FREECLIMB - Fruit Crops Resilience to Climate Change in the Mediterranean Basin

Il progetto FREECLIMB intende rispondere agli obiettivi del programma PRIMA (Sect. 2) di HORIZON 2020 (EU Research Framework) per lo sviluppo di sistemi agricoli innovativi e sostenibili nell’area Mediterranea, che preservino le risorse naturali (acqua ed uso di suolo) attraverso un aumento dell’efficienza produttiva. Ciò verrà perseguito aumentando la conoscenza sui meccanismi con cui le piante si adattano all’ambiente e resistono agli stress biotici ed abiotici. Il progetto FREECLIMB include le più importanti specie arboree del Mediterraneo, con l’obiettivo di incrementare la disponibilità di germoplasma e varietà adatte ad usare risorse esterne limitate (input) e ad adattarsi agli scenari climatici futuri predetti per l’area mediterranea, attraverso la caratterizzazione e l’utilizzo della biodiversità locale. Il progetto si concentrerà su ideotipi chiave elaborati in collaborazione con i coltivatori di frutta (Fruit Farming Actors -FFAs, breeders, vivaisti, coltivatori) con lo scopo principale di fornire germoplasma, metodi e strumenti per accelerare lo sfruttamento, il miglioramento genetico e la selezione di varietà resilienti per le più importanti specie arboree mediterranee (frutti con seme come pesca, albicocca e mandorla, agrumi, uva ed olive).

SCALA-MEDI Improving sustainability and quality of Sheep and Chicken production by leveraging the Adaptation potential of LocAl breeds in the MEDIterranean area

Il progetto SCALA-MEDI ottimizzerà l’uso sostenibile e la conservazione delle risorse genetiche locali ovine e avicole della regione mediterranea, concentrandosi sull’adattamento alle condizioni climatiche e alle preferenze dei consumatori.

L’esperienza e i dati provenienti dai precedenti progetti dell’UE verranno estesi alla caratterizzazione genetica ed epigenetica delle risorse locali e al loro adattamento a diversi ambienti produttivi in tre paesi del Nord Africa, Tunisia, Algeria e Marocco.

Verranno sviluppati strumenti e strategie per migliorare le razze locali per una produzione sostenibile. L’applicazione di questi strumenti verrà dimostrata agli agricoltori in diversi sistemi di produzione mediterranei.

DeepMicroCore: usare la potenza dell’intelligenza artificiale per identificare il core microbioma

In DeepMicroCore svilupperemo modelli a reti neurali (DNN: deep neural networks) per predire il substrato (specie, tessuto), il periodo (stadio fisiologico, tempo sperimentale) e il luogo di origine, dai dati di microbioma.

Ci riferiamo, nello specifico, ai dati di sequenziamento 16S/18S/ITS rRNA-gene (metatassonomica).

I modelli predittivi saranno ottimizzati per massimizzare l’accuratezza di predizione tramite cross-validation. Da questi modelli potremo poi ricavare l’importanza delle variabili usate, i.e. le OTU/ASV più rilevanti per la predizione.

Le variabili estratte in questo modo dai modelli predittivi ci permetteranno di identificare il core microbioma: per esempio, con i dati di microbioma umano o animale da vari tessuti (intestino, pelle, latte) raccolti in diverse zone geografiche costruiremo una rete neurale in grado di predire accuratamente da quale tessuto e località proviene ogni campione.

Quindi, estraendo da questa rete neurale le variabili rilevanti per la predizione identificheremo il core microbioma di intestino, o pelle, o latte. Il core microbioma sarà composto da quelle specie microbiche che discriminano i diversi tessuti: alcune specie saranno comuni a più di un microbioma, e saranno identificate da confronti specifici (e.g. predizioni uno-contro-tutti).

PROB-AI: Identificazione di nuovi probiotici mediante algoritmi di intelligenza artificiale a partire dalle sequenze genomiche batteriche

L’obiettivo del progetto PROB-AI è di addestrare algoritmi di intelligenza artificiale (machine learning: ML) utilizzando un set ridotto di probiotici confermati, per poi individuare nuovi potenziali probiotici tra tutti i batteri le cui sequenze genomiche sono depositate in database pubblici o progetti di ricerca.

Tali risultati computazionali aiuteranno i ricercatori a valutare le caratteristiche comuni ai microrganismi probiotici e non probiotici, consentendo l’identificazione di nuove specie batteriche da utilizzare nei campi biomedico e farmaceutico.

Inoltre, PROB-AI validerà sperimentalmente le predizioni in silico, convalidandole in vitro e in vivo, ed individuando le caratteristiche fondamentali in grado di discriminare i simbionti dagli organismi patogeni nel tratto gastrointestinale umano. L’uso del ML per identificare accuratamente nuovi probiotici rappresenta un approccio estremamente innovativo, ancora poco esplorato in questo campo.

FARM-INN Farm-level interventions supporting dairy industry innovation

FARM-INN ha come obiettivo l’acquisizione di nuovi dati scientifici per migliorare tutta la filiera lattiero-casearia. In particolare le ricerche si focalizzano sulla caratterizzazione delle proprietà tecnologiche e funzionalidelle proteine contenute nel latte (varianti A1 e A2 di beta-caseina) e sull’ impiego di nuovi additivi, da aggiungere nella dieta delle bovine, in grado di ridurre la contaminazione del latte da micotossine (prodotte da funghi) e batteri (clostridi). Con specifiche valutazioni effettuate tramite approccio LCA (Life Cycle Assessment), si verificheranno la sostenibilità ambientale ed economica delle innovazioni introdotte con il progetto nella filiera lattiero casearia. I risultati del progetto contribuiranno infine a garantire al consumatore alimenti più sicuri e a migliorare l’efficienza della produzione riducendo gli scarti di latte e formaggio, causa di gravi perdite economiche per i produttori.