← أحدث الأبحاث
🧬 علم الوراثة

Mutation breeding for quantitative traits in the era of genomic selection

تُظهر هذه الدراسة أنه بينما لا يستطيع الانتخاب الجينومي التنبؤ مباشرة بالطفرات الخاصة في السلالات الطافرة الفردية، فإنه يلتقط بفعالية التباين متعدد الجينات المستحث بمجرد مشاركة هذه الطفرات بين الأقارب من خلال التهجين، مما يوفر استراتيجية قابلة للتطبيق لدمج تربية الطفرات في برامج ما قبل التربية.

المؤلفون الأصليون: Yang, C. J., Sharma, R., Mackay, I., Powell, W.

نُشر 2026-10-28
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

المؤلفون الأصليون: Yang, C. J., Sharma, R., Mackay, I., Powell, W.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

اعتمد المزارعون والعلماء لفترة طويلة على مسارين متميزين لتحسين المحاصيل. المسار الأول هو التربية الانتقائية، وهي ممارسة عمرها قرون تعتمد على اختيار أفضل النباتات من الحقل وتهجينها لدمج صفاتها المرغوبة. تعمل هذه الطريقة عن طريق إعادة خلط "الأوراق الجينية" الموجودة بالفعل في الجمهرة. أما المسار الثاني فهو تربية الطفرات، وهي تقنية أكثر حداثة تستخدم المواد الكيميائية أو الإشعاع لتغيير الحمض النووي للبذور بشكل متعمد، على أمل خلق "أوراق جينية" جديدة لم تنتجها الطبيعة من تلقاء نفسها. وبينما غذت التربية الانتقائية العالم لأجيال، كانت تربية الطفرات غالبًا عملية منفصلة وأبطأ، تعتمد على الباحثين للبحث يدويًا عن التغيرات المفيدة النادرة بين آلاف النباتات المتضررة. والسؤال الذي يواجه الزراعة الحديثة هو ما إذا كان بإمكان هذين العالمين الاندماج أخيرًا: هل يمكن للنماذج الحاسوبية القوية المستخدمة للتنبؤ بنجاح التربية الانتقائية أن تساعد أيضاً مربي النباتات في تسخير الإمكانات الفوضوية للطفرات المستحثة؟

وضع فريق من الباحثين في الكلية الريفية باسكتلندا (SRUC) هدفًا للإجابة على هذا السؤال من خلال اختبار طريقة تسمى "الانتخاب الجينومي" على مجموعتين من النباتات الطافرة المتقدمة: 190 سلالة من القمح و74 سلالة من الطماطم. الانتخاب الجينومي هو أداة تستخدم الشفرة الجينية للنبات للتنبؤ بأدائه المستقبلي، مثل كمية الحبوب التي سينتجها أو مدى حلاوة ثمارها، دون انتظار نمو النبات بالكامل. أراد الباحثون معرفة ما إذا كان بإمكان هذه الأداة العمل على السلالات الطافرة التي لم يتم تهجينها مع بعضها البعض من قبل، وما إذا كان بإمكانها مساعدة المربين على دمج طفرات متعددة صغيرة ومفيدة في محصول واحد متفوق. كما أجروا محاكاة حاسوبية لمعرفة كيف ستتصرف هذه السائل الطافرة إذا تم تهجينها مع نباتات برية عبر عدة أجيال، واختبار ما إذا كانت النماذج الحاسوبية ستنجح في تتبع وتراكم هذه الطفرات الجديدة.

كشفت النتائج من لوحات النباتات الواقعية عن قصور مفاجئ. فعندما حاول الباحثون استخدام الانتخاب الجينومي للتنبؤ بقيمة سلالات القمح والطماطم الطافرة بناءً فقط على الطفرات التي تحملها كل سلالة، فشل النموذج. لم يستطع الحاسوب "رؤية" الطفرات الفريدة والمستحثة لأنها كانت خاصة بكل سلالة على حدة؛ فلا توجد نبتتان تشتركان في نفس التغيير الجيني الجديد. وبدلاً من ذلك، جاءت تنبؤات النموذج بالكامل من أوجه التشابه الجيني الخلفية التي تشترك فيها النباتات مع أصنافها الأصلية. ففي مجموعة القمح، على سبيل المثال، جاءت الإشارة التنبؤية من قطع كبيرة من الكروموسومات التي كانت لا تزال مختلطة من النبات الأصلي. وفي مجموعة الطماطم، حيث كانت الطفرات أكثر تفردًا، لم يجد النموذج أي قوة تنبؤية على الإطلاق في الطفرات الخاصة. يشير هذا الاكتشاف إلى أن مجرد جمع مجموعة من السلالات الطافرة المستقلة ليس كافيًا لاستخدام أدوات التنبؤ المتقدمة هذه؛ بل يجب أولًا مشاركة الطفرات بين الأقارب من خلال التهجين.

ومع ذلك، تغيرت القصة عندما نظر الباحثون إلى ما يحدث بعد تهجين تلك الطفرات. ففي عمليات المحاكاة الحاسوبية، أنشأوا مجموعات حيث تم تهجين السلالات الطافرة مع نباتات برية، مما سمح للطفرات الجديدة بالاختلاط والانتشار عبر النسل. في هذه السيناريوهات، أثبت الانتخاب الجينومي أنه محرك قوي للتحسين، ولكن تحت ظروف محددة. فعندما كانت الطفرات عديدة وتضمنت مزيجًا متوازنًا من التغييرات المفيدة والضارة، تفوق النهج الموجه بالحاسوب على الطرق التقليدية بفارق كبير. فبعد دورتين فقط من الانتخاب، أنتج النهج الجينومي نباتات ذات قيمة جينية بلغت 2.84، مقارنة بـ 0.45 فقط للنهج التقليدي، الذي يركز على البحث عن أكبر طفرة مفيدة واحدة والاحتفاظ بها. نجح النموذج الحاسوبي لأنه استطاع في الوقت نفسه الانتخاب لعدة تغييرات صغيرة ومفيدة مع تصفية التغييرات الضارة، وهي مهمة معقدة للغاية بالنسبة للانتخاب اليدوي.

كما أظهرت عمليات المحاكاة أن قيمة هذا النهج تعتمد بشدة على التنوع الجيني للمجتمع البادئ. ففي السيناريوهات التي كان فيها التباين الجيني الطبيعي منخفضًا، أدى إدخال المؤسسين الطافرة إلى تعزيز المكسب الجيني بمقدار سبعة أضعاف تقريبًا خلال خمس دورات من الانتخاب. في هذه الحالات، كانت الطفرات الجديدة هي المصدر الوحيد للتحسين، وتمكن النموذج الحاسوبي من التقاط معظم ذلك المكسب. وعلى العكس من ذلك، عندما كان التباين الطبيعي مرتفعًا بالفعل، كانت الفائدة المضافة من الطفرات ضئيلة، حيث زادت المكاسب بنسبة خمسة بالمائة فقط. يشير هذا إلى أن تربية الطفرات تكون أكثر قيمة عندما ينفد التنوع الطبيعي الذي يمكن العمل عليه، وعندما توفر الطفرات الجديدة مستودعًا جديدًا من الصفات.

في النهاية، توضح الدراسة مسارًا حاسمًا نحو تحسين المحاصيل. فهي تثبت أن الانتخاب الجينومي لا يمكنه التنبؤ بقيمة سلالة طافرة بمعزل عن غيرها لأن الطفرات الفريدة نادرة جدًا بحيث لا يمكن تعلمها من السلالات الأخرى. ولكن بمجرد تهجين تلك الطفرات وبدء انفصال تغيراتها الجينية الجديدة بين الأقارب، يمكن للنماذج الحاسوبية التقاط وتراكم تلك التغييرات بفعالية. وهذا يوفر مسارًا عمليًا لدمج تربية الطفرات في برامج ما قبل التهجين الحديثة: استخدم الطفرات لإنشاء تنوع جديد، وهجن الطفرات لمشاركة التغييرات، ثم استخدم الانتخاب الجينومي لتكديس الصفات المفيدة بسرعة. يمكن لهذا النهج أن يساعد المربين في تطوير محاصيل أكثر قدرة على مواجهة تغير المناخ وقادرة على إطعام سكان العالم المتزايدين، محولاً الإمكانات الفوضوية للطفرات العشوائية إلى أداة يمكن التنبؤ بها وقوية للزراعة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →