Genomic prediction models based on a large-scale recombinant population allow rapid breeding of desired genotypes

Seit Jahrhunderten verlassen sich Landwirte auf eine langsame, geduldige Kunst, um ihre Ernten zu verbessern: die Kreuzung. Durch die Paarung zweier Pflanzen mit unterschiedlichen Stärken hoffen sie, diese Merkmale in den Nachkommen zu vereinen. Doch die Natur ist unberechenbar, und die genetische Lotterie der traditionellen Züchtung erfordert oft viele Generationen des Pflanzens, Wartens und Auslesens, bevor eine wirklich überlegene Sorte hervorgeht. In einer Ära, in der der Klimawandel und das Bevölkerungswachstum schnellere Lösungen erfordern, stellt dieses langsame Tempo einen Engpass dar. Wissenschaftler suchen schon lange nach einem Weg, in den genetischen Code der Pflanze zu blicken, um vorherzusagen, welche Kombinationen am besten funktionieren werden, noch bevor ein einziger Samen gepflanzt wurde. Dieser Ansatz, bekannt als genomische Vorhersage, nutzt Computermodelle, um abzuschätzen, wie spezifische DNA-Abschnitte das Wachstum, den Ertrag oder die Widerstandsfähigkeit einer Pflanze beeinflussen werden. Die Herausforderung bestand darin, einen Weg zu finden, diese Vorhersagen genau genug zu machen, um die reale Landwirtschaft zu leiten, insbesondere wenn versucht wird, mehrere Ziele gleichzeitig zu erreichen, wie etwa eine Pflanze sowohl ertragreich als auch dürreresistent zu machen.

Ein Forschungsteam hat nun eine leistungsstarke neue Strategie demonstriert, die die Lücke zwischen komplexen genetischen Daten und praktischer Landwirtschaft schließt. Sie begannen mit der Erstellung einer massiven Bibliothek genetischer Vielfalt, einer Sammlung von 2.787 verschiedenen Pflanzenlinien, die aus der Kreuzung einer Spitzenreiter-Reissorte namens „Hitomebore“ mit 19 anderen diversen Reisspendern entstanden sind. Diese große Gruppe, genannt eine Nested Association Mapping Population, diente als detaillierte Karte darüber, wie verschiedene genetische Teile interagieren. Mit diesem umfangreichen Datensatz bauten die Wissenschaftler hochpräzise Computermodelle, die in der Lage sind, den genetischen Code dieser Linien zu lesen und deren Leistung vorherzusagen. Im Gegensatz zu früheren Methoden, die das Ergebnis vielleicht nur erraten, wurden diese Modelle auf den spezifischen genetischen Kombinationen trainiert, die in der Studie vorhanden waren, was es ihnen ermöglichte, die Wirkung spezifischer DNA-Segmente mit bemerkenswerter Präzision abzuschätzen.

Der wahre Test dieser Strategie kam, als die Forscher ihre Modelle nutzten, um einen Züchtungsplan von Grund auf neu zu entwerfen. Anstatt sich auf den Zufall zu verlassen, fragten sie den Computer, um die spezifischen genetischen Kombinationen zu identifizieren, die den Ertrag maximieren und gleichzeitig die natürlichen Kompromisse zwischen verschiedenen Merkmalen bewältigen würden. Die Modelle wiesen sie auf eine Reihe optimaler Linien und einen spezifischen Pfad zu deren Kreuzung hin. Diesem digitalen Bauplan folgend, führten die Forscher die eigentliche Zuchtarbeit durch, indem sie die ausgewählten Pflanzen kreuzten, um neue Generationen von Reis zu erschaffen. Die Ergebnisse bestätigten die Leistungsfähigkeit des Ansatzes: Die neuen Reislinien besaßen exakt die Zielgenotypen, die die Modelle vorhergesagt hatten, und lieferten die gewünschten Verbesserungen in mehreren ertragsbezogenen Merkmalen gleichzeitig. Diese Arbeit zeigt, dass Züchter durch die Kombination einer großen, diversen Ausgangspopulation mit interpretierbaren Vorhersagemodellen schnell Kultivare mit der präzisen genetischen Zusammensetzung konstruieren können, die nötig ist, um den Herausforderungen einer sich verändernden Welt zu begegnen.