Trait-based Machine-Learning Identifies Functional predictors of Plant Responsiveness to Arbuscular Mycorrhizal Fungi

Resumen Técnico: El aprendizaje automático basado en rasgos identifica predictores funcionales de la respuesta de las plantas a los hongos micorrícicos arbusculares

Planteamiento del problema
Los hongos micorrícicos arbusculares (HMA) son simbiontes críticos que mejoran la adquisición de nutrientes, el crecimiento y la tolerancia al estrés en las plantas. Sin embargo, la magnitud y la dirección de la respuesta del crecimiento vegetal a la colonización por HMA —cuantificada como Respuesta de Crecimiento Micorrícico (RCM)— varían sustancialmente entre especies, genotipos y condiciones ambientales. Esta variabilidad es difícil de predecir porque la RCM se encuentra frecuentemente desacoplada de la intensidad de la colonización; una planta puede estar fuertemente colonizada sin derivar beneficios significativos en su crecimiento. Los modelos estadísticos lineales convencionales suelen ser inadecuados para capturar las relaciones no lineales y las complejas interacciones entre los rasgos funcionales de las plantas y las variables ambientales que impulsan esta variación. Existe la necesidad de un marco predictivo que pueda integrar estos factores complejos para identificar los síndromes de rasgos funcionales asociados con la respuesta a los HMA.

Metodología
Los autores desarrollaron Trait2Myco, un marco de aprendizaje automático basado en Random Forest diseñado para predecir la RCM utilizando rasgos funcionales de las plantas y covariables ambientales.

• Fuente de datos: El conjunto de datos primario comprendió 80 observaciones derivadas de cuatro especies de gramíneas cultivadas bajo cuatro regímenes de precipitación (cinco réplicas biológicas por combinación). Los datos se obtuvieron del Repositorio Digital Dryad (Zhao et al., 2026).
• Predictores: El modelo incorporó diez rasgos funcionales que representan la economía foliar y radicular (por ejemplo, área foliar específica, longitud radicular específica, concentración de carbono radicular, nitrógeno foliar) y una variable ambiental (precipitación).
• Variable de respuesta: La RCM se calculó como la diferencia proporcional en la biomasa entre las plantas tratadas con inoculación de HMA y las plantas de control no inoculadas.
• Arquitectura del modelo:
  • Un Modelo Completo utilizó los diez rasgos más la precipitación.
  • Un Modelo Ecológico Reducido utilizó solo los cuatro predictores más importantes identificados mediante el análisis de importancia de variables basado en permutaciones: área foliar específica (SLA), área radicular específica (SRA), concentración de carbono radicular y precipitación.
  • Los modelos se entrenaron con el 80% de los datos (n=64) y se evaluaron en un conjunto de prueba independiente del 20% (n=16). También se realizó una validación cruzada de diez pliegues (ten-fold cross-validation) en los datos de entrenamiento.
• Técnicas analíticas: El estudio empleó Random Forest para la predicción, la clasificación de importancia de variables (%IncMSE), Gráficos de Dependencia Parcial (PDP) para visualizar relaciones no lineales y el Análisis de Componentes Principales (PCA) para mapear las observaciones dentro del espacio de rasgos multivariante.
• Validación externa: Un análisis exploratorio aplicó el flujo de trabajo a un conjunto de datos independiente (n=8) que relaciona rasgos de crecimiento con puntuaciones de colonización radicular por HMA (Werner & Kiers, 2015).

Resultos clave

• Desempeño predictivo: En el conjunto de prueba independiente, el Modelo Completo explicó el 41% de la variación en la RCM ($R^2 = 0.41$). Notablemente, el Modelo Ecológico Reducido, utilizando solo cuatro variables, superó al modelo completo, explicando el 51.7% de la variación ($R^2 = 0.517$). La validación cruzada de diez pliegues en los datos de entrenamiento arrojó un $R^2$ elevado de 0.983, aunque los autores señalan que esto probablemente sobreestima la generalización debido a las características biológicas compartidas entre las réplicas.
• Importancia de las variables: El Área Foliar Específica (SLA) fue identificada como el predictor más fuerte, seguida de la precipitación, la concentración de carbono radicular y el área radicular específica.
• Contribución de la categoría de rasgos: Los rasgos foliares y los rasgos radiculares contribuyeron casi por igual a la importancia del modelo (41.9% y 41.3%, respectivamente), mientras que la precipitación contribuyó con un 16.8%.
• Relaciones no lineales: El análisis de dependencia parcial reveló:
  • Una disminución brusca en la RCM predicha a medida que aumentaba el SLA, estabilizándose en valores más altos.
    imunodal con la precipitación, donde la RCM alcanzó su máximo aproximadamente a los 800 mm y disminuyó tanto en niveles bajos como altos.
  • Una relación de tipo umbral con la concentración de carbono radicular, donde la RCM aumentó notablemente por encima del ~4.35%.
• Espacio de rasgos multivariante: El PCA indicó que las plantas altamente responsivas ocupaban regiones distintas del espacio de rasgos funcionales, caracterizadas por síndromes de adquisición de recursos más intensos, mostrando una separación parcial de las plantas menos responsivas a lo largo del eje primario de variación.
• Aplicación externa: El flujo de trabajo aplicado al conjunto de datos de colonización independiente mostró un alto desempeño aparente ($R^2 = 0.94$), siendo la longitud de la planta el predictor más fuerte, aunque los autores advierten que esto es exploratorio debido al pequeño tamaño de la muestra y al uso de una variable de respuesta diferente.

Significancia y afirmaciones
El artículo afirma que Trait2Myco proporciona un marco reproducible y basado en rasgos para explorar la variación en la respuesta de las plantas a los HMA. Su principal significancia no radica en el desarrollo de un nuevo algoritmo de aprendizaje automático, sino en la integración de la teoría de los rasgos funcionales con el modelado de Random Forest para identificar síndromes predictivos.

Las afirmaciones clave incluyen:

1. Utilidad predictiva: Un conjunto pequeño y ecológicamente interpretable de cuatro variables (SLA, SRA, concentración de carbono radicular y precipitación) puede predecir la RCM de manera más efectiva que un conjunto mayor de diez rasgos en este contexto experimental específico.
2. Perspectiva mecanística: La identificación de la concentración de carbono radicular como un predictor importante resalta un posible vínculo entre la inversión de carbono subterránea y el beneficio simbiótico, un rasgo rara vez evaluado explícitamente en este contexto.
3. Perspectiva de la planta completa: Los resultados apoyan la visión de que las estrategias económicas tanto foliares como radiculares están coordinadas y dan forma conjuntamente a los resultados de los HMA, en lugar de que los rasgos radiculares actúen de forma aislada.
4. Dependencia del contexto: La relación no lineal con la precipitación refuerza el concepto de que los beneficios de los HMA dependen del contexto, alcanzando su máximo en niveles intermedios de disponibilidad de agua.

Los autores mantienen una postura modesta, enfatizando que el marco identifica asociaciones en lugar de efectos causales. Reconocen limitaciones, incluyendo el número reducido de especies (cuatro), el uso de promedios de rasgos a nivel de especie y la exclusión de la identidad fúngica y las propiedades del suelo. Concluyen que, si bien Trait2Myco ofrece un marco útil para el sistema experimental actual, se requiere una validación más amplia a través de diversos taxones, entornos y comunidades fúngicas para determinar la generalizabilidad de estas relaciones entre rasgos y RCM.