Proyectos

Ordenar Resultados
Filtrar por autor
  • Filtrar por Categoría
    Filtrar por tema de intéres
    • FOVI240178
    • Abril 2025 - Marzo 2029
    AdjudicadoAgencia Nacional de Investigación y Desarrollo - ANID

    Plants, with their two-layered immune system, are equipped to combat pathogen invasion. The first layer, Pattern Triggered Immunity (PTI), is a powerful defense mechanism. It relies on Pattern Recognition Receptors (PRRs) to detect Microbe-Associated Molecular Patterns (MAMPs) from microbes, triggering a robust defense response. This response, including signaling cascades, gene expression changes, and production of antimicrobials and defense hormones, contributes to restricting pathogen colonization. PTI activation can trigger a systemic response known as Induced Systemic Resistance (IRS), enhancing plant defenses throughout the organism and leading to Non-Host-Resistance. The potential of PTI activation to enhance a plant's overall defensive capacity is a promising strategy to improve crop health. PTI activation at infection sites triggers the production of mobile signals within the plant, which then spread IRS throughout the plant, enhancing its overall defensive capacity. Flg22 and xyn11, two well-known MAMPs, trigger PTI in tomato, activating various defense responses and, interestingly, including IRS in tomatoes and other plants. Plant roots, often overlooked in discussions of plant immune systems, possess their own immune system, though less potent than leaves. They respond to MAMPs like Flg22 and chitin, but with weaker production of defense chemicals. Despite this difference, roots activate various defenses like PR proteins and callose deposition. Uniquely, roots secrete antifungal secondary metabolites like flavonoids. These root exudates play a crucial role in shaping the surrounding microbiome, attracting beneficial microbes, and possess antimicrobial activity itself. Studies have shown that root exudate composition can be manipulated to influence the soil microbiome and potentially enhance plant growth. This underlines the importance of considering roots in our understanding of plant immune systems, particularly how defense responses are displayed in the root after immune activation in leaves in terms of a systemic immune response. This often overlooked aspect is crucial for a comprehensive understanding of plant immunity. Plants and microbes communicate two-way, establishing an interaction, by instance, plant root exudates influence the composition of the rhizosphere microbiome, which in turn regulates plant growth and immunity. Research suggests that specific bacteria within the rhizosphere microbiome can enhance plant immunity. In fact, transplanting the microbiome from a resistant tomato variety to a susceptible one improved disease resistance. Understanding this plant-microbiome-soil interaction is crucial for developing sustainable agriculture. Our ongoing research investigates how soil type influences tomato immunity and its connection to the soil microbiome. Preliminary results show that different soil types affect the strength of plant immunity responses, even though the overall bacterial types (phyla) are similar. Interestingly, specific bacterial isolates from a soil type with higher immunity were able to directly trigger plant defense mechanisms. Unraveling the intricate interplay between soil type, the rhizosphere microbiome, and tomato immunity holds the key to unlocking sustainable and resilient agricultural practices. This proposal aims to investigate the potential of targeted Pattern-Triggered Immunity (PTI) activation in tomato leaves to enhance plant defense against diverse pathogens. We hypothesize that leaf application of microbial elicitors (flg22 and Xyn11) will trigger PTI, leading to changes in root gene expression and root exudate composition. These alterations are expected to enrich beneficial bacteria in the rhizosphere microbiome, ultimately enhancing resistance against both the foliar pathogen Pseudomonas syringae pv. tomato and the soil-borne pathogen Fusarium oxysporum f.sp. lycopersici. To achieve this, we have defined three specific objectives: 1) Evaluate the impact of leaf-applied elicitors on pathogen susceptibility, root gene expression, root exudate composition, and soil microbiome composition. 2) Develop synthetic exudates mimicking PTI-activated plants and construct synthetic microbial communities potentially containing beneficial bacteria. 3) Assess the effectiveness of leaf-applied elicitors and synthetic microbial communities on the root microbiome and plant health under field conditions. With this, we aim to elucidate the mechanisms by which leaf-based PTI activation influences root-level processes and shapes the rhizosphere microbiome to enhance tomato plant defense against various pathogens. The findings hold promise for developing novel and sustainable strategies for disease management in tomato production.
    Investigador/a Responsable
    • FOVI240178
    • Enero 2025 - Enero 2026
    AdjudicadoAgencia Nacional de Investigación y Desarrollo - ANID

    El constante aumento de la población humana exige una producción de alimentos que sea rápida y sostenible. Debido a esto, los fertilizantes químicos se han utilizado extensamente, a menudo en exceso, lo que genera múltiples problemas. Esto hace que la sostenibilidad agrícola a mediano y largo plazo dependa de la implementación de alternativas más accesibles y ecológicamente seguras. La productividad agrícola mundial se enfrenta a dificultades debido a tensiones humanas, abióticas y ambientales causadas por el cambio climático. Este proyecto busca resolver estos desafíos mediante el estudio de estrategias sostenibles para mejorar la eficiencia en la producción de maíz en el centro-sur de Chile. El proyecto propone evaluar el impacto de estas estrategias en la absorción y removilización de nutrientes, la sanidad vegetal, así como en el rendimiento y calidad del maíz. En Chile, el maíz desempeña un papel vital en la agricultura, tanto en la alimentación humana como animal. Se prevé que los resultados de esta investigación impulsen una producción de maíz más sostenible y resistente ante los retos ambientales y económicos actuales en la región centro-sur de Chile.
    Co-Investigador/a
    • FOVI240178
    • Enero 2025 - Enero 2026
    AdjudicadoAgencia Nacional de Investigación y Desarrollo - ANID

    El constante aumento de la población humana exige una producción de alimentos que sea rápida y sostenible. Debido a esto, los fertilizantes químicos se han utilizado extensamente, a menudo en exceso, lo que genera múltiples problemas. Esto hace que la sostenibilidad agrícola a mediano y largo plazo dependa de la implementación de alternativas más accesibles y ecológicamente seguras. La productividad agrícola mundial se enfrenta a dificultades debido a tensiones humanas, abióticas y ambientales causadas por el cambio climático. Este proyecto busca resolver estos desafíos mediante el estudio de estrategias sostenibles para mejorar la eficiencia en la producción de maíz en el centro-sur de Chile. El proyecto propone evaluar el impacto de estas estrategias en la absorción y removilización de nutrientes, la sanidad vegetal, así como en el rendimiento y calidad del maíz. En Chile, el maíz desempeña un papel vital en la agricultura, tanto en la alimentación humana como animal. Se prevé que los resultados de esta investigación impulsen una producción de maíz más sostenible y resistente ante los retos ambientales y económicos actuales en la región centro-sur de Chile.
    Investigador/a Responsable
    • 23PDT-248765
    • Enero 2025 - Junio 2026
    AdjudicadoUniversidad de O'Higgins

    Este proyecto busca analizar el nivel de competencias digitales en estudiantes universitarios, abordando las brechas de género como un aspecto clave para una educación inclusiva y adaptada a las demandas de la era digital. La temática seleccionada es orden de género, ya que está investigación evaluará los factores asociados a las competencias digitales en estudiantes de primer y último año de la Universidad de O’Higgins, con el propósito de validar su impacto en la formación académica y el desarrollo de una ciudadanía digital activa y responsable. Para alcanzar este objetivo, se utilizará un modelo de ecuaciones estructurales (SEM) que permitirá medir cinco dimensiones de competencias digitales según el Marco Europeo DigComp: alfabetización informacional y de datos, comunicación y colaboración, creación de contenido digital, seguridad y resolución de problemas. Además, se evaluará el efecto moderador del género en la relación entre estas competencias y el nivel de ciudadanía digital, considerando su relevancia en el contexto de la transformación digital. El estudio se desarrollará mediante un enfoque cuantitativo, utilizando un cuestionario validado que será aplicado a una muestra representativa de estudiantes con equidad de género. Los resultados serán analizados a través de SEM con mínimos cuadrados parciales (PLS-SEM) para entender cómo estas competencias impactan la preparación de los y las estudiantes frente a los desafíos digitales actuales. Al finalizar el proyecto, los resultados se compartirán mediante, al menos, una publicación científica de alto impacto, una presentación en congreso, y un seminario de cierre dirigido a la comunidad universitaria, generando una base de conocimiento que apoye el desarrollo de políticas institucionales para reducir las brechas digitales de género en la educación superior.
    Co-Investigador/a
    • PRONEX
    • Enero 2025 - Diciembre 2026
    AdjudicadoMinisterio de Ciencia, Tecnología, Conocimiento e Innovación

    El proyecto busca fortalecer las competencias en Ciencia, Tecnología, Conocimiento e Innovación (CTCI) en comunidades educativas. Este objetivo se enfoca en escuelas públicas de alta vulnerabilidad, promoviendo la integración y valorización de las iniciativas del Programa Explora, y robusteciendo el ecosistema CTCI en la región de O'Higgins. Objetivo General: Contribuir al fortalecimiento de competencias CTCI en comunidades educativas mediante la valorización y apropiación de los instrumentos del Programa Explora, con especial énfasis en establecimientos públicos con altos índices de vulnerabilidad. Objetivos Específicos: Planificar, ejecutar y evaluar actividades que fortalezcan competencias CTCI en estudiantes, docentes y educadores de párvulos mediante la implementación y evaluación de instrumentos del Programa Explora. Diseñar e implementar un plan de acción para integrar las iniciativas del Programa Explora en la gestión educativa de las comunidades. Establecer alianzas estratégicas con actores relevantes del sector público, privado y académico para asegurar la sostenibilidad de las acciones del Programa Explora en colaboración con el ecosistema CTCI.
    Investigador/a Responsable
    • PRONEX
    • Enero 2025 - Junio 2026
    AdjudicadoUniversidad de O'Higgins

    Este proyecto busca analizar el nivel de competencias digitales en estudiantes universitarios, abordando las brechas de género como un aspecto clave para una educación inclusiva y adaptada a las demandas de la era digital. La temática seleccionada es orden de género, ya que está investigación evaluará los factores asociados a las competencias digitales en estudiantes de primer y último año de la Universidad de O’Higgins, con el propósito de validar su impacto en la formación académica y el desarrollo de una ciudadanía digital activa y responsable. Para alcanzar este objetivo, se utilizará un modelo de ecuaciones estructurales (SEM) que permitirá medir cinco dimensiones de competencias digitales según el Marco Europeo DigComp: alfabetización informacional y de datos, comunicación y colaboración, creación de contenido digital, seguridad y resolución de problemas. Además, se evaluará el efecto moderador del género en la relación entre estas competencias y el nivel de ciudadanía digital, considerando su relevancia en el contexto de la transformación digital. El estudio se desarrollará mediante un enfoque cuantitativo, utilizando un cuestionario validado que será aplicado a una muestra representativa de estudiantes con equidad de género. Los resultados serán analizados a través de SEM con mínimos cuadrados parciales (PLS-SEM) para entender cómo estas competencias impactan la preparación de los y las estudiantes frente a los desafíos digitales actuales. Al finalizar el proyecto, los resultados se compartirán mediante, al menos, una publicación científica de alto impacto, una presentación en congreso, y un seminario de cierre dirigido a la comunidad universitaria, generando una base de conocimiento que apoye el desarrollo de políticas institucionales para reducir las brechas digitales de género en la educación superior.
    Investigador/a Responsable
    • 23PDT-248765
    • Diciembre 2024 - Diciembre 2025
    En EjecuciónAgencia Nacional de Investigación y Desarrollo - ANID

    Métodos basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones están permitiendo abordar múltiples problemas en ambientes no controlados como la agricultura, de manera robusta. Por ejemplo, métodos basados en Neural Radiance Fields (NeRF) se están explorando de manera amplia tanto con imágenes satelitales como en problemas de robótica de campo. En este contexto, el proyecto busca aunar competencias en visión computacional y aprendizaje de máquinas, usadas en la detección remota y en robótica, para abordar nuevas técnicas basadas en representaciones neuronales implícitas, para aplicaciones de la agricultura de precisión. Para lograr este objetivo, los investigadores convocados tienen un profundo conocimiento en estas áreas complementarias. Es importante destacar que las áreas de sensado remoto (satelital y drones) y sensado próximo (robots y redes de sensores) están experimentando una aceleración sin precedentes. En el caso de sensado remoto, además de los grandes programas públicos como Sentinel, los actores privados están creando flotas de microsatélites capaces de vigilar la Tierra con revisitas diarias. Estos datos abundantes, baratos y de alta resolución están creando oportunidades para desarrollar aplicaciones novedosas para la supervisión de la actividad agrícola. En el caso del sensado próximo, las redes de sensores, junto con el uso de robots para monitoreo, está permitiendo un seguimiento regular de los procesos agrícolas, con una alta resolución temporal y espacial, por lo que cada vez hay una mayor disponibilidad de datos, que complementan los datos obtenidos mediante sensado remoto. A nivel de uso, estas tecnologías se complementan, y a nivel de investigación, las técnicas utilizadas están empezando a converger, mediante el uso de métodos basados en redes neuronales, y más específicamente por métodos basados en representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF). Por todo esto, el estudio del sensado remoto y próximo de manera conjunta, y mediante marcos de trabajo con técnicas similares como las representaciones neuronales implícitas, tiene un gran potencial para en un futuro próximo generar una visión integrada de los procesos agrícolas mejorando la sostenibilidad y eficiencia en la agricultura. Durante su ejecución, el proyecto llevará a cabo actividades de investigación conjunta, incluyendo seminarios online regulares, la toma de datos en terreno, y un workshop de cierre en el contexto de una conferencia internacional, que junto con el intercambio de investigadores en formación (magíster, doctorado y/o postdoctorado), así como visitas de investigadores senior, buscan articular una de red de trabajo que aborde de manera interdisciplinar y con técnicas modernas, problemáticas de sensado remoto y próximo en agricultura de precisión mediante representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF), entre otras.
    Responsable Alterno
    • FONDO DE INVESTIGACIÓN INTERDISCIPLINARIA
    • Diciembre 2024 - Diciembre 2026
    AdjudicadoUniversidad de O'Higgins

    El proyecto busca aunar competencias en visión computacional y fruticultura, para habilitar la construcción de modelos de crecimiento y madurez de cerezas a partir de modelos 3D construidos a partir de imágenes hiperespectrales. En particular se desarrollarán algoritmos de visión computacional 3D basados en representaciones neuronales implícitas para estimar el color y tamaño de frutos en cerezo durante el ciclo de crecimiento y cosecha, así como para estimar y correlacionar información hiperespectral con variables de calidad, como firmeza y grados brix de los frutos. A partir de estos algoritmos, se desarrollará una metodología para la construcción de modelos de crecimiento de los frutos que aporten a mejorar la calidad de la fruta fresca de exportación. Es importante destacar que métodos de machine learning basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones está permitiendo abordar múltiples problemas en ambientes no controlados en la agricultura, de manera robusta. Por ejemplo, métodos basados en redes neuronales implícitas, tales como Neural Radiance Fields (NeRF) y Deep Signed Functions (DeepSDF) se están explorando para aplicaciones tales como reconstrucción 3D de frutas, árboles y huertos, habilitando aplicaciones de agricultura de precisión, como conteo de frutas y análisis fenológico. Para que el desarrollo de estas aplicaciones tenga un impacto en la agricultura, es necesario el desarrollo de modelos desde una mirada interdisciplinar, considerando tanto métodos del estado del arte de visión computacional y machine learning, así como un conocimiento profundo de fruticultura y en particular de fisiología de los árboles frutales caducos. La calidad de la fruta de exportación es un pilar fundamental de nuestra fruticultura, y desde esa base, se considera importante el desarrollo de herramientas de monitoreo y diagnóstico que permitan predecir calidad y condición de la fruta oportunamente, y sobre todo bajo un escenario de cambio climático. En la temporada 2021-2022, un 20% de las cerezas presentaron serios problemas de calidad en los mercados de destino. De este volumen, un 28-47% se relacionaron con problemas de manejo en precosecha. En la agricultura convencional el uso de datos ha sido limitado a conocer procesos productivos puntuales tales como el monitoreo de variables ambientales o fisiológicas, las que han dado cuenta de un cierto estado del sistema de la planta de manera indirecta. Algunos avances en automatización en la toma de datos se han reportado para la aplicación de riego de precisión. Sin embargo, desde el mundo académico no existe un gran aprovechamiento de los avances en inteligencia artificial para la agronomía. En efecto, la predicción del comportamiento de variables productivas complejas, especialmente aquellas ligadas a la calidad de la fruta representan aún un desafío no resuelto en la industria nacional. En este sentido las técnicas de machine learning han sido utilizadas con éxito para predecir el rendimiento en diversas especies agrícolas, incluyendo frutales. No obstante, la calidad de fruta ha sido escasamente abordada, pese a existir capacidades teóricas. Debido a esto surge la necesidad del desarrollo de herramientas para construir modelos de crecimiento y madurez de cerezas, así como para que los productores puedan hacer seguimiento de su producción, y en particular de la calidad de ésta. Con el objetivo de desarrollar una metodología para la construcción de modelos de desarrollo de cerezas mediante imágenes hiperespectral y modelos computacionales 3D de frutos, y así aportar a la mejora de la calidad de la producción de la cereza, el proyecto propone abordar tres grandes objetivos: ● Diseñar y capturar base de datos de imágenes, de variables agroclimáticas y mediciones fisiológicas. ● Desarrollar métodos de visión computacional y IA para la estimación de calibre, firmeza, color, y grados brix de cerezas. ● Desarrollar, calibrar y validar modelos de crecimiento de cerezas a partir de los resultados obtenidos con los algoritmos de visión computacional y IA desarrollados. Para alcanzar estos objetivos, los investigadores convocados tienen un profundo conocimiento en las áreas complementarias desde la ingeniería (visión computacional, machine learning y robótica), y la fruticultura (fisiología de los árboles frutales caducos, sistemas de conducción, portainjertos, y gestión de huertos).
    Responsable Alterno
    • FOVI240258
    • Diciembre 2024 - Diciembre 2025
    AdjudicadoAgencia Nacional de Investigación y Desarrollo - ANID

    Vinculación internacional con la Universidad autonoma de Barcelona (Francisco Perez) y nacional con la Universidad de Chile (Daniela Luna) para el estudio de destetes prematuros en cerdos producidos intensivamente y su relación con afecciones fisiológicas y de bienestar.
    Co-Investigador/a
    • FOVI240258
    • Diciembre 2024 - Diciembre 2025
    AdjudicadoAgencia Nacional de Investigación y Desarrollo - ANID

    Vinculación internacional con la Universidad autonoma de Barcelona (Francisco Perez) y nacional con la Universidad de Chile (Daniela Luna) para el estudio de destetes prematuros en cerdos producidos intensivamente y su relación con afecciones fisiológicas y de bienestar.
    Co-Investigador/a