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

Durante siglos, los agricultores han dependido de un arte lento y paciente para mejorar sus cultivos: el cruce de variedades. Al aparear dos plantas con diferentes fortalezas, esperan combinar esos rasgos en la descendencia. Pero la naturaleza es impredecible, y la lotería genética de la cría tradicional a menudo requiere muchas generaciones de siembra, espera y selección antes de que surja una variedad verdaderamente superior. En una era donde el cambio climático y el crecimiento demográfico exigen soluciones más rápidas, este ritmo pausado representa un cuello de botella. Los científicos han buscado durante mucho tiempo una forma de mirar dentro del código genético de la planta para predecir qué combinaciones funcionarán mejor antes de que se siembre siquiera una semilla. Este enfoque, conocido como predicción genómica, utiliza modelos informáticos para estimar cómo piezas específicas de ADN influirán en el crecimiento, el rendimiento o la resiliencia de una planta. El desafío ha sido encontrar una manera de hacer que estas predicciones sean lo suficientemente precisas como para guiar la agricultura real, especialmente cuando se intenta equilibrar múltiples objetivos a la vez, como lograr que un cultivo sea tanto de alto rendimiento como resistente a la sequía.

Un equipo de investigadores ha demostrado ahora una nueva y poderosa estrategia que cierra la brecha entre los complejos datos genéticos y la agricultura práctica. Comenzaron creando una enorme biblioteca de variedad genética, una colección de 2.787 líneas de plantas distintas derivadas del cruce de una variedad de arroz de alto rendimiento conocida como 'Hitomebore' con otros 19 donantes de arroz diversos. Este gran grupo, llamado población de mapeo de asociación anidada, sirvió como un mapa detallado de cómo interactúan las diferentes piezas genéticas. Utilizando este extenso conjunto de datos, los científicos construyeron modelos informáticos altamente precisos capaces de leer el código genético de estas líneas y predecir su rendimiento. A diferencia de los métodos anteriores que podrían adivinar el resultado, estos modelos fueron entrenados con las combinaciones genéticas específicas presentes en el estudio, lo que les permitió estimar el efecto de segmentos específicos de ADN con una precisión notable.

La verdadera prueba de esta estrategia llegó cuando los investigadores utilizaron sus modelos para diseñar un plan de cría desde cero. En lugar de confiar en el azar, le pidieron al ordenador que identificara las combinaciones genéticas específicas que maximizarían el rendimiento mientras gestionaba las compensaciones naturales entre diferentes rasgos. Los modelos los orientaron hacia un conjunto de líneas óptimas y un camino específico para cruzarlas. Siguiendo este plano digital, el equipo llevó a cabo el trabajo de cría real, cruzando las plantas seleccionadas para crear nuevas generaciones de arroz. Los resultados confirmaron el poder del enfoque: las nuevas líneas de arroz poseían los genotipos objetivo exactos que los modelos habían predicho, ofreciendo las mejoras deseadas en múltiples rasgos relacionados con el rendimiento simultáneamente. Este trabajo demuestra que, al combinar una población inicial grande y diversa con modelos de predicción interpretables, los fitomejoradores pueden construir rápidamente cultivares con la composición genética precisa necesaria para enfrentar los desafíos de un mundo cambiante.