Phenotyping part of the target family improves within-family genomic prediction in rice nested association mapping families
يُظهر إعادة تحليل بيانات رسم الخرائط الترابطية المتداخلة للأرز أن التنميط الظاهري لجزء صغير (5-15%) من العائلة المستهدفة ودمج تلك السجلات في نماذج التنبؤ الجينومي يحسن بشكل كبير من القدرة التنبؤية داخل العائلة وإنتاجية السلالات المختارة مقارنة بالاعتماد فقط على العائلات الأخرى أو مرونة النموذج وحدها.
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
يواجه مربو الأرز كل عام سباقاً ضد الزمن والميزانية. فهم يقومون بتهجين أصناف مختلفة من الأرز لإنشاء عائلات جديدة من النباتات، آملين في العثور على سلالات تنتج المزيد من الحبوب. والاختبار النهائي هو زراعة هذه النباتات في الحقل وقياس إنتاجيتها، لكن هذه العملية بطيئة ومكلفة وتتطلب مساحات شاسعة من الأراضي. وبحلول الوقت الذي تصل فيه البيانات، تكون دورة التربية قد انتقلت بالفعل إلى مرحلة أخرى. ولتسريع هذه العملية، يستخدم العلماء التنبؤ الجينومي، وهي طريقة تعتمد على فحص الحمض النووي للنبات لتخمين مدى جودة أدائه قبل زراعته في الحقل. وتنشأ المشكلة عندما يمتلك المربي عائلة جديدة تماماً من سلالات الأرز لم تُختبر في الحقل من قبل؛ فبدون أي سجلات للإنتاجية لهذه العائلة المحددة، يجب على النموذج أن يخمن بناءً على بيانات من عائلات أخرى أقدم. وغالباً ما تكون هذه التخمينات ضعيفة لأن العائلة الجديدة تحمل مزيجاً فريداً من الجينات لا تستطيع البيانات القديمة استيعافه بالكامل.
والسؤال الذي طرحه الباحثون هو كيفية تحسين هذه التخمينات عندما تكون مساحة الحقل محدودة. أمام المربين خياران رئيسيان: يمكنهم استخدام عدد محدود من قطع الأراضي في الحقل لقياس جزء صغير من سلالات العائلة الجديدة، مما يضيف هذه البيانات الطازجة والملائمة إلى النموذج. أو يمكنهم تجاوز العمل الإضافي في الحقل والتحول بدلاً من ذلك إلى نموذج رياضي أكثر تعقيداً يحاول إيجاد أنماط أعمق في البيانات الموجودة. ولم يكن واضحاً أي النهجين يقدم عائداً أفضل على الاستثمار: تكلفة قياس عدد قليل من النباتات الإضافية، أم تكلفة استخدام خوارزمية حاسوبية أكثر تطوراً.
في دراسة حديثة، أعاد باحثون في جامعة هوكايدو مراجعة مجموعة كبيرة من بيانات تربية الأرز لحسم هذا الجدل. فقد ركزوا على خمس عشرة عائلة مختلفة من الأرز، تشترك جميعها في أحد الوالدين ولكن تم تهجينها مع خمسة عشر شريكاً مختلفاً. خلق هذا الإعداد مختبراً مثالياً لاختبار مدى قدرة النموذج على التنبؤ بأداء الأشقاء عندما يمتلك فقط سجلات قليلة من تلك العائلة المحددة. وضع الفريق قاعدة صارمة: كان لديهم ميزانية ثابتة قدرها 2,000 سجل إنتاجية للعمل بها في كل مهمة تنبؤ. ثم اختبروا أربع استراتيجيات مختلفة؛ في استراتيجيتين، استخدموا نموذجاً خطياً قياسياً، وفي الاستراتيجيتين الأخريين، استخدموا نموذجاً غير خطي أكثر مرونة وقدرة على اكتشاف التفاعلات المعقدة بين الجينات. وبالنسبة لنصف هذه الاستراتيجيات، ملأوا ميزانية الـ 2,000 سجل بالكامل ببيانات من العائلات الأربع عشرة الأخرى. أما في النصف الآخر، فقد استقطعوا 100 سجل من العائلات الأخرى واستخدموها لقياس شريحة صغيرة من العائلة المستهدفة نفسها—أي ما يعادل تقريباً 5 إلى 15 بالمائة من السلالات في تلك العائلة الجديدة.
كانت النتائج واضحة ومتسقة؛ إذ أدى قياس جزء صغير من العائلة الجديدة إلى تحسين دقة التنبؤات لبقية أفراد تلك العائلة بشكل كبير. وعندما استبدل الباحثون 100 سجل من العائلات الأخرى بـ 100 سجل من العائلة المستهدفة، تحسنت قدرة النموذج على تصنيف النباتات بشكل ملحوظ. حدث هذا التحسن في كل من النموذج الخطي البسيط والنموذج غير الخطي المعقد. وفي الواقع، تفوق النموذج البسيط، عندما تم تزويده بسجلات قليلة من العائلة الجديدة، على أداء النموذج المعقد الذي لم يتلقَّ أي سجلات من تلك العائلة. ولم يقدم النموذج المعقد وحده، دون أي بيانات جديدة من العائلة المستهدفة، سوى تحسن طفيف يكاد لا يُذكر مقارم بالنموذج البسيط. وجاءت أفضل النتائج عندما جمع الباحثون بين النهجين: باستخدام النموذج المرن مع تضمين الـ 100 سجل من العائلة الجديدة أيضاً.
كما بحثت الدراسة في النتيجة العملية: هل أدت هذه التنبؤات الأفضل فعلياً إلى اختيار نباتات ذات إنتاجية أعلى؟ كانت الإجابة نعم بشكل عام. فعندما اختار المربون أفضل 10 بالمائة من السلالات بناءً على التنبؤات التي تضمنت سجلات العائلة الجديدة، أنتجت تلك السلالات المختارة كمية أكبر من الحبوب في المتوسط مقارنة بالسلالات المختارة بدون تلك البيانات. وكان هذا واضحاً بشكل خاص في أحد موقعي الاختبار في الصين. ومع ذلك، لاحظ الباحثون أن الميزة لم تكن دائماً ذات دلالة إحصائية في الموقع الثاني، مما يشير إلى أن الظروف البيئية يمكن أن تؤثر على مدى فائدة هذه السجلات الإضافية.
ولعل أهم اكتشاف هو أن فائدة قياس عدد قليل من النباتات في العائلة الجديدة كانت قوية وثابتة؛ فقد ثبتت صحتها بغض النظر عما إذا كان الباحثون قد استخدموا النموذج البسيط أو المعقد، وثبتت أيضاً حتى عندما قاموا بتعديل الإعدادات الرياضية للنماذج. وتشير الدراسة إلى أنه بالنسبة لبرامج التربية التي تعمل مع عائلات ذات صلة، فإن الاستراتيجية الأكثر فعالية هي تخصيص جزء صغير من مساحة الحقل لقياس عدد قليل من السلالات من العائلة الجديدة. فهذا الاستثمار الصغير في البيانات يوفر دفعة أقوى لدقة التنبؤ من مجرد الانتقال إلى خوارزمية حاسوبية أكثر تعقيداً. وخلص الباحثون إلى أنه بينما يكون للنماذج المعقدة مكانتها، إلا أنها لا يمكن أن تحل محل قيمة البيانات الواقعية للعائلة المحددة التي يتم تربيتها. وبالنسبة للمربين الذين يحاولون اتخاذ أفضل القرارات بموارد محدودة، فإن المسار الأكثر موثوقية هو قياس القليل من العائلة الجديدة واستخدام هذه المعلومات لتوجيه عملية اختيار بقية السلالات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.