La validación de ensayos diagnósticos en la detección de patógenos de plantas es un área crítica de investigación. Requiere el uso de controles negativos y positivos que contengan una cantidad conocida del patógeno objetivo, que son elementos cruciales al calcular la sensibilidad y especificidad analíticas, entre otras métricas de rendimiento diagnóstico. La Secuenciación de Alto Rendimiento (HTS) es un método que permite la detección simultánea de un número teóricamente ilimitado de patógenos de plantas. Sin embargo, la identificación precisa del patógeno a partir de los datos de HTS está directamente relacionada con la pipeline bioinformática utilizada y su efectividad para asignar correctamente las lecturas a sus taxones asociados. Hasta la fecha, no hay consenso sobre la pipeline que debería utilizarse para detectar los patógenos en los datos de HTS, y los resultados a menudo son objeto de revisión y evaluación científica. Por lo tanto, es imperativo establecer recursos de HTS adaptados para evaluar el rendimiento de las pipelines bioinformáticas utilizadas en la detección de patógenos de plantas. Conjuntos de datos artificiales de HTS estandarizados pueden ser utilizados como un punto de referencia al permitir a los usuarios probar sus pipelines para varios escenarios de infección por patógenos, siendo algunos de los más prevalentes las infecciones múltiples, patógenos de baja concentración, mutaciones y nuevas cepas, entre otros. Tener estos conjuntos de datos artificiales de HTS en manos de los validadores de ensayos diagnósticos de HTS puede ayudar a resolver los desafíos encontrados al implementar pipelines bioinformáticas para la detección rutinaria de patógenos. Ofrecer estos conjuntos de datos de HTS puramente artificiales como herramientas de referencia avanzará significativamente la investigación sobre la detección de patógenos de plantas utilizando HTS y permitirá una evaluación más robusta y estandarizada de los métodos bioinformáticos, mejorando así el campo de la detección de patógenos de plantas.