Autor: KHOULALI, Celia

Título: Exploring Cell Wall Dynamics in Crops: Fruit Quality, Abiotic Stress Response and Machine Learning Modelling

Fecha: 2025

Materia: ---

Escuela: E.T.S. DE INGENIERÍA AGRONÓMICA, ALIMENTARIA Y DE BIOSISTEMAS

Departamento: BIOTECNOLOGIA-BIOLOGIA VEGETAL

Acceso electrónico: https://oa.upm.es/89844/

Director/a(s):

• Director/a: MIEDES VICENTE, Eva

Resumen: The food industry is increasingly challenged by climate change, shifting consumer demands, and the urgent need for sustainable agricultural practices. Addressing these issues requires a more comprehensive understanding of plant biology to develop crop varieties that are resilient, productive, and nutritionally enhanced. Some crops, such as tomato and onion, are highly produced and consumed, particularly in the Mediterranean diet, where they play a significant role. Their rich content of bioactive compounds makes them especially interesting for human health. Abiotic stresses like heat, salinity, and drought are major threats to agricultural productivity. The dynamics of the plant Cell Wall (CW) are fundamental to regulating growth, fruit quality, and abiotic stress tolerance. Elucidating these processes offers valuable avenues for crop improvement, particularly through the exploitation of genetic diversity from wild relatives. This thesis aims to advance our understanding of CW dynamics by focusing on the role of Cell Wall Enzymes (CWEs) in plant growth, fruit quality, and stress responses. These findings contribute to strategies for improving cultivated tomato varieties while exploring innovative modelling approaches to predict plant growth using complementary model systems such as onion. To address this, we used two plant models: Allium cepa (onion) and Solanum lycopersicum (tomato). For onion, the commercial cultivars 'Grano' and 'Spring' were used to develop a predictive growth model. The onion epidermal layers served as an integrative system to investigate growth stages through CW analysis, employing Machine Learning (ML) modelling. For tomato, ten accessions were selected, including S. lycopersicum var. lycopersicum, S. lycopersicum var. cerasiforme and S. pimpinellifolium. This research characterised tomato accessions by evaluating agro-morphological, biochemical traits, and CW dynamics, focusing on fruit quality and stress tolerance. The expression of six CWEs was analysed to link gene expression with CW composition and fruit quality. Physiological responses to saline and osmotic stress were also examined, with correlations drawn through PCA. The study identified significant genetic and phenotypic variability among wild and cultivated tomato accessions, affecting fruit traits, production, and biochemical composition. Wild accessions showed distinct differences in the agro-morphological traits and higher protein, antioxidant, and phenolic content, along with unique CWE expression patterns that influenced fruit texture and nutritional quality. Under stress, variability in physiological parameters was observed, with some accessions showing enhanced tolerance. Photosynthetic pigments content fluctuated under osmotic stress, while stress-related gene expression highlighted complex regulatory networks. Accessions from similar climatic regions showed comparable stress responses, suggesting a genetic basis for stress tolerance. The study on onion revealed key insights into the dynamics of CW growth in onion epidermis, showing structural, biochemical and molecular variations across developmental layers. ML models successfully integrated FTIR data, biochemical parameters, and gene expression profiles. These models achieved high accuracy in predicting growth stages, demonstrating the potential of data-driven approaches for plant analyses, in particular, CW dynamics. This thesis enhances the understanding of genetic resources for tomato improvement by characterising phenotypic, biochemical, and physiological traits in cultivated and wild accessions. It highlights the role of wild relatives in improving fruit quality and stress tolerance, crucial for sustainable tomato agriculture, and meeting the challenges posed by climate change. The integration of ML models for analysing CW dynamics offers innovative tools for predicting growth stages and advancing plant research and crop improvement. RESUMEN La industria alimentaria se enfrenta cada vez más a retos derivados del cambio climático, las demandas de los consumidores y la necesidad urgente de prácticas agrícolas sostenibles. Abordar estos problemas requiere una comprensión más amplia de la biología vegetal para desarrollar variedades de cultivos que sean resilientes, productivas y nutricionalmente mejoradas. Algunos cultivos, como el tomate y la cebolla, son altamente producidos y consumidos, especialmente en la dieta mediterránea, donde desempeñan un papel nutricionalmente importante. Sin embargo, los estreses abióticos como el calor, la salinidad y la sequía son amenazas importantes para la productividad agrícola. La dinámica de la pared celular (CW, en inglés) es fundamental para regular el crecimiento, la calidad de los frutos y la tolerancia a estos estreses. Caracterizando estos procesos se abren valiosas vías para la mejora de cultivos, especialmente a través de la explotación de la diversidad genética de sus parientes silvestres. Esta tesis explora el papel de las enzimas de la pared celular (CWEs) en el crecimiento vegetal, la calidad del fruto y la respuesta al estrés abiótico, con el objetivo de mejorar variedades de tomate. Además, se incorporan enfoques innovadores como el Machine Learning (ML) para predecir el crecimiento de plantas usando modelos como el bulbo de cebolla. El estudio se llevó a cabo utilizando cebolla y tomate como modelos vegetales. En cebolla (Allium cepa L.), las células epidérmicas del bulbo permitieron caracterizar etapas de crecimiento analizando la CW, apoyados en modelos de ML. En tomate, se estudiaron diez accesiones de distintas variedades (Solanum lycopersicum var. lycopersicum, S. lycopersicum var. cerasiforme y S. pimpinellifolium), evaluando características agromorfológicas, bioquímicas, nutracéuticas y moleculares de la CW. Se analizó la expresión de seis CWEs y su relación con la composición de la CW y la calidad del fruto. Además, se estudiaron las respuestas fisiológicas y moleculares al estrés salino y osmótico, estableciendo correlaciones mediante análisis de componentes principales. El estudio identificó una variabilidad genética y fenotípica significativa entre las accesiones silvestres y cultivadas de tomate, lo que afecta a las características del fruto como la producción y la composición. Las accesiones silvestres mostraron un mayor contenido de compuestos nutricionales, junto con patrones únicos de expresión de CWEs que influyeron en la calidad del fruto. Bajo condiciones de estrés abiótico, se observó variabilidad fisiológica entre accesiones, destacándose algunas como SLC2 y SP7 por su mayor tolerancia. El estrés osmótico afectó el contenido de pigmentos fotosintéticos, y la expresión génica de CWEs, vinculada al estrés hídrico, reveló la existencia de redes regulatorias complejas. Las accesiones de regiones climáticas similares mostraron respuestas al estrés comparables, lo que apunta a una base genética compartida para la tolerancia al estrés abiótico. En cebolla, se evidenció la dinámica del crecimiento de la CW en la epidermis, con variaciones estructurales, bioquímicas y moleculares entre las capas. Los modelos de ML integraron con éxito datos de caracterización de la CW por FTIR, composición de la CW y expresión génica de CWEs, logrando alta precisión en la predicción del estado de crecimiento. Esto resalta el potencial de los enfoques basados en datos integradores para estudiar la dinámica de la CW en plantas. Los resultados de esta tesis mejoran la comprensión de los recursos genéticos del tomate al caracterizar rasgos clave en accesiones cultivadas y silvestres, destacando el papel de las CWEs en la calidad del fruto y la tolerancia al estrés, aspectos esenciales para una agricultura sostenible frente al cambio climático. Además, la aplicación de modelos de ML analizando la dinámica de la CW, ofrece herramientas innovadoras para predecir las etapas de crecimiento y avanzar en la mejora de los cultivos.