RED DE INVESTIGACIÓN EN PROCESOS ORGANIZACIONALES, GANADERÍA Y AGRICULTURA

LA BIOCOMPUTACIÓN AGROPECUARIA

La biocomputación es una rama del conocimiento que utiliza las herramientas tecnológicas para la recuperación y manejo de datos que generan los seres vivos. La biocomputación se define como el uso de sistemas moleculares biológicos para realizar operaciones computacionales (PMC3441465, 2012), generalmente los datos en forma señales eléctricas se recuperan y son interpretados por algoritmos diseñados con el propósito de establecer un puente de entendimiento entre el mundo biológico y el humano. Las variabilidades eléctricas que genera un ser vivo son variadas y únicas por lo tanto se pueden clasificar para identificar las respuestas de organismos vivos a diversos estímulos externos. En la medicina se ha logrado clasificar datos según el análisis de señales biomédicas, estas son convertidas de fenómenos físicos a formatos digitales para su interpretación (Schlögl, 2021). La bioComputación tiene más de 50 años en investigación y usos aplicativos, Margaret Oakley Dayhoff es considerada como la madre la bioinformática por que utilizó computadoras para analizar secuencias de proteínas y con sus colegas publicaron el primer Atlas de secuencias de proteínas, consolidando la bioinformática como disciplina. Dayhoff et al. (1965)

En la actualidad este campo de conocimiento se ha diversificado y aún más potencializado por la incorporación de la IA en el diseño de algoritmos más eficientes para la recuperación y análisis de datos, en las ciencias médicas se utiliza para el desarrollo de nuevos medicamentos, para el análisis de secuencias de ADN y ARN, simulación de comportamiento celular en respuesta a estímulos, las bases para las biocomputadoras dispositivos vivos que se auto sustentan eléctricamente con fines predefinidos.

En los procesos agropecuarios la biocomputación tiene una función muy importante debido a que este campo de conocimiento aplica algoritmos computacionales para analizar genomas de cultivos y animales, identificando secuencias relacionadas con la resistencia a plagas, tolerancia a sequías y aumento de rendimiento (Andreas Holzinger et al., 2016; Michael A. L. Smith, 2020). Además, permite simular modelos para combinar cepas de bacterias y hongos que mejoran la fertilidad del suelo, reemplazando fertilizantes y plaguicidas químicos por soluciones biológicas más sostenibles (Philipp Engel et al., 2019). Asimismo, puede crear modelos matemáticos y de inteligencia artificial para predecir brotes de plagas, comportamiento de enfermedades y rendimientos de cosecha, permitiendo una toma de decisiones informada y oportuna (David Lobell et al., 2015).

La biocomputación agropecuaria representa una gran oportunidad para el desarrollo del sur-sureste de México, una región caracterizada por su alta biodiversidad, riqueza agrícola y condiciones climáticas variables. Una de las principales oportunidades radica en el mejoramiento genético de cultivos clave como maíz, cacao, café y caña de azúcar. Mediante el análisis de genomas, es posible identificar variedades con mayor resistencia a plagas, enfermedades y sequías, lo que resulta especialmente relevante ante el cambio climático que afecta a estados como Chiapas, Oaxaca y Tabasco. Esto es crucial en una región donde la agricultura tradicional puede beneficiarse de prácticas más sostenibles, disminuyendo el uso de químicos y conservando los ecosistemas locales.

Otra oportunidad importante es la predicción de fenómenos agroclimáticos y brotes de plagas mediante modelos matemáticos e inteligencia artificial. Esto permitiría a los productores regionales tomar decisiones informadas, optimizando tiempos de siembra, riego y cosecha, así como reduciendo riesgos. Además, la región podría posicionarse como un polo de innovación biotecnológica, integrando universidades, centros de investigación y comunidades rurales. Finalmente, la biocomputación también puede contribuir a la seguridad alimentaria, al mejorar la eficiencia productiva y garantizar alimentos más saludables, fortaleciendo tanto los mercados locales como la exportación.

La biocomputación agropecuaria se perfila como una herramienta estratégica para transformar el sur-sureste de México en una región más productiva, resiliente y sostenible. Sin embargo, para aprovechar plenamente estas oportunidades, es necesario fortalecer la infraestructura tecnológica, fomentar la inversión en investigación y promover la capacitación de productores y especialistas. La colaboración entre gobierno, academia y sector productivo será fundamental.

Referencias

PMC3441465. (2012, 18 de septiembre). An Online Bioinformatics Curriculum. National Institutes of Health. https://pmc.ncbi.nlm.nih.gov/articles/PMC3441465/

Schlögl, A. (2021). An overview on data formats for biomedical signals. ResearchGate. https://www.researchgate.net/publication/226940195_An_overview_on_data_formats_for_biomedical_signals

Dayhoff, M. O., Eck, R. V., Chang, M. A., y Sochard, M. R. (1965). Atlas of protein sequence and structure (Vol. 1). National Biomedical Research Foundation.

Holzinger, A., Dehmer, M., & Jurisica, I. (2016). Knowledge discovery and interactive data mining in bioinformatics—state-of-the-art, future challenges and research directions. BMC Bioinformatics, 17(Suppl 1), 12. https://doi.org/10.1186/s12859-016-0901-7

Smith, M. A. L. (2020). Applications of bioinformatics in agriculture. Computers and Electronics in Agriculture, 175, 105584. https://doi.org/10.1016/j.compag.2020.105584

Engel, P., Kwong, W. K., & Moran, N. A. (2019). Gut microbiota in agriculture and environmental sustainability. Annual Review of Microbiology, 73, 449–465. https://doi.org/10.1146/annurev-micro-090817-062524

Lobell, D. B., Thau, D., Seifert, C., Engle, E., & Little, B. (2015). A scalable satellite-based crop yield mapper. Remote Sensing of Environment, 164, 324–333. https://doi.org/10.1016/j.rse.2015.04.021