Identificación de patógenos mediante herramientas moleculares que afectan la calidad y vida útil de los frutos en postcosecha. Además, del desarrollo de protocolos para detectar y monitorear la pérdida de sensibilidad a fungicidas, facilitando estrategias de manejo más eficaces, sostenibles y basadas en evidencia para reducir pérdidas económicas y preservar la inocuidad alimentaria.

Modelación de poblaciones utilizando enfoques clásicos frecuentistas y bayesianos, así como herramientas de inteligencia artificial, incluyendo machine learning y deep learning, con el objetivo de identificar y comprender las dinámicas espaciales, temporales y espaciotemporales de los agentes causales de enfermedades relevantes en el contexto agrícola. Esto permite entender el comportamiento de las poblaciones de interés, para desarrollar herramientas de prevención y manejo basadas en evidencia. 

Integración de la participación activa de productores, técnicos y población en general con tecnologías digitales, con el fin de recopilar datos en tiempo real desde distintas regiones, ampliar la cobertura del monitoreo de plagas y enfermedades, y mejorar la capacidad de respuesta ante brotes al promover la vigilancia más colaborativa, eficiente y adaptativa en los sistemas agrícolas.

Estudio de tendencias académicas y científicas, así como de los vacíos de conocimiento y patrones de investigación. Estas herramientas permiten identificar las áreas más investigadas, la evolución temática, las colaboraciones entre autores e instituciones, así como sintetizar cuantitativamente los resultados de estudios previos. De este modo, se obtiene una visión integral del estado del conocimiento en un campo específico, lo que facilita la toma de decisiones estratégicas para orientar futuras investigaciones y fortalecer la base científica en temas prioritarios, garantizando así la eficiencia y eficacia en el desarrollo de proyectos futuros.