Американские исследователи разработали комплексную систему, которая позволяет точно отслеживать и прогнозировать распространение пыльцы генетически модифицированных растений в атмосфере. Метод объединяет использование флуоресцентных биомаркеров, беспилотников для сбора проб воздуха, наземных ловушек и моделей атмосферного переноса. Результаты исследования, проведённого Политехническим университетом Виргинии, опубликованы в журнале Environmental Monitoring and Assessment.
В ходе эксперимента учёные генетически модифицировали просо прутьевидное (switchgrass) – популярную биоэнергетическую культуру. В его пыльцу встроили оранжевый флуоресцентный белок, который светится при специальном анализе. Это позволило безошибочно отличать пыльцу с опытного поля от любой другой, присутствующей в окружающей среде.
Для сбора данных команда задействовала дроны, оснащённые пробоотборниками воздуха. Беспилотники летали над полем и по ветру от него на разной высоте. Одновременно работала сеть наземных уловителей, что позволило составить трёхмерную картину распространения пыльцы. Все замеры сопоставляли с подробными метеорологическими данными, включая скорость и направление ветра, температуру и влажность.
Исследование показало, что наиболее активно пыльца выделяется в ранние послеполуденные часы. Ключевым фактором её переноса оказался ветер. При этом стандартные модели, использующие усреднённые за длительный период данные о ветре, давали неточные прогнозы. Моделирование становилось значительно точнее, когда в расчётах учитывали краткосрочные изменения направления и скорости воздушных потоков, особенно при слабом или переменчивом ветре.
Новый подход позволяет не просто зафиксировать наличие пыльцы в воздухе, а понять, как она туда попала и куда переместится дальше в зависимости от погоды. Эта информация критически важна для сельскохозяйственных биотехнологов и регуляторов. Она поможет оценивать риски перекрёстного опыления ГМО-культур с соседними полями или дикими сородичами и грамотно планировать их размещение.
Разработчики отмечают, что технологию можно масштабировать и для других задач. Например, для более точного прогнозирования распространения сезонных аллергенов, патогенов растений или мелких насекомых-вредителей, для которых физические барьеры не являются преградой.