Trait-specific benefits of association-based marker preselection for genomic prediction in slash pine

ليست الغابات مجرد مجموعات من الأشجار؛ بل هي مصانع معقدة تنتج الأخشاب، والورق، ومادة فريدة لزجة تسمى "الأولوريزين" (oleoresin). هذه الراتنج هي المادة الخام للراتنج (rosin) والتربنتين، وهي مكونات أساسية في كل شيء بدءاً من الورنيش وصولاً إلى المواد الكيميائية القائمة على المواد الحيوية. وبالنسبة للمربين الذين يحاولون تحسين هذه الأشجار، فإن العملية هي اختبار للصبر. فخلافاً للمحاصيل التي تنمو في موسم واحد، تستغرق الأشجار مثل صنوبر سلاش (slash pine) عقوداً لتصل إلى مرحلة النضج. قد يزرع المربي بذرة، وينتظر خمسة عشر عاماً حتى تنمو الشجرة بما يكفي لقياس قوة خشبها أو إنتاج الراتنج الخاص بها، وعندها فقط يعرف ما إذا كان اختياراً جيداً. هذا الانتظار الطويل يبطئ التقدم ويجعل من الصعب دمج السمات المرغوبة، مثل النمو السريع، والخشب القوي، وإنتاج الراتنج العالي، في شجرة واحدة متفوقة. ولتسريع الأمور، لجأ العلماء إلى "الانتخاب الجينومي"، وهي طريقة تستخدم الشفرة الوراثية للشجرة للتنبؤ بأدائها المستقبلي. فبدلاً من انتظار نمو الشجرة، يبحث الباحثون في علامات الحمض النووي الخاصة بها — وهي اختلافات طفيفة في تسلسلها الجيني — لتخمين كيف ستكون نتيجها. ومع ذلك، فإن الشفرة الوراية واسعة ومليئة بالضجيج، ومجرد مسح كل قطعة من الحمض النووي ليس فعالاً دائماً. يكمن التحدي في معرفة أي الإشارات الجينية هي الأكثر أهمية لسمات معينة وكيفية استخدامها دون الضياع في البيانات.

في دراسة حديثة ركزت على صنوبر سلاش، سعى الباحثون إلى تحسين عملية التنبؤ هذه. لقد عملوا مع مجموعة مكونة من 240 شجرة، وهي مزيج من أشقاء غير أشقاء (half-siblings) تمت زراعتهم في تجربة ميدانية بالقرب من هانغتشو، الصين. تم قياس هذه الأشجار لاثنتي عشرة خاصية مختلفة، تتراوح بين عرض جذوعها وارتفاع تيجانها إلى صلابة خشبها والتركيب الكيميائي لراتنجها. ثم قام الفريق بتحليل التركيبة الوراثية لكل شجرة، وحددوا أكثر من 53,000 علامة جينية محددة مشتقة من الجينات النشطة للشجرة. وبدلاً من معاملة جميع هذه العلامات بالتساوي، اختبر الباحثون استراتيجية "الانتخاب المسبق". حيث قاموا أولاً بإجراء مسح إحصائي داخل مجموعات صغيرة من بيانات التدريب للعثور على العلامات الأكثر ارتباطاً بكل سمة محددة. ثم استخدموا فقط تلك العلامات الأعلى أداءً لبناء نماذج التنبؤ الخاصة بهم، مما أدى فعلياً إلى تصفية الضجيج الجيني لمعرفة ما إذا كان التركيز الأكثر حدة سيؤدي إلى تخمينات أفضل.

كشفت النت actually أن قيمة هذا النهج المركز تعتمد كلياً على السمة التي يتم التنبؤ بها. بالنسبة لسمات النمو، مثل قطر جذع الشجرة وارتفاعها الإجمالي، أدى استخدام العلامات المختارة مسبقاً إلى فرق كبير. فقد أصبحت النماذج أفضل بشكل ملحوظ في التنبؤ بهذه النتائج، حيث تحسنت دقتها بنسبة تقرب من 12 بالمائة مقارنة باستخدام مزيج عشوائي من العلامات. يشير هذا إلى أنه بالنسبة للنمو، هناك إشارات جينية واضحة ومتكررة يمكن تحديدها مبكراً واستخدامها لتوجيه عملية الانتخاب. أما سمات جودة الخشب، مثل صلابة الخشب، فقد شهدت تحسناً أصغر بكثير، حيث اكتسبت حوالي 2 بالمائة فقط من القدرة التنبؤية. ولم تقدم الاستراتيجية أي فائدة حقيقية لسمات الأولوريزين، أي إنتاج الراتنج ومكوناته الكيميائية. فبالنسبة لهذه السمات الكيميائية المعقدة، كانت الإشارات الجينية ضعيفة للغاية أو غير مستقرة ليتم عزلها بفعالية بواسطة طريقة الانتخاب المسبق، وأدت النماذج أداءً مماثلاً باستخدام مجموعة عشوائية من العلامات.

كما اختبرت الدراسة ما إذا كان إضافة متغيرات جينية محددة عالية الثقة كمدخلات ثابتة في النماذج سيعزز الأداء بشكل أكبر. كانت الفكرة هي أنه إذا كان هناك متغير جيني معين معروف بأن له تأثير كبير، فإن إجبار النموذج على الانتباه إليه قد يحسن التنبؤ. ومع ذلك، وجد الباحثون أن هذا نادراً ما ساعد. ففي معظم الحالات، كان أداء النماذج مماثلاً، أو حتى أفضل، بدون هذه المدخلات المفروضة. بدا أن الشبكة المعقدة من العلاقات بين آلاف العلامات الأخرى قادرة على التقاط المعلومات اللازمة بمفردها. إن إضافة الكثير من القواعد الجينية المحددة قد تؤدي في الواقع إلى إرباك النموذج، خاصة بالنظر إلى العدد الصغير نسبياً من الأشجار المتاحة للتدريب. وكانت الاستثناءات الوحيدة هي بعض السمات المحددة، مثل عرض التاج وبعض كيمياء الراتنج، حيث وفرت إضافة عدد صغير من هذه المتغيرات عالية الثقة تحسناً طفيفاً وهامشياً.

وبعيداً عن الأرقام، نظر الباحثون في القصص البيولوجية وراء العلامات الجينية التي ظهرت بشكل متكرر. ووجدوا أن الجينات المرتبطة بالنمو وتكوين الخشب كانت تشارك في عمليات مثل انقسام الخلايا وإنتاج الطاقة والمكونات البنائية لجدار الخلية. أما الجينات المرتبطة بإنتاج الراتنج، فقد كانت مرتبطة بتكوين الدهون والمركبات الكيميائية المتخصصة. تقدم هذه النتائج فرضية بيولوجية لكيفية عمل هذه السمات، مما يشير إلى أن النمو يعتمد على آليات إنشاء الخلايا، بينما يعتمد إنتاج الراتنج على مسارات أيضية محددة. ومع ذلك، كان الباحثون حذرين في ملاحظتهم أن هذه مجرد اقتراحات بناءً على البيانات وليست حقائق مثبتة. فلم يتم رسم خرائط العلامات الجينية المستخدمة في الدراسة لمواقع محددة على الكروموسومات، لذا لم يتمكنوا من تحديد الجينات الدقيقة، بل فقط العمليات البيولوجية العامة المعنية.

عندما طبق الباحثون أفضل نماذجهم لاختيار أفضل الأشجار لبرنامج تربية، كانت النتائج واعدة ولكنها دقيقة. إذا اختاروا أفضل الأشجار بناءً على تنبؤاتهم الجينية، فإن تلك الأشجار كانت لا تزال تمتلك ما بين 80 إلى 95 بالمائة من الجدارة الوراية التي كان من الممكن العثور عليها لو انتظروا خمسة عشر عاماً لقياس الأشجار مباشرة. وبينما لم يجد الانتخاب الجيني أفضل الأشجار المطلقة ضمن دورة واحدة، إلا أنه قدم ميزة هائلة في الوقت. فمن خلال اختيار الأشجار في سن أصغر بكثير، يمكن تقصير دورة التربية من خمسة عشر عاماً إلى سبعة أعوام فقط. وعند حساب توفير الوقت هذا، يُتوقع أن يكون المعدل السنوي للتحسن الوراثي باستخدام الانتخاب الجينومي ضعف معدل الطرق التقليدية تقريباً. وهذا يعني أنه بينما قد لا تكون الأشجار الفردية المختارة مثالية، فإن السرعة التي يتحسن بها مجتمع الغابة بأكمله يمكن تسريعها بشكل كبير.

تخلص الدراسة إلى أنه بينما يعد الانتخاب الجينومي أداة قوية لصنوبر سلاش، فإنه ليس حلاً واحداً يناسب الجميع. فالاستراتيجية الأكثر فعالية تعتمد على السمة المحددة المراد تحسينها. فبالنسبة للنمو، يعمل النهج المستهدف الذي يفلتر العلامات الجينية الأكثر صلة بشكل أفضل. أما بالنسبة للراتنج وجودة الخشب، فإن فوائد هذا التصفية ضئيلة، وقد تكفي النماذج الأبسط. يسلط البحث الضوء على أن مستقبل تربية الأشجار يكمن في تطويع هذه الأدوات عالية التقنية لتناسب البيولوجيا الفريدة لكل سمة، باستخدام الشفرة الجينية لتقصير مدة الانتظار دون التضحية بجودة الغابة النهائية. ويتطلب المسار المستقبلي المزيد من الاختبار عبر بيئات وأجيال مختلفة لتأكيد هذه المكاسب، لكن القدرة على تحويل كيفية إدارة هذه الأشجار الصناعية الحيوية أصبحت أكثر وضوحاً.