Visión computacional y aprendizaje profundo para el fenotipado de alto rendimiento de mazorcas de cacao Theobroma cacao L.
No Thumbnail Available
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
PUCE - Quito
Abstract
El cultivo cacao (Theobroma cacaoL.) es una especie de interés económica a nivel mundial, reconocida principalmente por la producción de sus granos (semillas), que constituyen la materia prima fundamental para la obtención de subproductos como el licor de cacao, un componente esencial en la industria del chocolate(Kongor et al., 2024).Sualto valor económico ha orientado programas de mejoramiento genético enfocados a buscar genotipos con mazorcas(frutos)resistentes a enfermedades y semillas de características específicas requeridas en la industria chocolatera(Wessel & Quist-Wessel, 2015). Estas iniciativas, son lideradas a escala global por instituciones como CATIE, INIAP, MARS, Agrosavia y CRIG, programas que buscan optimizar los rendimientos en áreas cultivadas y mitigar las pérdidas asociadas a patógenos, contribuyendo así al fortalecimiento de la sostenibilidad y productividad del cultivo(Cruz Caro et al., 2025; Monteiro et al., 2009).No obstante, uno de los principales retos en la producción de cacao en Ecuador y otras regiones productoras continúa siendo la alta incidencia de patógenos como Moniliophthora roreriy Phytophthoraspp., responsables de enfermedades como la moniliasis y la mazorca negra, respectivamente(Amores, 2024). Estas enfermedades pueden causar pérdidas superiores al 50% de la producción (Reis et al.,2025), afectando particularmente a pequeños productores (Amores, 2024). Por ello, capturar datos detallados sobre la incidencia de estos patógenos en parcelas de producción es fundamental para implementar controles más eficaces basados en grandes volúmenes de datos (Romero Navarro et al., 2017).En este contexto, los avances en la investigación han permitido explorar enfoques innovadores para enfrentar estos desafíos como Romero Navarro et al., (2017)quienes han demostrado que combinar datos fenotípicos de alta resolución con marcadores genéticos de alta densidad permite identificar loci de rasgos cuantitativos (QTL) relacionados con resistencia a enfermedades. A través de GWAS y análisis de expresión diferencial, se han identificado genes clave que regulan la respuesta del cacao a patógenos, esta integración de datos genómicos y fenotípicos abre nuevas oportunidades para el mejoramiento genético de cultivares resistentes(Colonges et al., 2022).Complementando a estos avances genómicos, tecnologías como la visión computacional y el aprendizaje profundo emergen como herramientas estratégicas para el fenotipado de alto rendimiento(High Throughput Phenotyping)(Arya et al., 2022a). Estas técnicas facilitan la identificación automatizada y precisa de características agronómicas y fitosanitarias, superando las limitaciones de los métodos tradicionales, que dependen de evaluaciones manuales propensas a errores, con baja escalabilidad y altos costos operativos (Suparno et al., 2024; Wang & Su, 2022)
Description
Keywords
Theobroma cacao, Aprendizaje profundo (Aprendizaje automático), Resistencia a patógenos