Search

El ciclo del nitrógeno representa uno de los procesos biogeoquímicos más importantes para los ecosistemas terrestres y acuáticos. Las comunidades microbianas desempeñan un papel crucial en los procesos de transformación del nitrógeno en el suelo, ya que participan en diversas etapas como la nitrificación, de gran importancia para la producción agrícola. Dentro de los marcadores moleculares más utilizados para evaluar la actividad de poblaciones microbianas oxidantes de amonio se han considerado ampliamente los genes que codifican enzimas claves como la subunidad A de la actividad amonio monooxigenasa (AMO). Sin embargo, no se comprende completamente si la expresión de esta enzima tiene relación directa con el rendimiento de los cultivos. En este contexto, se evaluó la expresión del gen amo-A de comunidades bacterianas y archaeales presentes en un lote arrocero previamente caracterizado por ambientes. Para cuantificar la abundancia de arqueas y bacterias oxidantes de amonio, (AOA y AOB, respectivamente) se emplearon las técnicas de PCR en tiempo real (RT-qPCR) y PCR digital (RT-dPCR). En este trabajo se encontró a través del análisis de datos metagenómicos que hubo una mayor presencia de AOB en las muestras de suelo rizosférico mientras que las AOA fueron predominantes en las muestras de suelo de soporte “bulk”, sin embargo, no se detectó la expresión del gen amo-A asociada a la comunidad de bacterias en las muestras de suelo analizadas. Por otra parte, no se presentaron diferencias entre los transcritos del gen amo-A asociados a la comunidad de AOA de los ambientes caracterizados. Además, la expresión de transcritos no estuvo relacionada con alguna de las propiedades químicas evaluadas. Finalmente, las estrategias de cuantificación para RT-qPCR (plásmido y templete) resultaron ser homólogas y funcionales para identificar la expresión del gen amo-A de AOA, mientras que la técnica de RT-dPCR fue más precisa para el análisis de la comunidad de AOB y AOA.

The application of data science (DS) techniques has become increasingly essential in various fields, including epidemiology and climatology in agricultural production systems. In this sector, traditionally large amounts of data are acquired, but not well-managed and -analyzed as a basis for evidence-based decision-making processes. Here, we present a comprehensive step-by-step guide that explores the use of DS in managing epidemiological and climatological data within rice production systems under tropical conditions. Our work focuses on using the multi-temporal dataset associated with the monitoring of diseases and climate variables in rice in Colombia during eight years (2012–2019). The study comprises four main phases: (I) data cleaning and organization to ensure the integrity and consistency of the dataset; (II) data management involving web-scraping techniques to acquire climate information from free databases, like WordClim and Chelsa, validation against in situ weather stations, and bias removal to enrich the dataset; (III) data visualization techniques to effectively represent the gathered information, and (IV) a basic analysis related to the clustering and climatic characterization of rice-producing areas in Colombia. In our work, a process of evaluation and the validation of climate data are conducted based on errors (r, R2, MAE, RSME) and bias evaluation metrics. In addition, in phase II, climate clustering was conducted based on a PCA and K-means algorithm. Understanding the association of climatic and epidemiological data is pivotal in predicting and mitigating disease outbreaks in rice production areas. Our research underscores the significance of DS in managing epidemiological and climatological data for rice production systems. By applying a protocol responsible for DS tools, our study provides a solid foundation for further research into disease dynamics and climate interactions in rice-producing regions and other crops, ultimately contributing to more informed decision-making processes in agriculture.