| Resumo: |
Portugal é um dos produtores de vinho mais importantes a nível mundial em quantidade, qualidade e diversidade, com um recorde de 849M¤ em 2020. Para fazer face à
concorrência e aos desafios emergentes, os produtores vão depender cada vez mais da Viticultura de Precisão (PV). Em VP, a intensidade e natureza da variabilidade espáciotemporal
são fatores-chave para obter melhores indicadores agronómicos, económicos e ambientais. A atual VP está baseada na análise de dados de sensores remotos montados em
plataformas aéreas/terrestres, frequentemente recorrendo a tecnologias de 'data-mining'[1]. Esta abordagem não fornece o mais importante, ie, um diagnóstico in situ da
fisiologia/metabolismo da planta para prever os impactos vitícolas determinados pela interação do GenótipoxAmbientexPráticas vitícolas(GxAxP), com limitações na transferibilidade
útil dos dados (entre-anos ou entre terroirs)[3]. Os principais desafios para a PV incluem, como a) disponibilizar práticas de precisão baseadas na fisiologia da planta, e b) articulálos
com tecnologias multiômicas de alto rendimento (HTP) de última geração (fenômica, transcriptômica, metabolômica)[5]. Assim, as informações de laboratório poderão fornecer,
em tempo real, uma abordagem espaço-temporal-funcional para inovar a PV. Todavia, embora a abordagem ômica-integrativa seja fácil de aplicar em ambiente controlado, a sua
transposição para aplicações vitícolas in-situ permanece um desafio[7]. Aplicações HTP em agricultura de precisão estão surgindo mundialmente, com plataformas de elevado custo
para medidas não invasivas de dados ômicos das plantas, mas sua aplicação na vinha está ainda na sua infância[15,17]. A inovação em plataformas de baixo custo equipadas com
sensores fotónicos para medições espácio-temporais de dados ómicos na vinha tem assim grande impacto na PV e produtores. O OmicBots está baseado em 3 hipóteses: a)
diferentes condições alteram os dados ômicos das plantas que são detetáveis por  |
Resumo
Portugal é um dos produtores de vinho mais importantes a nível mundial em quantidade, qualidade e diversidade, com um recorde de 849M¤ em 2020. Para fazer face à
concorrência e aos desafios emergentes, os produtores vão depender cada vez mais da Viticultura de Precisão (PV). Em VP, a intensidade e natureza da variabilidade espáciotemporal
são fatores-chave para obter melhores indicadores agronómicos, económicos e ambientais. A atual VP está baseada na análise de dados de sensores remotos montados em
plataformas aéreas/terrestres, frequentemente recorrendo a tecnologias de 'data-mining'[1]. Esta abordagem não fornece o mais importante, ie, um diagnóstico in situ da
fisiologia/metabolismo da planta para prever os impactos vitícolas determinados pela interação do GenótipoxAmbientexPráticas vitícolas(GxAxP), com limitações na transferibilidade
útil dos dados (entre-anos ou entre terroirs)[3]. Os principais desafios para a PV incluem, como a) disponibilizar práticas de precisão baseadas na fisiologia da planta, e b) articulálos
com tecnologias multiômicas de alto rendimento (HTP) de última geração (fenômica, transcriptômica, metabolômica)[5]. Assim, as informações de laboratório poderão fornecer,
em tempo real, uma abordagem espaço-temporal-funcional para inovar a PV. Todavia, embora a abordagem ômica-integrativa seja fácil de aplicar em ambiente controlado, a sua
transposição para aplicações vitícolas in-situ permanece um desafio[7]. Aplicações HTP em agricultura de precisão estão surgindo mundialmente, com plataformas de elevado custo
para medidas não invasivas de dados ômicos das plantas, mas sua aplicação na vinha está ainda na sua infância[15,17]. A inovação em plataformas de baixo custo equipadas com
sensores fotónicos para medições espácio-temporais de dados ómicos na vinha tem assim grande impacto na PV e produtores. O OmicBots está baseado em 3 hipóteses: a)
diferentes condições alteram os dados ômicos das plantas que são detetáveis por dados espectrais; b) a comparação laboratorial e de campo (multi-ano-variedades-condições),
permite explorar qual o fator GxAxP predominante; c) o modelo in-silico traduz a interpretação causal de dados ômicos, criando uma plataforma de transferência de informações
entre o laboratório utilizadores finais da PV. O OmicBots visa desenvolver uma plataforma automática para integrar sensores de fotônica inteligente assistida por robótica HTP de
baixo custo, com inteligência artificial e biologia de sistemas (in-silico), onde as vias metabólicas da videira podem ser exploradas, para compreender como a fisiologia/metabolismo
da videira são determinados pelo GxAxP. Por ex. os perfis de metabólitos específicos (ex, flavonóides) dependem do GxAxP e o seu conhecimento é de grande relevância para a
indústria da vinha/vinho[7]. Os dados ómicos obtidos 'in-situ' e 'in-vitro', conjugados com bioinformática (ex. Cobra-Matlab,22), permitirão implementar um modelo in- silico à
escala do genoma da videira(GSM) através do qual a informação 'in situ' e 'in vitro' é bidirecionalmente transferível [23]. O GSM é um modelo mecanístico capaz de determinar quais
os genes, enzimas e vias metabólicas são ativadas e como afetam a fisiologia da planta (Fg1). O impacto das condições ambientais no metaboloma será avaliado através da
comparação de condições lab. e de campo (multi-ano-castas-condições). A interface entre o modelo in-silico e os dados experimentais será gerido por um modelo de inteligência
artificial para a anotação dos metabolitos e seus fluxos e respectiva relação em um espaço de fenotipos[4]. Este espaço de fenóti |