Indice
Difficili da contenere, spesso persistono nei tessuti vegetali e, nelle fasi iniziali, possono produrre sintomi poco chiari o facilmente confondibili con quelli causati da altre avversità. Sono le infezioni virali che continuano a rappresentare una delle principali criticità per la produttività agricola globale. Nel caso delle Cucurbitacee, una delle più rilevanti è il virus del mosaico giallo dello zucchino, noto come ZYMV. Si tratta di un patogeno capace di compromettere rapidamente la produzione, con sintomi che includono mosaico fogliare, clorosi, deformazioni delle foglie, riduzione dello sviluppo vegetativo e malformazioni dei frutti. Il problema, però, non è solo la gravità del danno, è soprattutto la rapidità con cui l’infezione può diffondersi attraverso semi, afidi vettori e contatto meccanico. E se fosse possibile intercettare l’infezione prima che la pianta mostri segni visibili?
A questa domanda ha cercato di rispondere uno studio condotto in Iran da un gruppo di ricercatori dell’Università di Shiraz, che ha sviluppato un nuovo framework di indice spettrale specifico per la malattia, denominato Spectral Zucchini Index, o SZI. Ma di cosa si tratta?
Piante sane e infette: il disegno sperimentale
Il principio è relativamente semplice. Una foglia infetta riflette la luce in modo diverso rispetto a una foglia sana. Anche quando l’occhio umano non percepisce ancora alcuna alterazione, l’infezione può aver già modificato alcuni parametri fisiologici, come il contenuto di clorofilla, la struttura interna dei tessuti, lo stato idrico o l’organizzazione cellulare. Sono variazioni minime, invisibili a una normale osservazione in campo, ma leggibili attraverso sensori ottici. Su questo segnale precoce si basa l’approccio dei ricercatori: misurare la riflettanza fogliare con sensori Vis/NIR e verificare se, combinando questi dati con modelli di machine learning, sia possibile riconoscere l’infezione da ZYMV nello zucchino anche in fase asintomatica.
Per scoprirlo i ricercatori hanno coltivato in serra piante di zucchino, inoculate artificialmente con ZYMV e confrontate con piante sane di controllo. Sono stati poi individuati tre gruppi: piante sane, piante infette ma ancora asintomatiche e piante infette già sintomatiche. Le misurazioni sono state effettuate con uno spettrofotometro Vis/NIR, capace di rilevare la luce riflessa dalle foglie nell’intervallo compreso tra 400 e 2500 nanometri. Si tratta di una porzione ampia dello spettro luminoso: dai 400 nanometri, che corrispondono alla luce visibile, fino a 2500 nanometri, infrarosso, particolarmente utile per leggere cambiamenti legati a pigmenti, struttura dei tessuti e contenuto idrico.
L’indice SZI e il ruolo del machine learning
Il passaggio centrale dello studio è stato, però, lo sviluppo dell’indice SZI, costruito non sulla base di bande generiche, ma a partire dalle porzioni dello spettro più utili a distinguere le piante sane da quelle infette. Per individuarle, i ricercatori hanno applicato la cosiddetta selezione delle feature, una procedura di machine learning che consente di riconoscere, all’interno di un grande insieme di dati, le variabili davvero informative. In questo caso, le variabili erano le lunghezze d’onda registrate dallo spettrofotometro. Attraverso l’algoritmo Random Forest, l’informazione spettrale è stata così ristretta a otto lunghezze d’onda considerate più discriminanti, dalle quali è stato costruito l’indice SZI. Dai dati è emerso che non era necessario utilizzare l’intero spettro: bastavano alcune lunghezze d’onda selezionate per ottenere prestazioni elevate. Il risultato più interessante riguarda l’intervallo 400-920 nm, cioè la regione del visibile e del vicino infrarosso. In questa finestra spettrale, l’indice SZI ha raggiunto un’accuratezza dell’89% nel riconoscere piante infette ma ancora asintomatiche.
È un dato rilevante perché questa fascia è compatibile con molti sensori ottici più accessibili, compresi sistemi utilizzabili su piattaforme portatili o potenzialmente su droni.
Schema riassuntivo del flusso di lavoro sperimentale e analitico. Fonte: Tecnologia agricola intelligente
Prima dei sintomi, cambiano già i segnali fisiologici
Lo studio analizza un altro punto importante. Le lunghezze d’onda che danno più informazioni sono quelle che si collocano soprattutto nelle regioni legate alla clorofilla. Sono aree sensibili a cambiamenti nella fotosintesi, nella struttura del mesofillo, nell’integrità cellulare e nella diffusione interna della luce nei tessuti fogliari. Questo spiega perché l’indice SZI abbia funzionato meglio proprio nella regione 400-920 nm. Nelle fasi iniziali dell’infezione, infatti, il segnale dominante non sembra essere la perdita d’acqua avanzata o il collasso dei tessuti, ma una serie di alterazioni biochimiche e microstrutturali più sottili.
Anche la fase di pre-elaborazione dei dati si è rivelata decisiva. Applicando la cosiddetta derivata prima– valore che evidenzia le variazioni del segnale tra lunghezze d’onda contigue — i ricercatori hanno migliorato la separazione tra piante sane e infette. Con questa procedura, il modello Random Forest ha raggiunto un’accuratezza del 93%, contro l’81% ottenuto con i dati grezzi.
Uno strumento promettente, ma non ancora operativo
I risultati sono interessanti, ma vanno letti con prudenza. Lo studio è stato condotto in condizioni controllate di serra, su una sola cultivar di zucchino, Cucurbita pepo cv. Snowman, e con un solo isolato virale. C’è poi un margine di errore da considerare. Nel riconoscimento delle piante infette asintomatiche, l’SZI ha prodotto circa il 17% di falsi negativi e il 20% di falsi positivi. Questo conferma che l’indice non può essere considerato, almeno oggi, un test diagnostico definitivo.
Il suo valore è un altro: offrire un sistema di allerta precoce, capace di supportare il monitoraggio in serra e, in prospettiva, anche in campo. In contesti in cui non è possibile sottoporre grandi numeri di piante ad analisi molecolare, uno strumento di screening basato su sensori potrebbe aiutare a selezionare i campioni prioritari. In questa direzione, lo Spectral Zucchini Index rappresenta una prova di concetto promettente, non ancora una tecnologia pronta per l’uso operativo, ma un tassello concreto verso una difesa più tempestiva, selettiva e basata sui dati.
Federica Del Vecchio
© fruitjournal.com