potencial de estos cultivos subestimados, mejorando la seguridad alimentaria local y proporcionando genes valiosos que podrían fortalecer los cultivos principales en todo el mundo.

Por qué importan los cultivos olvidados

Los cultivos huérfanos a veces se denominan “descuidables” o “subutilizados” porque han recibido mucha menos atención científica y comercial que los grandes cultivos de exportación. Aun así, son pilares nutricionales para muchas comunidades y se cultivan con frecuencia en entornos marginales y duros donde otros cultivos fracasan. A diferencia del trigo o el arroz, la mayoría de los cultivos huérfanos quedaron al margen de los avances en mejoramiento de la Revolución Verde y de las herramientas modernas como el mejoramiento asistido por marcadores y la edición génica. Proyectos genómicos como el African Orphan Crops Consortium están empezando a secuenciar y catalogar su ADN, pero convertir datos genéticos brutos en mejoras prácticas sigue siendo un desafío importante.

Enseñar a los ordenadores a leer las plantas

El aprendizaje automático—métodos computacionales que aprenden patrones a partir de grandes conjuntos de datos—ya está transformando el mejoramiento en los cultivos principales. Al combinar secuencias genómicas, registros meteorológicos y de suelos, lecturas de sensores e imágenes de drones o teléfonos inteligentes, los algoritmos pueden predecir rasgos complejos como rendimiento, resistencia a enfermedades o calidad del grano. Diferentes tipos de modelos, desde árboles de decisión hasta redes neuronales profundas, destacan en distintos escenarios. A veces las herramientas estadísticas tradicionales igualan o superan al aprendizaje profundo, pero en general, mezclar múltiples fuentes de datos y modelos tiende a ofrecer a los mejoradores predicciones más precisas y consistentes que cualquier enfoque aislado.

Aprovechar al máximo los datos escasos

Para los cultivos huérfanos, el obstáculo clave no es la potencia computacional sino la escasez de datos. Solo existen unas pocas colecciones públicas de genomas e imágenes, y pocas son lo bastante grandes para los flujos de trabajo convencionales de aprendizaje automático. Aun así, las primeras demostraciones son prometedoras. En sorgo, por ejemplo, modelos de aprendizaje profundo usaron fotografías simples de granos para predecir con alta precisión niveles de proteína y antioxidantes, ofreciendo una alternativa más barata a los análisis de laboratorio. En otro caso, medidas de luz en el infrarrojo cercano y aprendizaje profundo se emplearon para estimar rasgos nutricionales en la hierba Perilla. La revisión sostiene que construir bases de datos compartidas de genomas, imágenes y perfiles químicos para cultivos huérfanos multiplicaría rápidamente el impacto de estas herramientas.

Tomar prestado conocimiento de cultivos mayores

Una idea central del artículo es la “transferencia de conocimiento” entre especies. Muchos cultivos huérfanos son parientes cercanos de cultivos importantes, compartiendo grandes porciones de ADN y genes similares. Los modelos de aprendizaje automático pueden explotar esa relación. Herramientas entrenadas primero en plantas bien estudiadas como Arabidopsis o el maíz pueden ayudar a localizar genes relacionados con rasgos como altura de la planta, calidad de la semilla o tolerancia al estrés en un pariente menos conocido. Los grandes modelos de lenguaje desarrollados originalmente para genomas humanos o vegetales también pueden tratar el ADN como una especie de texto, aprendiendo patrones que señalan regiones regulatorias o genes importantes. Una vez entrenados con conjuntos de datos ricos, estos modelos pueden ajustarse con datos limitados de cultivos huérfanos para predecir la función génica, señalar objetivos para la edición genómica y orientar un mejoramiento más eficiente.

De los algoritmos a los campos y los agricultores

Los autores subrayan que la tecnología por sí sola no transformará los cultivos huérfanos. El progreso depende de la inversión en científicos locales, asociaciones con agricultores de pequeña escala y políticas que aseguren que las comunidades se beneficien de las nuevas variedades. Los enfoques de ciencia ciudadana, en los que los agricultores prueban variedades directamente en sus tierras, pueden generar datos valiosos para el aprendizaje automático a la vez que alinean la investigación con las necesidades y gustos locales. Dado que la financiación es limitada, el artículo recomienda una estrategia equilibrada: combinar mejoramiento tradicional y agronomía de bajo coste con proyectos genómicos y de aprendizaje automático cuidadosamente dirigidos, y compartir herramientas y datos entre países y entre cultivos huérfanos y principales.

Qué significa esto para nuestro futuro alimentario

En términos sencillos, el artículo concluye que ordenadores más inteligentes junto con mejor información genética pueden ayudar a convertir los cultivos “olvidados” de hoy en alimentos resilientes al clima del mañana. Al aprender de los cultivos mayores y aplicar esas lecciones a los más pequeños—y luego devolver los descubrimientos en la dirección opuesta—el aprendizaje automático y la genómica pueden acelerar la búsqueda de variedades resistentes y nutritivas. Si se apoyan con políticas ponderadas y una colaboración genuina con las comunidades agrícolas, este enfoque podría mejorar las dietas, fortalecer la resiliencia frente al cambio climático y ampliar el repertorio agrícola mundial más allá de un conjunto limitado de cultivos básicos.

Cita: MacNish, T.R., Danilevicz, M.F., Bayer, P.E. et al. Application of machine learning and genomics for orphan crop improvement. Nat Commun 16, 982 (2025). https://doi.org/10.1038/s41467-025-56330-x

Palabras clave: cultivos huérfanos, aprendizaje automático, genómica, mejora de cultivos, seguridad alimentaria