Key ecophysiological adaptations of alfalfa (Medicago sativa L.) to saline environments

De weg vrijmaken voor de ontwikkeling van zouttolerante gewassen

Bodemverzilting neemt over de hele wereld met schrikbarend snel toe. Het is een probleem aan het worden op elk continent. Een veelbelovende strategie om het hoofd te bieden aan dit probleem is het gebruik van zouttolerante gewassen. Deze gewassen zijn aangepast aan de lokale situatie, om duurzaam op verzilte grond opbrengsten genereren.

Het proefschrift van Xu Liu onderzocht de toepassing van op gewaskenmerken gebaseerde machine learning algoritmen op gewasniveau. Dit zou kunnen worden ontwikkeld tot een krachtig hulpmiddel voor het identificeren van nieuwe, nog niet eerder geïdentificeerde eigenschappen die bijdragen aan zouttolerantie. Dit kan helpen bij de ontwikkeling van duurzame gewassen, afgestemd op specifieke abiotische stressomstandigheden en kan eventueel toegepast worden in precisielandbouw.

Alfalfa, of luzerne, bekend als 'Queen of Forages’, wordt op grote schaal verbouwd in droge en semi-aride gebieden waar bodemverzilting een reële bedreiging vormt. Alfalfa heeft een goede voedingswaarde en is economische belangrijk, omdat het een hoog eiwitgehalte heeft en rijk is aan vitaminen. Moderne alfalfacultivars hebben een hogere zouttolerantie dan veel andere gewassoorten, zoals tarwe en rijst. De enorme genetische variatie van Alfalfa biedt genoeg mogelijkheden tot veredelen en kan worden gebruikt voor het identificeren van zouttolerantiekenmerken, die ook relevant zijn voor de zoutbestendigheid van andere gewassen.

Om de luzerneproductie in stand te houden en efficiënt zouttolerante luzernelijnen te selecteren, is het essentieel om effectievere en gerichte selectie en veredelingsstrategieën te onderzoeken. Dit proefschrift begint met een overzicht van de effecten van zout op planten en hun aanpassingen daaraan, specifiek gericht op mogelijke adaptieve strategieën. Waaronder de plasticiteit in de structuur van het wortelstelsel (root system architecture), het identificeren van gespecialiseerde metabolieten, het in stand houden van K+-homeostase in de wortel en het mobiliseren van nuttige (zowel Rhizobium als andere) bacteriën.

Met het machine learning-algoritme 'random forest classifier' werden deze kenmerken gerangschikt naar hoe belangrijk deze zijn in zouttolerantie.  De K+/Na+ verhouding in de wortel en de maximale chlorofylfluorescentie (Fm) komen uit deze analyse als de kenmerken met de hoogste correlatie aan bovengrondse biomassa onder zoutstress en komen daarmee naar voren als effectieve ecofysiologische ‘markers’ voor screening van alfalfa zouttolerantie.

Proefschrift: https://hdl.handle.net/11370/d5b54b76-ae1a-4f53-b2ab-2cef8952b9c6