La compatibilità d’innesto è un aspetto molto importante per il successo agronomico di un impianto di ciliegio dolce, poiché influenza vigoria, produttività, qualità dei frutti e longevità dell’impianto stesso.
Nonostante l’ampio impiego di portinnesti clonali e ibridi, i meccanismi biologici alla base della compatibilità tra portinnesto e marza restano in parte non del tutto chiari, soprattutto nei casi di incompatibilità tardiva, tipica di molte combinazioni con Prunus mahaleb.
In questo contesto si inserisce un recente studio che propone un approccio integrato tra valutazioni anatomiche tradizionali e tecniche di machine learning per identificare portinnesti compatibili con le cultivar di ciliegio ‘0900 Ziraat’ e ‘Lambert’.
Otto genotipi locali (tre ciliegi dolci, tre ciliegi acidi e due P. mahaleb) raccolti nella regione turca di Giresun, area di origine del ciliegio, sono stati confrontati con i portinnesti standard Gisela 6 e SL 64.
La compatibilità è stata valutata 12 mesi dopo l’innesto attraverso parametri morfologici (crescita delle gemme, lunghezza dei germogli, rapporto diametro portinnesto/marza), anatomici (formazione del callo, continuità cambiale, necrosi) e fisiologici (accumulo di amido, defogliazione e scolorimento fogliare).
I risultati mostrano differenze marcate tra i genotipi: Gisela 6 si distingue per l’elevata formazione di callo, la continuità del cambio, l’alta percentuale di attecchimento delle gemme (oltre l’80%) e la ridotta presenza di necrosi e accumuli di amido, tutti indicatori di buona integrazione vascolare tra portinnesto e marza.
Foto interna 1. Sviluppo dell'innesto su combinazioni varietà/portinnesto dopo 12 mesi. (A ed E):08 K 056/0900 Ziraat, (B ed F):55 K 104/Lambert, (C e G): 55 V 004/0900 Ziraat, (D ed H): Gisela 6/0900 Ziraat. Fonte: Aydin et al., 2026
Al contrario, i genotipi 28 M 005 e 52 M 003 hanno evidenziato scarsa crescita dei germogli, bassa continuità cambiale e forte accumulo di amido in prossimità del punto d’innesto, segnali tipici di incompatibilità fisiologica.
L’innovazione principale dello studio risiede nell’applicazione combinata di analisi multivariate (PCA con clustering), modelli Random Forest con interpretazione SHAP, e ranking bayesiano.
La PCA ha permesso di distinguere gruppi di genotipi con comportamenti simili, isolando Gisela 6 come portinnesto con profilo fenotipico unico e altamente compatibile.
Il modello Random Forest ha individuato come variabili più influenti la crescita delle gemme, la continuità del cambio e la capacità di formare callo, confermando l’importanza dei processi di rigenerazione dei tessuti nell’attecchimento dell’innesto.
Foto interna 2. Sviluppo dei germogli in combinazioni varietà/portinnesto. (A e D):08 K 056/0900 Ziraat, (B e E):55 K 104/Lambert, (C e F): 55 V 004/0900 Ziraat. Fonte: Aydin et al., 2026
L’analisi SHAP ha inoltre chiarito la direzione dell’effetto delle variabili: valori elevati di crescita delle gemme e formazione del callo aumentano la probabilità di compatibilità, mentre alti livelli di necrosi e scolorimento fogliare tendono a ridurla.
Infine, il modello bayesiano ha fornito una classifica probabilistica dei portinnesti, tenendo conto dell’incertezza statistica.
Gisela 6 ha mostrato una probabilità superiore al 95% di essere il miglior portinnesto, seguito da 55 K 104 e SL 64, mentre 28 M 005 è risultato il meno compatibile.
Sebbene i risultati offrano preziose informazioni sulla compatibilità d'innesto nelle fasi iniziali, va sottolineato che nello studio non sono state valutate caratteristiche agronomiche a lungo termine quali resa, qualità dei frutti e resistenza allo stress.
Dal punto di vista applicativo, i risultati dimostrano che l’integrazione tra osservazioni anatomiche e strumenti di machine learning consente una valutazione robusta della compatibilità d’innesto, superando i limiti delle sole analisi descrittive tradizionali.
Questi risultati confermano l’affidabilità di Gisela 6 come portinnesto per il ciliegio dolce e mostrano nuovi genotipi promettenti per programmi di miglioramento genetico.
Inoltre, l’approccio proposto apre la strada a sistemi decisionali più oggettivi nella scelta dei portinnesti, basati su modelli predittivi che tengono conto della complessità delle interazioni tra marza e portinnesto.
Fonte: Aydın, E., Cengiz, M. A., Er, E., & Demirsoy, H. (2025). Identifying graft incompatible rootstocks for sweet cherry through machine learning algorithms. PLoS One, 20(10), e0332889. https://doi.org/10.1371/journal.pone.0332889
Fonte immagine apertura: Stefano Lugli
Fonte immagini interne: Aydin et al 2026
Andrea Giovannini
Dottore di Ricerca in Scienze e Tecnologie Agrarie, Ambientali e Alimentari - Arboricoltura Generale e Coltivazioni Arboree, Università di Bologna, IT
09 lug 2024
Lo studio si è concentrato sulle cultivar Kordia, Lapins e Büttner’s Red. I nòccioli sono stati scansionati ed analizzati. Esaminando texture e caratteristiche geometriche lo studio ha sviluppato modelli discriminativi capaci di identificare le cultivar con alta precisione.
10 gen 2025
Secondo una lunga causa giudiziaria tra il governo canadese e alcune aziende frutticole di Washington, sono necessarie diverse forme di screening del DNA, anni di esperimenti sul campo e una sentenza di un giudice federale.
31 lug 2026
Un sistema open source con dendrometri a basso costo monitora in tempo reale crescita del fusto, stress idrico e fabbisogno irriguo di melo, ciliegio acido e pesco. La soluzione basata su Arduino migliora precisione, sostenibilità e gestione dell’acqua nei frutteti moderni.
31 lug 2026
In Polonia la stagione delle ciliegie registra rese fino al 50% del raccolto record 2025. Caldo, gelate, siccità e importazioni eccessive comprimono prezzi e vendite, mentre i produttori puntano su celle frigorifere, qualità e raccolta fai da te per difendere i margini.
