fbpx Lotta dura contro la ruggine | Page 6 | Scienza in rete

Lotta dura contro la ruggine

Primary tabs

Read time: 2 mins

Pubblicato su PNAS di maggio un interessante studio di genomica volto ad identificare i meccanismi di interazione pianta-patogeno per definire la strategia più adatta al controllo della ruggine, malattia causata da diversi funghi, patogeni tra i più dannosi delle piante coltivate.

Il gruppo di ricercatori, coordinati da Sébastien Duplessis, dell'Institut National de la Recherche Agronomique di Nancy (Francia) ha sequenziato il genoma di Puccinia graminis tritici (89 Mpb), agente della ruggine del frumento e dell’orzo e di Melampsora larici-populina (101 Mpb), responsabile della ruggine del pioppo. Entrambi i funghi sono biotrofi obbligati, cioè trovano i nutrienti nei tessuti vegetali vivi e non sono in grado di crescere lontani dall’organismo ospite.

Le dimensioni dei due genomi sono risultate molto ampie rispetto a genomi di funghi precedentemente sequenziati a causa sia della proliferazione di elementi trasponibili (circa 45% del genoma assemblato) sia dell’espansione di numerose famiglie geniche. Tra queste l’espansione di proteasi secrete e trasportatori di oligopeptidi suggerisce il meccanismo con cui le ruggini si procurano gli aminoacidi essenziali per il loro sviluppo degradando le proteine vegetali e assimilando i peptidi. Entrambe le specie hanno perso la capacità di assimilare azoto e zolfo inorganico. Invece l’identificazione di specifiche e numerose proteine secrete di piccole dimensioni volte a contrastare i meccanismi di difesa della pianta ospite, sono utili da utilizzare per saggiare collezioni di germoplasma di piante coltivate e selvatiche al fine di identificare nuovi geni per la resistenza alla ruggine.

Il sequenziamento di genomi di patogeni può essere impiegato anche per identificare sequenze bersaglio da utilizzare in strategie di silenziamento genico. Insomma, conoscendo il proprio nemico è più facile distruggerlo!

Glossario

Regno Funghi: comprende gli organismi eucarioti eterotrofi che, operando la demolizione di un’ampia varietà di substrati per mezzo di esoenzimi, si nutrono per successivo assorbimento delle soluzioni. I funghi sono tallofite che presentano strutture cellulari diverse, possono essere unicellulari (lieviti) e/o multicellulari.
Biotrofi: il termine deriva da bios (vita) e trofo (nutrimento). Sono biotrofi quei funghi parassiti che si nutrono delle cellule vive dell’ospite, penetrando dentro di esse tramite apposite strutture (austorii).
Elementi trasponibili: sono segmenti di DNA che possono trasporre in un nuovo sito, lasciando nel sito originario una copia di se stessi, oppure possono andare incontro a excisione. Le possibili conseguenze dell’inserzione di un trasposone nel cromosoma dipendono dalle caratteristiche del trasposone stesso, e comprendono l’attivazione o la repressione dei geni adiacenti al sito d’inserzione, aberrazioni cromosomiche, quali duplicazioni, delezioni, inversioni, traslocazioni o rotture cromosomiche.

Duplessis et al. PNAS, May 31, 2011. Vol. 108-no.22, 9166-9171. McDowell J.M. PNAS, May 31, 2011. Vol. 108-no.22, 8921-8922

Autori: 
Sezioni: 
Indice: 
Agrogenetica

prossimo articolo

Perché le reti neurali hanno vinto i Nobel per la fisica e la chimica?

Quest'anno l'Intelligenza Artificiale ha fatto la parte del leone nei Nobel per la fisica e la chimica. Meglio sarebbe dire machine learning e reti neurali, grazie al cui sviluppo si devono sistemi che vanno dal riconoscimento di immagini alla IA generativa come Chat-GPT. In questo articolo Chiara Sabelli racconta la storia della ricerca che ha portato il fisico e biologo John J. Hopfield e l'informatico e neuroscienzato Geoffrey Hinton a porre le basi dell'attuale machine learning.

Immagine modificata a partire dall'articolo "Biohybrid and Bioinspired Magnetic Microswimmers" https://onlinelibrary.wiley.com/doi/epdf/10.1002/smll.201704374

Il premio Nobel per la fisica 2024 è stato assegnato a John J. Hopfield, fisico e biologo statunitense dell’università di Princeton, e a Geoffrey Hinton, informatico e neuroscienziato britannico dell’Università di Toronto per aver sfruttato strumenti della fisica statistica nello sviluppo dei metodi alla base delle potenti tecnologie di machine learning di oggi.