Mutation breeding for quantitative traits in the era of genomic selection
Diese Studie zeigt, dass die genomische Selektion zwar private Mutationen in einzelnen Mutantenlinien nicht direkt vorhersagen kann, aber die induzierte polygene Variation effektiv erfasst, sobald diese Mutationen durch Kreuzung unter Verwandten geteilt werden, und damit eine praktikable Strategie bietet, um Mutationszüchtung in Vorzüchtungsprogramme zu integrieren.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Landwirte und Wissenschaftler verlassen sich seit langem auf zwei unterschiedliche Wege, um Nutzpflanzen zu verbessern. Der erste ist die Selektive Züchtung, eine jahrhundertealte Praxis, bei der die besten Pflanzen aus einem Feld ausgewählt und gekreuzt werden, um ihre wünschenswerten Merkmale zu kombinieren. Diese Methode funktioniert, indem sie die bereits in der Population vorhandenen genetischen Karten neu mischt. Der zweite Weg ist die Mutationszüchtung, eine modernere Technik, die Chemikalien oder Strahlung verwendet, um die DNA von Samen absichtlich zu verändern, in der Hoffnung, völlig neue genetische Karten zu erschaffen, die die Natur nie von selbst produziert hätte. Während die selektive Züchtung die Welt seit Generationen ernährt hat, war die Mutationszüchtung oft ein separater, langsamerer Prozess, bei dem Forscher manuell nach seltenen, vorteilhaften Veränderungen unter tausenden beschädigten Pflanzen suchen mussten. Die Frage, vor der die moderne Landwirtschaft steht, ist, ob diese zwei Welten endlich verschmelzen können: Können die leistungsstarken Computermodelle, die zur Vorhersage des Erfolgs der selektiven Züchtung verwendet werden, auch helfen, das Potenzial der Mutationszüchtung zu bändigen?
Ein Forschungsteam des Scotland's Rural College machte sich daran, dies zu beantworten, indem es eine Methode namens genomische Selektion an zwei Gruppen fortgeschrittener Mutantensorten testte: 190 Weizenlinien und 74 Tomatenlinien. Die genomische Selektion ist ein Werkzeug, das den genetischen Code einer Pflanze nutzt, um deren zukünftige Leistung vorherzusagen – etwa wie viel Korn sie produzieren wird oder wie süß ihre Frucht sein wird –, ohne darauf warten zu müssen, dass die Pflanze vollständig ausgewachsen ist. Die Forscher wollten sehen, ob dieses Werkzeug auch bei Mutantensorten funktionieren kann, die noch nie untereinander gekreuzt wurden, und ob es Züchtern helfen kann, mehrere kleine, vorteilhafte Mutationen in einer einzigen überlegenen Nutzpflanze zu kombinieren. Sie führten auch Computersimulationen durch, um zu sehen, wie sich diese Mutantensorten verhalten würden, wenn sie über mehrere Generationen hinweg mit Wildpflanzen gekreuzt würden, um zu testen, ob die Computermodelle in der Lage wären, diese neuen Mutationen erfolgreich zu verfolgen und zu akkumulieren.
Die Ergebnisse der realen Pflanzenpanels offenbarten eine überraschende Einschränkung. Als die Forscher versuchten, den Wert der mutierten Weizen- und Tomatenlinien allein basierend auf den Mutationen, die jede Linie trug, mittels genomischer Selektion vorherzusagen, scheiterte das Modell. Der Computer konnte die einzigartigen, induzierten Mutationen nicht „sehen“, da diese privat zu jeder einzelnen Linie waren; keine zwei Pflanzen teilten dieselbe neue genetische Veränderung. Stattdessen stammten die Vorhersagen des Modells vollständig aus den genetischen Ähnlichkeiten des Hintergrunds, die die Pflanzen mit ihren ursprünglichen Elternsorten teilten. In der Weizengruppe beispielsweise stammte das Vorhersagesignal aus großen Chromosomenabschnitten, die noch aus der Elternpflanze gemischt waren, und nicht von den neuen Mutationen. In der Tomatengruppe, in der die Mutationen noch einzigartiger waren, fand das Modell keinerlei Vorhersagekraft in den privaten Mutationen. Dieser Befund deutet darauf hin, dass das bloße Sammeln einer Sammlung unabhängiger Mutantensorten nicht ausreicht, um diese fortschrittlichen Vorhersagewerkzeuge zu nutzen; die Mutationen müssen zuerst durch Kreuzung unter Verwandten geteilt werden.
Die Geschichte änderte sich jedoch, als die Forscher betrachteten, was passiert, nachdem diese Mutanten gekreuzt werden. In ihren Computersimulationen erstellten sie Populationen, in denen Mutantensorten mit Wildpflanzen gekreuzt wurden, wodurch die neuen Mutationen in den Nachkommen vermischt und verbreitet wurden. In diesen Szenarien erwies sich die genomische Selektion als ein leistungsstarker Motor für Verbesserungen, aber nur unter spezifischen Bedingungen. Wenn die Mutationen zahlreich waren und eine ausgewogene Mischung aus hilfreichen und schädlichen Veränderungen enthielten, übertraf der computergestützte Ansatz die traditionellen Methoden bei weitem. Nach nur zwei Selektionszyklen erzeugte der computergestützte Ansatz einen genetischen Wert von 2,84, verglichen mit nur 0,45 für die traditionelle Methode, die sich darauf konzentriert, nur die eine größte vorteilhafte Mutation zu finden und zu erhalten. Das Computermodell war erfolgreich, weil es gleichzeitig für viele kleine, vorteilhafte Veränderungen selektieren konnte, während es die schädlichen herausfilterte – eine Aufgabe, die für die manuelle Selektion zu komplex ist.
Die Simulationen zeigten auch, dass der Wert dieses Ansatzes stark von der genetischen Diversität der Ausgangspopulation abhängt. In Szenarien, in denen die natürliche genetische Variation gering war, steigerte die Einführung von mutierten Gründern den genetischen Gewinn über fünf Selektionszyklen hinweg um fast das Siebenfache. In diesen Fällen stellten die neuen Mutationen die einzige Quelle für Verbesserungen dar, und das Computermodell war in der Lage, fast den gesamten Gewinn zu erfassen. Umgekehrt war, wenn die natürliche Variation bereits hoch war, der zusätzliche Nutzen der Mutationen minimal und steigerte den Gewinn nur um etwa fünf Prozent. Dies deutet darauf hin, dass die Mutationszüchtung dann am wertvollsten ist, wenn eine Nutzpflanze an natürlicher Diversität arm geworden ist und die neuen Mutationen ein frisches Reservoir an Merkmalen bieten.
Letztlich klärt die Studie einen entscheidenden Weg für die Verbesserung von Nutzpflanzen. Sie zeigt, dass die genomische Selektion den Wert einer Mutante nicht isoliert vorhersagen kann, da die einzigartigen Mutationen zu selten sind, um von anderen Linien gelernt zu werden. Aber sobald diese Mutanten gekreuzt werden und ihre neuen genetischen Veränderungen beginnen, sich unter Verwandten zu verteilen, können die Computermodelle diese Veränderungen effektiv erfassen und akkumulieren. Dies bietet einen praktischen Weg, die Mutationszüchtung in moderne Vorzüchtungsprogramme zu integrieren: Nutzen Sie die Mutagenese, um neue Diversität zu schaffen, kreuzen Sie die Mutanten, um die Veränderungen zu teilen, und setzen Sie dann die genomische Selektion ein, um die vorteilhaften Merkmale schnell zu stapeln. Dieser Ansatz könnte Züchtern helfen, Nutzpflanzen zu entwickeln, die widerstandsfähiger gegenüber dem Klimawandel sind und in der Lage sind, eine wachsende Weltbevölkerung zu ernähren, indem er das chaotische Potenzial zufälliger Mutationen in ein berechenbares und leistungsfähiges Werkzeug für die Landwirtschaft verwandelt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.