Integrando la Selección Genómica y GWAS para una Agricultura Resiliente: Desarrollo y Validación de Herramientas Genéticas Modernas para Optimizar el Mejoramiento del Maíz Peruano

El maíz (Zea mays) es un cultivo de gran importancia en Perú, no solo por su valor económico y nutricional, sino también por su diversidad genética y su papel en la seguridad alimentaria. El Perú alberga más de 52 razas nativas de maíz, las cuales han sido domesticadas y adaptadas a diversas condiciones agroecológicas. Sin embargo, la producción de este recurso presenta bajos rendimientos y alta vulnerabilidad al cambio climático, lo que limita el aprovechamiento del potencial de las razas locales y retrasa el desarrollo de cultivares más productivos y resilientes. Se plantea como hipótesis que la integración de la Selección Genómica (SG) y los estudios de asociación de todo el genoma (GWAS) lo que permitirá el desarrollo y validación de herramientas genéticas modernas, mejorando la eficiencia y precisión en la selección de accesiones de maíz amiláceo peruano con alto rendimiento y resiliencia a condiciones abióticas adversas. La presente investigación se enmarca dentro de un método experimental, de tipo descriptivo, correlacional y predictivo, integrando información genómica, fenotípica y ambiental mediante herramientas de big data y machine learning, con el fin de desarrollar y validar modelos de selección genómica y análisis de asociación del genoma completo aplicados al maíz amiláceo peruano. El objetivo principal es desarrollar y validar herramientas genéticas modernas basadas en Selección Genómica (SG) y estudios de asociación de todo el genoma (GWAS por sus siglas en inglés) para mejorar la eficiencia del fitomejoramiento en maíz amiláceo peruano. Los objetivos específicos: Desarrollar modelos de Selección Genómica (SG) basados en marcadores SNP y caracteres morfoagronómicos para predecir el desempeño de accesiones de maíz amiláceo peruano en diversas condiciones ambientales; realizar un análisis de asociación del genoma completo (GWAS) para identificar loci vinculados a caracteres agronómicos clave como rendimiento y adaptación a climas variables; validar los modelos de SG y GWAS en ensayos de campo y ambientes controlados en diferentes zonas agroecológicas para determinar su aplicabilidad en la mejora genética del maíz; y proponer un esquema de implementación de herramientas genéticas modernas que optimice el mejoramiento del maíz amiláceo, priorizando genotipos adaptados a múltiples condiciones ambientales. Como resultado, se espera generar modelos predictivos basados en datos de GBS y fenotipado para predecir el rendimiento del maíz; realizar una evaluación comparativa de algoritmos como GBLUP, BayesC y Random Forest; identificar marcadores moleculares SNPs clave asociados con el rendimiento, la tolerancia al estrés hídrico y la estructura de planta; y desarrollar una base de datos de marcadores genéticos relevantes para el fitomejoramiento. Asimismo, se busca establecer un esquema de selección asistida por marcadores que integre GWAS y selección genómica en la mejora del maíz peruano, junto con una guía técnica para fitomejoradores con protocolos validados, scripts bioinformáticos para automatizar análisis de GWAS y selección genómica, talleres especializados en bioinformática, genética cuantitativa y mejoramiento asistido por marcadores, y material de difusión técnica dirigido a agricultores y fitomejoradores en el Perú. El proyecto tendrá un impacto ambiental, social y económico positivo. Permitirá una agricultura más sostenible al reducir el uso de agroquímicos, conservar la biodiversidad y aumentar la resiliencia al cambio climático. Además, contribuirá a la seguridad alimentaria, mejorará los ingresos y la calidad de vida de los agricultores, y fortalecerá tanto la preservación cultural del maíz nativo, así como la formación de jóvenes investigadores.