Detalle de: Integrative Bioinformatics for Plant Stres (iBIP)

[EN] Since plants cannot move, they have to face many environmental stresses. Plant stresses can result in limited growth and productivity of crop species. Particularly in agricultural settings, salt stress is a common issue. Plant stress responses aim at establishing a new equilibrium when suboptimal environmental conditions appear. Stress responses can be analysed and described at a phenotypic, physiological, biochemical, and molecular level; our research interest relies on the integration of separate biological information (ecophysiology, variants, gene expression, metagenomics, phenology, enzymes… all obtained in natural environments) by means of bioinformatic approaches to relate genes, microbiota, phenotypes. The integration contemplates both new experimental data as well as under-analysed public data by means of automated workflows to warrant reusability, replicability, and reproducibility. We envisage the application of machine learning, data mining and systems biology to infer the co-adaptation of crops (such as citrus, olive, and even tomato and photosynthetic model organisms such as microalgae) as well as their microbiome to the climate change and other suboptimal environmental conditions.

[ES] Las plantas no se pueden mover, por lo que han de saber soportar los agravios medioambientales. El estrés vegetal provoca una disminución del crecimiento y la productividad de los cultivos. En concreto, en la agricultura, el estrés salino es uno de los más habituales. La respuesta de la planta al estrés busca el establecimiento de un nuevo equilibrio ante las nuevas condiciones medioambientales desfavorables. Se pueden estudiar desde el punto de vista fenotípico, fisiológico, bioquímico y molecular, y por esto estamos interesados en integrar distintos tipos de datos biológicos (ecofisiología, variantes, expresión génica, metagenómica, fenología, enzimas…, todos obtenidos en su entorno natural) por medio de estrategias bioinformáticas que los relacionen con genes, microbiota y fenología. La integración contempla tanto el uso de nuevos datos experimentales como de los datos públicos infrautilizados mediante flujos de trabajo automatizados que garanticen la reusabilidad, repetitividad y reproducibilidad. Vamos a aplicar también el aprendizaje automático, la minería de datos y la biología de sistemas para inferir la adaptación de los cultivos (cítricos, olivo e incluso tomate y organismos fotosintéticos modelo como las microalgas) y su microbioma al cambio climático y a otras condiciones medioambientales subóptimas.