Investigadores de Cornell desenvolvem sistema que deteta oídio e míldio da videira dias antes de surgirem sintomas

Investigadores da Cornell AgriTech, em Geneva, Nova Iorque, afirmam ter desenvolvido uma plataforma de imagem capaz de detetar doenças da videira vários dias antes de os sintomas surgirem nas folhas, um passo que poderá ajudar melhoradores e gestores de vinhas a reagir mais cedo a duas das infeções mais prejudiciais para o setor.

O sistema, chamado HyperBird, utiliza imagem hiperespectral para identificar sinais iniciais de oídio e míldio, segundo a Cornell University, que anunciou o trabalho na segunda-feira. As doenças são uma importante fonte de perdas de produção em vinhas de todo o mundo e uma deteção mais precoce poderá dar aos produtores mais tempo para ajustar programas de fungicidas e outras decisões de gestão antes de os danos se tornarem visíveis.

A investigação tem também implicações potenciais para o setor das bebidas, porque as uvas são a matéria-prima do vinho, e um diagnóstico mais rápido de doenças poderá apoiar uma gestão mais precisa da vinha. A mais longo prazo, o mesmo método de triagem de elevado débito poderá ajudar os programas de melhoramento a avançar mais depressa no desenvolvimento de variedades de videira resistentes a doenças, o que poderá reduzir perdas e diminuir o uso de químicos na produção de vinho, caso a abordagem se revele eficaz em maior escala.

A Cornell afirmou que o HyperBird foi concebido para observar traços microscópicos da planta que câmaras comuns não conseguem captar. As câmaras standard registam três bandas de luz visível: vermelho, verde e azul. A imagem hiperespectral regista centenas de bandas estreitas de comprimento de onda, incluindo informação para lá do espectro visível. Isso permite aos investigadores detetar alterações internas no tecido foliar antes de as marcas da doença chegarem à superfície.

O projeto reúne patologia vegetal, engenharia e melhoramento da videira. Entre os cientistas seniores envolvidos estão Katie Gold, professora assistente de patologia da videira na Cornell AgriTech; Yu Jiang, professor assistente e engenheiro de sistemas na School of Integrative Plant Science da Cornell; e Lance Cadle-Davidson, patologista vegetal de investigação no Agricultural Research Service do Departamento da Agricultura dos EUA e professor adjunto associado na Cornell.

A Cornell disse que a plataforma consegue processar centenas de amostras foliares em poucas horas. Esse nível de rapidez é importante no melhoramento e na triagem de doenças, onde os laboratórios muitas vezes precisam de comparar números muito elevados de amostras. Segundo a universidade, a máquina funciona como um microscópio de fenotipagem de alto débito, o que significa que consegue medir, num curto período, traços observáveis ligados à resistência a doenças em բազմաթիվ amostras.

Um dos obstáculos técnicos que a equipa disse ter resolvido foi a resolução espacial ao nível microscópico. Na imagem hiperespectral, um sinal de doença pode perder-se se a área afetada for demasiado pequena e a luz refletida se misturar com a luz do tecido saudável próximo. Jiang disse no relatório da Cornell que o desafio é semelhante a tentar isolar a assinatura de um objeto pequeno numa sala grande se a imagem não tiver detalhe suficiente. O HyperBird foi construído para distinguir essas pequenas áreas doentes das células saudáveis circundantes.

O trabalho desenvolve-se a partir de um protótipo anterior da Cornell conhecido como Blackbird, introduzido pela equipa em 2021. O Blackbird era um sistema robótico de imagem que registava comprimentos de onda vermelho, verde e azul e foi usado para acelerar a avaliação de amostras de folhas de videira em busca de sinais de infeção. A Cornell afirmou que o HyperBird amplia essa plataforma com cerca de 200 vezes mais resolução espectral por píxel, mantendo ao mesmo tempo detalhe espacial ao nível do microscópio.

Um estudo de 20 de maio, publicado na revista Plant Disease e liderado pelo antigo investigador de pós-doutoramento da Cornell Saeed Hosseinzadeh, serviu como uma primeira prova de princípio. A Cornell disse que o sistema recolheu nove terabytes de imagens hiperespectrais num único dia e mostrou que a doença podia ser detetada antes de surgirem sintomas visíveis. O mesmo estudo concluiu também que a tecnologia podia identificar resíduos de fungicidas nas folhas, distinguir entre tratamentos usados contra o míldio e avaliar a eficácia desses tratamentos.

Esse estudo sugeriu ainda que os dados de imagem poderiam ajudar a identificar linhagens de videira que estão a ser melhoradas para resistência a doenças. A Cornell afirmou que o sistema foi capaz de detetar assinaturas óticas subtis ligadas ao fundo genético de uma planta, incluindo diferenças em pigmentos, estrutura da cera, teor de água e anatomia interna da folha. Para os melhoradores de videira, isso poderá oferecer uma forma mais rápida de separar grandes populações e encontrar plantas promissoras mais cedo no processo.

O HyperBird foi formalmente descrito num artigo de 8 de setembro na revista Plant Phenomics. A primeira autora foi Jinhong Yu, estudante de doutoramento no laboratório de Jiang. A Cornell disse que o artigo detalha como o sistema robótico fornece imagem hiperespectral de alto débito à escala microscópica e pode comparar pequenas regiões doentes com os espectros médios do restante da folha para acompanhar a progressão do míldio e do oídio.

Gold disse no relatório da Cornell que o sistema consegue agora atingir, ao terceiro dia, o nível de precisão que métodos anteriores só conseguiam ao sexto ou ao nono dia. Se este desempenho se mantiver numa utilização mais alargada, isso significaria que os investigadores podem avançar nas avaliações de doença duas a três vezes mais depressa do que antes.

Um terceiro estudo, publicado a 29 de junho em Plant Disease, testou o sistema em condições de campo. Esse artigo, liderado por Lorenzo Pippi, antigo cientista visitante no laboratório de Gold, da Universidade de Pisa, utilizou discos foliares recolhidos de videiras em vinhas para comparar fungicidas convencionais, biofungicidas e controlos sem tratamento contra o míldio. A Cornell disse que o método de imagem detetou alterações óticas iniciais associadas à infeção, distinguiu entre pulverizações com base nos resíduos deixados nas folhas e ajudou depois a avaliar quais os tratamentos que estavam a resultar melhor.

Isso poderá ser útil em vinhas comerciais porque a pressão do míldio varia muitas vezes de uma zona do talhão para outra, tornando difícil avaliar se um produto funcionou ou se os níveis de infeção eram simplesmente desiguais. Uma ferramenta que detete a doença mais cedo e separe os sinais de infeção dos resíduos da pulverização poderá ajudar os produtores a tomar decisões mais direcionadas, embora a tecnologia ainda precise de uma implementação prática fora do contexto de investigação.

Por agora, um dos passos mais lentos continua a ser a recolha de amostras. Os técnicos ainda precisam de cortar discos do tamanho de uma moeda de dez cêntimos das folhas e levá-los à máquina para análise. A Cornell disse que essa é a parte mais demorada do processo e que estudantes de robótica estão a trabalhar na sua automatização.

A universidade disse estar a trabalhar com a Moblanc Robotics para fabricar o HyperBird. A Cornell acrescentou também que a plataforma pode ser adaptada a outras culturas e doenças, e que os investigadores já iniciaram contactos com uma empresa do setor dos queijos, sugerindo que a abordagem de imagem pode ter utilizações para lá da viticultura.

O projeto faz parte do VitisGen3, um programa de melhoramento da videira financiado através do National Institute of Food and Agriculture do Departamento da Agricultura dos EUA. A Cornell disse que outro financiamento veio de fundos federais de capacidade atribuídos à universidade, do President’s Council of Cornell Women Research Fund, da New York Wine and Grape Foundation e da USDA Grape Genetics Research Unit.