En nyutvecklad teknik kan förutsäga risken för växtsjukdomar eller angrepp över hela världen. Beskrivs i öppen journal Frontiers in Applied Mathematics and Statistics , Tekniken tar hänsyn till interaktioner mellan skadedjur och värd och den geografiska fördelningen av sårbara växter för att tillhandahålla kartor över potentiella hotspots för sjukdomar. Detta kan hjälpa regeringar att förstå risken för utbrott innan de inträffar.
Sjukdomar och skadedjur kan ha en förödande inverkan på växter, det omgivande ekosystemet, och matförråd. Dessa effekter kan vara särskilt skadliga när ett skadedjur eller patogen invaderar ett nytt territorium, där inhemska växter har lite naturligt motstånd och den destruktiva inkräktaren har få inhemska rovdjur eller konkurrenter.
Statliga myndigheter försöker begränsa skadedjur och patogener genom att kontrollera förflyttningen av växter och djur mellan länder och regioner. Dock, med internationell handel och resor, det kan vara svårt eller omöjligt att stoppa skadedjur och patogener från att spridas.
Ett sätt att få ett försprång för att förebygga infektions- och angreppsutbrott är att analysera var kända skadedjur och patogener för närvarande finns, och sedan titta på fördelningen av växter som kan vara sårbara för attack. Men denna typ av djupgående analys kan vara tidskrävande, med tanke på det enorma utbudet av växter, patogen och skadedjursarter.
För att bättre kunna förutsäga utbrott, Forskare i Mexiko utvecklade en ny serie algoritmer för att förutsäga utbrott. Deras teknik bygger på principen att närbesläktade växter som växer nära varandra är benägna att smittas eller angripas av samma patogener eller skadedjur. Genom att studera den geografiska fördelningen av närbesläktade växter, forskargruppen skapade kartor över potentiella hotspots för sjukdomar.
För att testa deras algoritmer, teamet applicerade dem på ett invasivt skadedjur som finns i Nordamerika, Redbay ambrosia skalbaggen. Denna invasiva skalbagge överför Laurel Wilt Disease, vilket kan vara dödligt för växter i lagerfamiljen. Forskarna konsulterade onlinedatabaser för att hitta en grupp ambrosiabaggar som är nära besläktade med redbay ambrosia skalbagge, och en grupp växtarter som är förknippade med dessa skalbaggar.
Med hjälp av kända interaktioner mellan skalbaggar och växter som utgångspunkt, och sedan använda deras algoritmer för att uppskatta sannolikheten för att närbesläktade växter skulle påverkas på liknande sätt, forskarna beräknade sannolikheten för att varje växt skulle påverkas av en viss skalbaggsart.
Teamet inkorporerade sedan data om den kända geografiska fördelningen av varje anläggning. Om växter finns över stora områden, då löper de högre risk att drabbas av och sprida ett utbrott. Med hjälp av deras algoritmer, forskarna beräknade sannolikheten för att flera växtarter skulle bli angripna av en skalbagge när växterna finns på samma plats.
Med hjälp av tekniken, teamet skapade kartor som visar regioner i världen med största sannolikhet att drabbas av angrepp, eller interaktion mellan skalbaggarna och växterna. Kartorna återspeglade korrekt skalbaggarnas inhemska territorier, tillsammans med det senaste invasiva beteendet hos vissa skalbaggar, inklusive framryckningen söderut av en skalbagge över USA. Oroande, modellen indikerade att liknande växter i Central- och Sydamerika kan vara sårbara för invasion nästa gång.
Dessa typer av kartor kan vara till stor hjälp för statliga myndigheter och ekologer för att förstå och förutsäga utbrott, genom att lyfta fram aktuella eller potentiella hotspots för sjukdomar, men teamet behöver ytterligare data från fältarbete för att kontrollera systemets noggrannhet.
Dock, dessa algoritmer är inte bara tillämpliga på växtangrepp. "Metoden ger lättanvända datorverktyg, som kan användas för att förstå och förutsäga interaktioner mellan vilken grupp av organismer som helst, säger Andrés Lira-Noriega, en forskare som deltar i studien.
