Efectos del deterioro producido por Diaporthe phaseolorum var. sojae sobre la calidad química del grano de soja

En la actualidad, la soja constituye la fuente más importante de aceite comestible y proteínas vegetales de alta calidad. Por tal motivo, el desarrollo de variedades con una composición química mejorada para satisfacer los requerimientos de la industria alimentaria se ha convertido, en los últimos años, en un objetivo prioritario para numerosos grupos de investigación. Existen tres factores principales que determinan la calidad química del grano de soja: a) los contenidos de proteínas y aceite, b) la composición química de los mismos, y c) el aspecto físico de la semilla. Ambos parámetros (físicos y químicos) son, definitivamente, los factores de mayor incidencia para establecer las pautas de comercialización. (...) Objetivos: 1) Analizar los contenidos de lípidos y proteínas, las composiciones acídicas y de esteroles y diferentes índices de los aceites en seis cultivares de soja sometidos a deterioro patológico inducido por Diaporthe phaseolorum var. sojae. 2) Evaluar la influencia de diferentes niveles de deterioro fúngico sobre los parámetros mencionados anteriormente. 3) Identificar y proponer el empleo de cultivares resistentes como método de control contra el hongo mencionado. Desafortunadamente, en nuestro país no existe información acerca de la influencia de diferentes niveles de deterioro por patógenos, en particular Diaphorthe phaseolorum var. sojae, sobre la composición química del grano de soja. Resulta entonces de fundamental importancia determinar el nivel aceptable de daño fúngico en granos destinados a consumo humano. En relación a los métodos utilizados para el control de hongos fitopatógenos, el de mayor practicidad y economía es el empleo de cultivares resistentes. Debido a que los mecanismos de resistencia al deterioro son regulados genéticamente, una vez identificados se podrán incorporar a cultivares de alta calidad alimenticia mediante los programas de mejoramiento genético que lleva a cabo el INTA.

Modelos Mixtos-Aditivos Generalizados para el Estudio de Fenómenos Biológicos y Sociales Descriptos por Datos Agregados y/o Longitudinales. Generalized Mixed Additive Models for the Study of Biological and Social Phenomenons from Longitudinal and/or Aggregated Data.

Este proyecto propone extender y generalizar los procesos de estimación e inferencia de modelos aditivos generalizados multivariados para variables aleatorias no gaussianas, que describen comportamientos de fenómenos biológicos y sociales y cuyas representaciones originan series longitudinales y datos agregados (clusters). Se genera teniendo como objeto para las aplicaciones inmediatas, el desarrollo de metodología de modelación para la comprensión de procesos biológicos, ambientales y sociales de las áreas de Salud y las Ciencias Sociales, la condicionan la presencia de fenómenos específicos, como el de las enfermedades.Es así que el plan que se propone intenta estrechar la relación entre la Matemática Aplicada, desde un enfoque bajo incertidumbre y las Ciencias Biológicas y Sociales, en general, generando nuevas herramientas para poder analizar y explicar muchos problemas sobre los cuales tienen cada vez mas información experimental y/o observacional.Se propone, en forma secuencial, comenzando por variables aleatorias discretas (Yi, con función de varianza menor que una potencia par del valor esperado E(Y)) generar una clase unificada de modelos aditivos (paramétricos y no paramétricos) generalizados, la cual contenga como casos particulares a los modelos lineales generalizados, no lineales generalizados, los aditivos generalizados, los de media marginales generalizados (enfoques GEE1 -Liang y Zeger, 1986- y GEE2 -Zhao y Prentice, 1990; Zeger y Qaqish, 1992; Yan y Fine, 2004), iniciando una conexión con los modelos lineales mixtos generalizados para variables latentes (GLLAMM, Skrondal y Rabe-Hesketh, 2004), partiendo de estructuras de datos correlacionados. Esto permitirá definir distribuciones condicionales de las respuestas, dadas las covariables y las variables latentes y estimar ecuaciones estructurales para las VL, incluyendo regresiones de VL sobre las covariables y regresiones de VL sobre otras VL y modelos específicos para considerar jerarquías de variación ya reconocidas. Cómo definir modelos que consideren estructuras espaciales o temporales, de manera tal que permitan la presencia de factores jerárquicos, fijos o aleatorios, medidos con error como es el caso de las situaciones que se presentan en las Ciencias Sociales y en Epidemiología, es un desafío a nivel estadístico. Se proyecta esa forma secuencial para la construcción de metodología tanto de estimación como de inferencia, comenzando con variables aleatorias Poisson y Bernoulli, incluyendo los existentes MLG, hasta los actuales modelos generalizados jerárquicos, conextando con los GLLAMM, partiendo de estructuras de datos correlacionados. Esta familia de modelos se generará para estructuras de variables/vectores, covariables y componentes aleatorios jerárquicos que describan fenómenos de las Ciencias Sociales y la Epidemiología.