Descoberta genética pode reduzir uso de fertilizantes no milho

Cientistas das universidades de Nova York, Taiwan e do Departamento de Agricultura dos EUA desenvolveram uma abordagem inédita para identificar genes que regulam a eficiência do uso de nitrogênio (NUE) no milho. Utilizando redes regulatórias gênicas (GRNs) e inteligência artificial, os pesquisadores validaram um conjunto de genes que permite prever com maior precisão como a planta responde ao nitrogênio no campo. O método também revelou alvos potenciais para edição genética e programas de melhoramento.

A eficiência no uso de nitrogênio é essencial para aumentar a produtividade agrícola e reduzir os impactos ambientais do excesso de fertilizantes. No entanto, os mecanismos genéticos que controlam esse processo em culturas como o milho ainda são pouco compreendidos.

A equipe conduziu um experimento com aplicação de nitrogênio em mudas de milho da linhagem B73, monitorando a expressão de milhares de genes em 10 pontos no tempo, de 0 a 120 minutos. A análise revelou uma cascata temporal de resposta ao nitrogênio, com genes ativados de forma ordenada — desde o transporte de nitrato até processos metabólicos como a síntese de glutamina.

Usando esses dados, os cientistas aplicaram o modelo Just-In-Time (JIT) para agrupar genes conforme o momento de sua ativação. Isso permitiu identificar 4.600 genes responsivos ao nitrogênio, dos quais 50% ainda não haviam sido relatados em estudos anteriores de ponto único. A resposta temporal também mostrou correlação com o acúmulo de nitrogênio nas plantas, confirmada por ensaios com isótopo ¹⁵N.

Entre os genes identificados, destacam-se 453 com resposta simultânea em raízes e folhas, incluindo 55 fatores de transcrição. Esses fatores coordenam a ativação de redes gênicas complexas. Para validar suas funções, os autores testaram 23 desses fatores em um ensaio de perturbação gênica baseado em protoplastos (TARGET), adaptado para células de milho. Em média, cada fator regulava cerca de 4.000 genes.

A maioria desses alvos validados corresponde a genes identificados no experimento com plantas inteiras, o que reforça a relevância do modelo in vitro. A análise de sobreposição apontou os fatores MYB34 e MYBR3 como os principais reguladores em folhas. Suas versões em Arabidopsis (AtDIV1) também participam da regulação da resposta ao nitrogênio. Plantas mutantes com perda da função de AtDIV1 exibem maior eficiência no uso de nitrogênio.

Com base nessas validações, os pesquisadores construíram redes regulatórias com confiança elevada, aplicando métodos de inferência baseados em séries temporais (Dynamic Factor Graphs - DFG). As redes foram refinadas com análise de precisão/recall, retendo interações robustas entre cerca de 200 fatores e 700 genes.

Essas redes revelaram, por exemplo, que o gene Knotted1 (KN1), conhecido por seu papel no desenvolvimento foliar, também responde rapidamente à aplicação de nitrogênio e regula indiretamente 63% de seus alvos por meio de outros fatores. A análise de “caminhada na rede” revelou que KN1 se conecta a genes ligados à proliferação celular e metabolismo nitrogenado.

A próxima etapa utilizou aprendizado de máquina com o algoritmo XGBoost para associar a expressão de genes ao desempenho em campo. Foram utilizados dados de 331 genes conservados entre milho e Arabidopsis, cujas respostas ao nitrogênio ocorreram de forma paralela nas duas espécies. Os modelos baseados nesses genes superaram, de forma estatisticamente significativa, modelos com genes aleatórios na previsão de traços de eficiência do uso de nitrogênio.

Para identificar os módulos mais relevantes, os autores calcularam um “score de regulon NUE” combinando os pesos dos modelos de aprendizado com as redes gênicas. Novamente, MYB34 e MYBR3 lideraram o ranking. Os genes-alvo desses fatores foram comparados com seus ortólogos regulados por AtDIV1, revelando 24 genes no milho e 23 na Arabidopsis com expressão capaz de prever com precisão a eficiência do uso de nitrogênio.

A aplicação prática foi validada em um segundo conjunto de dados de 137 linhagens de milho elite da China, mostrando que os genes do regulon MYB34/MYBR3 previam com eficácia características como diâmetro e comprimento de espiga.

Este estudo demonstra que combinar análise temporal, validação funcional e aprendizado de máquina pode acelerar a descoberta de genes para melhoramento agrícola. A metodologia desenvolvida permite transferir conhecimento de espécies-modelo para culturas agrícolas, mesmo com 160 milhões de anos de divergência evolutiva entre Arabidopsis e milho.

Mais informações podem ser obtidas em doi.org/10.1093/plcell/koaf093