Una tecnica di nuova concezione può prevedere il rischio di malattie o infestazioni delle piante in tutto il mondo. Descritto in una rivista ad accesso aperto Frontiere in matematica applicata e statistica , la tecnica considera le interazioni ospite-parassita e la distribuzione geografica delle piante vulnerabili per fornire mappe dei potenziali punti critici della malattia. Ciò potrebbe aiutare i governi a comprendere il rischio di epidemie prima che si verifichino.

Malattie e parassiti possono avere un impatto devastante sulle piante, l'ecosistema circostante, e scorte di cibo. Questi effetti possono essere particolarmente dannosi quando un parassita o un agente patogeno invade un nuovo territorio, in cui le piante autoctone hanno poca resistenza naturale e l'invasore distruttivo ha pochi predatori o concorrenti nativi.

Le agenzie governative cercano di limitare parassiti e agenti patogeni controllando il movimento di piante e animali tra paesi e regioni. Però, con il commercio internazionale e i viaggi, può essere difficile o impossibile impedire la diffusione di parassiti e agenti patogeni.

Un modo per ottenere un vantaggio nella prevenzione delle epidemie di infezioni e infestazioni è analizzare dove si trovano attualmente parassiti e agenti patogeni noti, e poi osserva la distribuzione delle piante che potrebbero essere vulnerabili agli attacchi. Tuttavia questo tipo di analisi approfondita può richiedere molto tempo, data la vasta gamma di piante, specie patogene e infestanti.

Per aiutare meglio a prevedere le epidemie, ricercatori in Messico hanno sviluppato una nuova serie di algoritmi per aiutare a prevedere le epidemie. La loro tecnica si basa sul principio che le piante strettamente correlate che crescono l'una vicino all'altra sono soggette a infezioni o infestazioni da parte degli stessi agenti patogeni o parassiti. Studiando la distribuzione geografica di piante strettamente correlate, il team di ricerca ha generato mappe di potenziali hotspot di malattie.

Per testare i loro algoritmi, il team li ha applicati a un parassita invasivo presente in Nord America, il coleottero rosso ambrosia. Questo coleottero invasivo trasmette la malattia di Laurel Wilt, che può essere mortale per le piante della famiglia dell'alloro. I ricercatori hanno consultato i database online per trovare un gruppo di coleotteri ambrosia strettamente imparentati con il coleottero ambrosia rosso, e un gruppo di specie vegetali associate a questi coleotteri.

Utilizzando le interazioni note coleottero/pianta come punto di partenza, e quindi utilizzando i loro algoritmi per stimare la probabilità che piante strettamente correlate subiscano un impatto simile, i ricercatori hanno calcolato la probabilità che ogni pianta sia colpita da una particolare specie di coleottero.

Il team ha quindi incorporato i dati sulla distribuzione geografica nota di ciascuna pianta. Se le piante si trovano su vaste aree, quindi sono a maggior rischio di contrarre e diffondere un focolaio. Usando i loro algoritmi, i ricercatori hanno calcolato la probabilità che più specie di piante siano infestate da un coleottero quando le piante sono presenti nello stesso sito.

Usando la tecnica, il team ha creato mappe che mostrano le regioni del mondo con maggiori probabilità di subire infestazioni, o interazione tra i coleotteri e le piante. Le mappe riflettevano accuratamente i territori nativi dei coleotteri, insieme al recente comportamento invasivo di alcuni coleotteri, compresa l'avanzata verso sud di uno scarabeo attraverso gli Stati Uniti. preoccupante, il modello indicava che piante simili nell'America centrale e meridionale potrebbero essere vulnerabili all'invasione successiva.

Questi tipi di mappe potrebbero essere molto utili per le agenzie governative e gli ecologisti per comprendere e prevedere le epidemie, evidenziando i punti caldi attuali o potenziali della malattia, ma il team ha bisogno di ulteriori dati dal lavoro sul campo per verificare l'accuratezza del sistema.

Però, questi algoritmi non sono applicabili solo alle infestazioni delle piante. "Il metodo fornisce strumenti informatici di facile utilizzo, che può essere applicato per comprendere e prevedere le interazioni tra qualsiasi gruppo di organismi, " dice Andrés Lira-Noriega, un ricercatore coinvolto nello studio.