Machine learning models for plant-growth promoting rhizobacteria fitness prediction

Abstract

[ES] Las rizobacterias promotoras del crecimiento vegetal (PGPR) son microbios beneficiosos que habitan en el suelo y forman asociaciones estrechas con las raíces de las plantas, mejorando significativamente su crecimiento y salud general. Estos microorganismos promueven el desarrollo a través de múltiples mecanismos, incluida la producción de fitohormonas y enzimas que movilizan nutrientes esenciales como el fósforo y el potasio, aumentando su biodisponibilidad. Esta actividad estimula el crecimiento de las raíces, mejora la eficiencia en la absorción de nutrientes y, en última instancia, aumenta el vigor de la planta. Además de la movilización de nutrientes, las PGPR desempeñan un papel central en la fijación biológica de nitrógeno, convirtiendo el nitrógeno atmosférico en formas utilizables por las plantas, y contribuyen a la resistencia contra enfermedades al suprimir patógenos transmitidos por el suelo. Esta supresión ocurre a través de varios mecanismos, incluida la producción de compuestos antimicrobianos, la exclusión competitiva en la superficie de la raíz y la activación del sistema inmunitario de la planta mediante la inducción de resistencia sistémica. Algunas cepas de PGPR también mejoran la tolerancia a la sequía mediante la modulación de la actividad de las acuaporinas y el aumento de la retención de agua en el suelo. A pesar de su potencial como alternativas sostenibles a los fertilizantes y pesticidas químicos, la identificación de nuevas cepas de PGPR sigue siendo un cuello de botella importante. Los enfoques tradicionales de screening son laboriosos y a menudo no logran capturar la complejidad molecular de las interacciones planta-microbio. Para superar este desafío, esta tesis desarrolló un framework basado en aprendizaje automático para la detección de PGPR. Se implementó un pipeline de machine learning en Python que integra dos clasificadores basados en las respuestas transcriptómicas de las plantas, permitiendo la identificación predictiva del potencial PGPR en aislados bacterianos. Esta tesis integra el aprendizaje automático, el perfilado transcriptómico y ensayos fisiológicos para obtener información sobre la base molecular de las interacciones planta – bacteria utilizando el tomate como planta modelo, y permite la detección y identificación de PGPR.

[EN] Plant growth-promoting rhizobacteria (PGPR) are beneficial soil-dwelling microbes that form close associations with plant roots, significantly enhancing plant growth and overall health. These microorganisms promote development through multiple mechanisms, including the production of phytohormones and enzymes that mobilize essential nutrients such as phosphorus and potassium, thereby increasing their bioavailability. This activity stimulates root growth, improves nutrient uptake efficiency, and ultimately enhances plant vigor. In addition to nutrient mobilization, PGPR plays a central role in biological nitrogen fixation, converting atmospheric nitrogen into plant-usable forms, and contributes to disease resistance by suppressing soil-borne pathogens. This suppression occurs through various mechanisms, including the production of antimicrobial compounds, competitive exclusion at the root surface, and the activation of the plant immune system via induced systemic resistance. Certain PGPR strains also improve drought tolerance by modulating aquaporin activity and enhancing soil water retention. Despite their potential as sustainable alternatives to chemical fertilizers and pesticides, the identification of novel PGPR strains remains a major bottleneck. Traditional screening approaches are labor-intensive and often fail to capture the molecular complexity of plant – microbe interactions. To address this challenge, this thesis developed a machine learning-driven framework for PGPR screening. A Python-based machine learning pipeline was implemented to integrate two classifiers based on plant transcriptomic responses, enabling predictive identification of PGPR potential in bacterial isolates. This thesis integrates machine learning, transcriptomic profiling, and physiological assays to gain insights into the molecular basis of plant-bacteria interactions using tomato as a model plant and enable PGPR screening and identification.