From Field Photosynthesis to Genetic Architecture: Insights from the First Dedicated Photosynthesis Hackathon

Las plantas son los paneles solares más eficientes del mundo, capturando la luz del sol y convirtiéndola en el alimento que sustenta casi toda la vida en la Tierra. Este proceso, conocido como fotosíntesis, no es un interruptor único, sino un motor complejo con muchas piezas móviles que cambian dependiendo del clima, la hora del día y la propia salud de la planta. Para los agricultores y científicos que intentan cultivar cultivos que puedan sobrevivir a un clima cada vez más cálido, comprender este motor es crítico. Si logran identificar qué instrucciones genéticas específicas hacen que una planta sea mejor utilizando la luz, pueden criar nuevas variedades que produzcan más alimentos con menos recursos. Sin embargo, los datos necesarios para encontrar estas pistas genéticas han sido difíciles de utilizar. Los científicos han estado recolectando vastas cantidades de mediciones en campos de todo el mundo, rastreando cómo las plantas respiran y brillan bajo el sol, pero estos registros a menudo han sido demasiado desordenados o complicados para analizarse adecuadamente.

En marzo de 2026, un grupo de investigadores se reunió en Accra, Ghana, para abordar exactamente este problema. Celebraron la primera hackathon dedicada enteramente a desentrañar los secretos ocultos dentro de los datos de la fotosíntesis de campo. Esta no fue una reunión típica de expertos sentados en un aula de conferencias; fue un taller práctico donde científicos de datos, fisiólogos de plantas, genetistas y fitomejoradores de Europa y África trabajaron codo a codo. Su objetivo era tomar mediciones brutas tomadas de cuatro cultivos diferentes —caupí, cebada, frijol común y papa— y encontrar los patrones genéticos que los métodos estándar habían pasado por alto. El equipo utilizó dispositivos portátiles que miden cómo las plantas reflejan la luz, una técnica que revela qué tan bien está procesando la energía la planta, y combinaron estas lecturas con mapas del código genético de las plantas.

Los resultados de esta colaboración fueron sorprendentes porque diferentes equipos, trabajando con diferentes cultivos y diferentes herramientas, llegaron a las mismas tres conclusiones. Primero, descubrieron que el simple hecho de introducir números en programas informáticos estándar estaba desechando información valiosa. Al construir modelos que respetaran cómo funciona realmente la planta biológicamente, los equipos recuperaron señales genéticas que antes habían sido invisibles. Estas nuevas y más inteligentes formas de observar los datos revelaron rasgos que eran más estables y estaban directamente vinculados a la cantidad de alimento que las plantas producían. Segundo, el momento de las mediciones importaba inmensamente. Los investigadores descubrieron que observar cómo cambiaba el rendimiento de una planta a lo largo del tiempo proporcionaba una imagen mucho más clara de su genética que tomar una instantánea única en un solo momento. La respuesta de una planta al sol es una historia que se desarrolla, y capturar esa historia en movimiento reveló conexiones que un solo momento nunca podría mostrar.

El hallazgo más sorprendente fue que los datos brutos en sí mismos poseían más poder que los números simplificados que los científicos suelen extraer de ellos. En lugar de reducir las complejas ondas de absorción y reflexión de la luz en una única cifra de resumen, los equipos descubrieron que mantener los trazos detallados y completos les permitía predecir rasgos genéticos con mayor precisión. Este éxito dependió en gran medida de la mezcla única de personas en la sala. Al lograr que las personas que cultivan las plantas trabajaran directamente con las personas que escriben el código, el equipo aseguró que sus herramientas de inteligencia artificial estuvieran fundamentadas en el conocimiento biológico real en lugar de simplemente adivinar patrones en los números. El evento demostró que cuando los expertos en la materia y los científicos de datos colaboran estrechamente, pueden convertir los datos de campo subanalizados en una herramienta poderosa para la cría de cultivos resilientes al clima, demostrando que las respuestas a algunos de los desafíos más difíciles de la agricultura ya están sentadas en los datos, esperando a ser vistas correctamente.