Een nieuw ontwikkelde techniek kan het risico op plantenziekten of -plagen over de hele wereld voorspellen. Beschreven in open-access tijdschrift Grenzen in Toegepaste Wiskunde en Statistiek , de techniek houdt rekening met interacties tussen plaag en gastheer en de geografische verspreiding van kwetsbare planten om kaarten te maken van potentiële ziektehaarden. Dit zou regeringen kunnen helpen het risico van uitbraken te begrijpen voordat ze zich voordoen.

Ziekten en plagen kunnen een verwoestende impact hebben op planten, het omringende ecosysteem, en voedselvoorraden. Deze effecten kunnen bijzonder schadelijk zijn wanneer een plaag of ziekteverwekker een nieuw territorium binnendringt, waarin inheemse planten weinig natuurlijke weerstand hebben en de destructieve indringer weinig inheemse roofdieren of concurrenten heeft.

Overheidsinstanties proberen plagen en ziekteverwekkers te beperken door de verplaatsing van planten en dieren tussen landen en regio's te beheersen. Echter, met internationale handel en reizen, het kan moeilijk of onmogelijk zijn om te voorkomen dat plagen en ziekteverwekkers zich verspreiden.

Een manier om een ​​voorsprong te krijgen bij het voorkomen van uitbraken van infecties en plagen, is door te analyseren waar bekende plagen en ziekteverwekkers zich momenteel bevinden, en kijk dan naar de verspreiding van planten die mogelijk kwetsbaar zijn voor aanvallen. Dit soort diepgaande analyse kan echter tijdrovend zijn, gezien het enorme aanbod aan planten, ziekteverwekkers en plagen.

Om uitbraken beter te kunnen voorspellen, onderzoekers in Mexico ontwikkelden een nieuwe reeks algoritmen om uitbraken te helpen voorspellen. Hun techniek is gebaseerd op het principe dat nauw verwante planten die dicht bij elkaar groeien vatbaar zijn voor infectie of aantasting door dezelfde ziekteverwekkers of plagen. Door de geografische verspreiding van nauw verwante planten te bestuderen, het onderzoeksteam genereerde kaarten van potentiële ziekte-hotspots.

Om hun algoritmen te testen, het team paste ze toe op een invasieve plaag die aanwezig is in Noord-Amerika, de redbay ambrosia kever. Deze invasieve kever brengt de ziekte van Laurel Wilt, wat dodelijk kan zijn voor planten van de laurierfamilie. De onderzoekers raadpleegden online databases om een ​​groep ambrosia-kevers te vinden die nauw verwant zijn aan de redbay ambrosia-kever, en een groep plantensoorten die met deze kevers worden geassocieerd.

Met bekende kever/plant interacties als uitgangspunt, en vervolgens hun algoritmen gebruiken om de kans te schatten dat nauw verwante planten op dezelfde manier zouden worden beïnvloed, de onderzoekers berekenden de kans dat elke plant wordt aangetast door een bepaalde keversoort.

Het team nam vervolgens gegevens op over de bekende geografische spreiding van elke fabriek. Als planten over grote oppervlakten worden gevonden, dan lopen ze een groter risico om een ​​uitbraak op te lopen en te verspreiden. Met behulp van hun algoritmen, de onderzoekers berekenden de kans dat meerdere plantensoorten worden aangetast door een kever wanneer de planten op dezelfde plek aanwezig zijn.

Met behulp van de techniek, het team heeft kaarten gemaakt met regio's van de wereld die het meest vatbaar zijn voor besmetting, of interactie tussen de kevers en planten. De kaarten gaven nauwkeurig de inheemse gebieden van de kevers weer, samen met het recente invasieve gedrag van sommige kevers, inclusief de zuidelijke opmars van een kever door de Verenigde Staten. zorgwekkend, het model gaf aan dat soortgelijke fabrieken in Midden- en Zuid-Amerika kwetsbaar zouden kunnen zijn voor een volgende invasie.

Dit soort kaarten kan zeer nuttig zijn voor overheidsinstanties en ecologen bij het begrijpen en voorspellen van uitbraken, door huidige of potentiële ziekte-hotspots te benadrukken, maar het team heeft meer gegevens van veldwerk nodig om de nauwkeurigheid van het systeem te controleren.

Echter, deze algoritmen zijn niet alleen van toepassing op plantenplagen. "De methode biedt gebruiksvriendelijke computerhulpmiddelen, die kan worden toegepast om interacties tussen elke groep organismen te begrijpen en te voorspellen, " zegt Andrés Lira-Noriega, een bij het onderzoek betrokken onderzoeker.