Phenotyping part of the target family improves within-family genomic prediction in rice nested association mapping families
La réanalyse des données de cartographie d'association imbriquée du riz démontre que le phénotypage d'une petite portion (5 à 15 %) d'une famille cible et l'incorporation de ces enregistrements dans les modèles de prédiction génomique améliorent significativement la capacité prédictive intra-familiale et le rendement des lignées sélectionnées par rapport au recours exclusif à d'autres familles ou à la seule flexibilité du modèle.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Chaque année, les sélectionneurs de riz sont confrontés à une course contre la montre et le budget. Ils croisent différentes variétés de riz pour créer de nouvelles familles de plantes, dans l'espoir de trouver des lignées qui produisent plus de grains. Le test ultime consiste à cultiver ces plantes en plein champ et à mesurer leur rendement, mais ce processus est lent, coûteux et nécessite de vastes étendues de terres. Le temps que les données arrivent, le cycle de sélection est déjà passé à autre chose. Pour accélérer les choses, les scientifiques utilisent la prédiction génomique, une méthode qui examine l'ADN d'une plante pour deviner ses performances avant même qu'elle ne soit plantée. Le défi surgit lorsqu'un sélectionneur possède une toute nouvelle famille de lignées de riz qui n'a jamais été testée sur le terrain. Sans aucun enregistrement de rendement pour cette famille spécifique, le modèle doit deviner en se basant sur les données d'autres familles plus anciennes. Ces suppositions sont souvent fragiles car la nouvelle famille porte un mélange unique de gènes que les anciennes données ne parviennent pas à capturer pleinement.
La question que les chercheurs se posent est de savoir comment améliorer ces suppositions lorsque l'espace de culture est limité. Les sélectionneurs ont deux options principales. Ils peuvent utiliser leur nombre limité de parcelles de terrain pour mesurer une petite partie des lignées de la nouvelle famille, ajoutant ainsi ces données fraîches et pertinentes au modèle. Ou bien, ils peuvent faire l'économie de ce travail de terrain supplémentaire et plutôt passer à un modèle mathématique plus complexe qui tente de déceler des motifs plus profonds dans les données existantes. Il n'était pas clair quelle approche offrait un meilleur retour sur investissement : le coût de la mesure de quelques plantes supplémentaires, ou le coût de l'utilisation d'un algorithme informatique plus sophistiqué.
Dans une étude récente, des chercheurs de l'Université de Hokkaido ont revisité une vaste collection de données de sélection du riz pour trancher ce débat. Ils se sont concentrés sur quinze familles différentes de riz, qui partageaient toutes un parent commun mais qui avaient été croisées avec quinze partenaires différents. Cette configuration constituait un laboratoire parfait pour tester la capacité d'un modèle à prédire la performance de frères et sœurs lorsqu'il ne dispose que de quelques enregistrements de cette famille spécifique. L'équipe a établi une règle stricte : elle disposait d'un budget fixe de 2 000 enregistrements de rendement pour chaque tâche de prédiction. Ils ont ensuite testé quatre stratégies différentes. Dans deux stratégies, ils ont utilisé un modèle linéaire standard. Dans les deux autres, ils ont utilisé un modèle non linéaire plus flexible, capable de détecter des interactions complexes entre les gènes. Pour la moitié de ces stratégies, ils ont rempli l'intégralité du budget de 2 000 enregistrements avec les données des quatorze autres familles. Pour l'autre moitié, ils ont retiré 100 enregistrements aux autres familles pour les utiliser afin de mesurer une petite tranche de la famille cible elle-même — soit environ 5 à 15 pour cent des lignées de cette nouvelle famille.
Les résultats ont été clairs et cohérents. Mesurer une petite portion de la nouvelle famille a considérablement amélioré la précision des prédictions pour le reste de cette famille. Lorsque les chercheurs ont remplacé 100 enregistrements d'autres familles par 100 enregistrements de la famille cible, la capacité du modèle à classer correctement les plantes s'est nettement améliorée. Cette amélioration s'est produite tant pour le modèle linéaire simple que pour le modèle non linéaire complexe. En fait, le modèle simple, lorsqu'il était alimenté par quelques enregistrements de la nouvelle famille, a mieux performé que le modèle complexe lorsqu'il n'avait aucun enregistrement de cette famille. Le modèle complexe seul, sans aucune donnée de la nouvelle famille, n'offrait qu'une amélioration minime, presque négligeable, par rapport au modèle simple. Les meilleurs résultats ont été obtenus lorsque les chercheurs ont combiné les deux approches : en utilisant le modèle flexible tout en incluant les 100 enregistrements de la nouvelle famille.
L'étude a également examiné le résultat pratique : ces meilleures prédictions ont-elles réellement permis de choisir des plantes plus productives ? La réponse est généralement oui. Lorsque les sélectionneurs ont sélectionné les 10 pour cent de lignées supérieures sur la base de prédictions incluant les enregistrements de la nouvelle famille, ces lignées sélectionnées ont produit en moyenne plus de grains que les lignées sélectionnées sans ces données. Cela était particulièrement évident sur l'un des deux sites de test en Chine. Cependant, les chercheurs ont noté que l'avantage n'était pas toujours statistiquement significatif sur le second site, suggérant que les conditions environnementales peuvent influencer l'impact de ces enregistrements supplémentaires.
La conclusion la plus importante est peut-être que le bénéfice de la mesure de quelques plantes de la nouvelle famille est robuste. Cela s'est avéré vrai, que les chercheurs utilisent le modèle simple ou le modèle complexe, et cela est resté vrai même lorsqu'ils ont ajusté les paramètres mathématiques des modèles. L'étude suggère que pour les programmes de sélection travaillant avec des familles apparentées, la stratégie la plus efficace consiste à consacrer une petite fraction de l'espace de culture à la mesure de quelques lignées de la nouvelle famille. Ce petit investissement dans les données procure un renforcement plus fort de la précision des prédictions que le simple passage à un algorithme informatique plus compliqué. Les chercheurs ont conclu que si les modèles complexes ont leur place, ils ne peuvent remplacer la valeur des données réelles de la famille spécifique en cours de sélection. Pour les sélectionneurs cherchant à prendre les meilleures décisions avec des ressources limitées, la voie la plus fiable consiste à mesurer un peu de la nouvelle famille et à utiliser cette information pour guider la sélection du reste.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.