Un approccio di deep learning per l'analisi del “segnale calcio” nella caratterizzazione della risposta biologica delle piante agli stimoli esterni

Le piante, proprio come tutti gli esseri viventi, subiscono costantemente un'ampia gamma di stress. Questi stress possono essere associati a stimoli di varia natura, principalmente suddivisi in: stimoli abiotici se causati da condizioni ambientali esterne, e stimoli biotici quando provocati da un altro essere vivente o da un virus. Una delle strategie principali delle piante, attraverso la quale vengono affrontate queste particolari condizioni, è mediante l'utilizzo dello ione calcio. Il ”segnale calcio”, ovvero la variazione nel tempo dello ione calcio presente all'interno della cellula, codifica un'informazione specifica relativa ai diversi fattori di stress. Questa signature (forma) del segnale calcio permette alla pianta di attivare appropriati meccanismi di risposta mirata, ad esempio promuovendo la cicatrizzazione di una foglia dopo l’aggressione di un animale fitofago, oppure l’inizio della risposta immunitaria dovuta alla presenza di un virus. Particolari trasduzioni del segnale calcio avvengono dopo aver innaffiato la pianta con acqua distillata entrata in contatto con del plasma (gas ionizzato). Quest'acqua è particolarmente reattiva chimicamente, poiché al suo interno sono presenti molteplici specie chimiche instabili. Ciò costituisce un fattore che innesca la trasduzione del segnale calcio nella pianta, siccome la particolare composizione chimica della soluzione viene percepita come un fattore di stress. L'acqua attivata può essere creata scegliendo alcuni parametri, come ad esempio la potenza erogata dal generatore di plasma. Variando questi parametri riusciamo ad ottenere differenti signatures del segnale calcio prodotto. L'obiettivo della tesi è quello di ricavare i più adatti fattori di generazione dell'acqua attivata per riprodurre al meglio il segnale calcio proveniente da uno stress reale, come la disidratazione. In questo modo si potrebbe indurre la pianta ad attivare specifiche risposte adattive prima che sperimenti particolari tipi di stress. Ad esempio potremmo codificare l'informazione per lo sviluppo di radici più profonde in vista di un'estate arida, semplicemente annaffiandola con una mirata acqua attivata. Studiare i segnali calcio con metodologie di analisi tradizionali è estremamente difficile. In primis l'equilibrio dinamico della soluzione è complicato per via dell'altissimo numero di fattori che lo influenzano e la brevissima durata di alcune specie presenti. Bisogna poi tener conto che piante diverse, dunque con DNA differenti, possono rispondere in maniera diversa alla medesima acqua attivata, aggiungendo una nuova variabile. Per condurre queste analisi si è allora optato per un approccio di deep learning, che permette di mascherare questa complessità e di ricavare pattern utili per l'analisi dei segnali.