Trait-specific benefits of association-based marker preselection for genomic prediction in slash pine

वन केवल पेड़ों का संग्रह नहीं हैं; वे जटिल कारखाने हैं जो लकड़ी, कागज और एक अद्वितीय, चिपचिपे पदार्थ जिसे ओलेओरेसिन (oleoresin) कहा जाता है, का उत्पादन करते हैं। यह राल (resin) रोसिन और तारपीन के लिए कच्चा माल है, जो वार्निश से लेकर जैव-आधारित रसायनों तक हर चीज़ में आवश्यक घटक हैं। इन पेड़ों को सुधारने की कोशिश करने वाले ब्रीडर्स (breeders) के लिए, यह प्रक्रिया धैर्य की परीक्षा है। उन फसलों के विपरीत जो एक ही मौसम में उगती हैं, स्लैश पाइन (slash pine) जैसे पेड़ों को परिपक्व होने में दशकों लग जाते हैं। एक ब्रीडर एक बीज बो सकता है, पेड़ की लकड़ी की मजबूती या रेजिन उत्पादन को मापने के लिए उसे लंबा होने के लिए पंद्रह साल इंतजार कर सकता है, और केवल तभी जान पाता है कि वह एक अच्छा चुनाव था या नहीं। यह लंबा इंतजार प्रगति को धीमा कर देता है और तेजी से विकास, मजबूत लकड़ी और उच्च रेजिन उपज जैसे वांछित गुणों को एक एकल श्रेष्ठ पेड़ में संयोजित करना कठिन बना देता है। काम को तेज करने के लिए, वैज्ञानिकों ने जीनोमिक चयन (genomic selection) की ओर रुख किया है, एक ऐसी विधि जो पेड़ के भविष्य के प्रदर्शन की भविष्यवाणी करने के लिए उसके आनुवंशिक कोड का उपयोग करती है। पेड़ के बढ़ने का इंतजार करने के बजाय, शोधकर्ता उसके डीएनए मार्करों (DNA markers)—उसके आनुवंशिक अनुक्रम में सूक्ष्म विविधताओं—को देखकर यह अनुमान लगाते हैं कि उसका परिणाम कैसा होगा। हालाँकि, आनुवंशिक कोड विशाल और शोरपूर्ण (noisy) है, और केवल हर डीएनए हिस्से को स्कैन करना हमेशा कुशल नहीं होता है। चुनौती यह जानने में है कि विशिष्ट गुणों के लिए कौन से आनुवंशिक संकेत सबसे महत्वपूर्ण हैं और बिना डेटा में खोए उनका उपयोग कैसे किया जाए।

स्लैश पाइन पर केंद्रित एक हालिया अध्ययन में, शोधकर्ताओं ने इस भविष्य कहने वाली प्रक्रिया को परिष्कृत करने का लक्ष्य रखा। उन्होंने 2ंगो (240) पेड़ों की आबादी के साथ काम किया, जो चीन के हांग्जो के पास एक फील्ड ट्रायल में उगाए गए आधे-सहोदर (half-siblings) पेड़ों का मिश्रण थे। इन पेड़ों को बारह विभिन्न विशेषताओं के लिए मापा गया, जिसमें उनके तने की चौड़ाई और उनके क्राउन की ऊंचाई से लेकर उनकी लकड़ी की कठोरता और उनके रेजिन की रासायनिक संरचना तक शामिल थी। टीम ने प्रत्येक पेड़ की आनुवंशिक संरचना का विश्लेषण किया, और सक्रिय जीन से प्राप्त 53,000 से अधिक विशिष्ट आनुवंशिक मार्करों की पहचान की। इन सभी मार्करों के साथ समान व्यवहार करने के बजाय, शोधकर्ताओं ने 'प्री-सिलेक्शन' (pre-selection) की रणनीति का परीक्षण किया। उन्होंने पहले प्रशिक्षण डेटा के छोटे समूहों के भीतर एक सांख्यिकीय स्कैन चलाया ताकि यह पता लगाया जा सके कि कौन से मार्कर प्रत्येक विशिष्ट गुण से सबसे मजबूती से जुड़े हुए हैं। फिर उन्होंने अपने प्रेडिक्शन मॉडल बनाने के लिए केवल उन्हीं शीर्ष-प्रदर्शन करने वाले मार्करों का उपयोग किया, जिससे प्रभावी रूप से आनुवंशिक शोर को फ़िल्टर किया गया ताकि यह देखा जा सके कि क्या एक सटीक फोकस बेहतर अनुमान लगाने में मदद कर सकता है।

परिणामों से पता चला कि इस केंद्रित दृष्टिकोण का मूल्य पूरी तरह से इस बात पर निर्भर करता है कि किस गुण की भविष्यवाणी की जा रही है। विकास-संबंधी गुणों, जैसे कि पेड़ के तने का व्यास और उसकी कुल ऊंचाई के लिए, प्री-सेलेक्टेड मार्करों का उपयोग करने से महत्वपूर्ण अंतर आया। मॉडल इन परिणामों की भविष्यवाणी करने में स्पष्ट रूप से बेहतर हो गए, जिससे उनकी सटीकता रैंडम मार्करों के मिश्रण का उपयोग करने की तुलना में लगभग 12 प्रतिशत सुधर गई। यह सुझाव देता है कि विकास के लिए, स्पष्ट, आवर्ती आनुवंशिक संकेत हैं जिन्हें जल्दी पहचाना जा सकता है और चयन के लिए उपयोग किया जा सकता है। लकड़ी की गुणवत्ता वाले गुणों, जैसे कि लकड़ी की कठोरता, में बहुत कम सुधार देखा गया, जिसमें भविष्य बताने की शक्ति केवल 2 प्रतिशत बढ़ी। इस रणनीति को ओलेओरेसिन गुणों, यानी रेजिन की उपज और उसके रासायनिक घटकों के लिए कोई वास्तविक लाभ नहीं मिला। इन जटिल रासायनिक गुणों के लिए, आनुवंशिक संकेत इतने कमजोर या अस्थिर थे कि उन्हें प्री-सिलेक्शन पद्धति द्वारा प्रभावी ढंग से अलग नहीं किया जा सका, और मॉडल रैंडम मार्करों के समूह के साथ भी उतना ही अच्छा प्रदर्शन करते थे।

अध्ययन ने यह भी परीक्षण किया कि क्या मॉडलों में विशिष्ट, उच्च-विश्वास वाले आनुवंशिक वेरिएंट्स को फिक्स्ड इनपुट के रूप में जोड़ने से प्रदर्शन में और वृद्धि होगी। विचार यह था कि यदि किसी विशेष आनुवंशिक वेरिएंट का प्रभाव बड़ा है, तो मॉडल को उस पर ध्यान केंद्रित करने के लिए मजबूर करने से प्रदर्शन में सुधार हो सकता है। हालाँकि, शोधकर्ताओं ने पाया कि इससे शायद ही कभी मदद मिली। अधिकांश मामलों में, मॉडल बिना इन जबरन इनपुट्स के भी उतने ही अच्छे प्रदर्शन करते थे, या उससे भी बेहतर। हजारों अन्य मार्करों के बीच संबंधों का जटिल जाल स्वयं आवश्यक जानकारी को पकड़ लेता था। बहुत अधिक विशिष्ट आनुवंशिक नियमों को जोड़ने से वास्तव में मॉडल को भ्रमित करने का जोखिम था, विशेष रूप रूप से प्रशिक्षण के लिए उपलब्ध पेड़ों की अपेक्षाकृत कम संख्या को देखते हुए। एकमात्र अपवाद कुछ विशिष्ट गुण थे, जैसे क्राउन की चौड़ाई और कुछ रेजिन रसायन, जहाँ इन उच्च-विश्वास वाले वेरिएंट्स को जोड़ने से मामूली सुधार हुआ।

संख्याओं से परे, शोधकर्ताओं ने उन आनुवंशिक मार्करों के पीछे की जैविक कहानियों को भी देखा जो बार-बार सामने आए। उन्होंने पाया कि विकास और लकड़ी के निर्माण से जुड़े जीन कोशिका विभाजन और कोशिका भित्ति (cell wall) के लिए ऊर्जा और निर्माण खंडों के उत्पादन जैसी प्रक्रियाओं में शामिल हैं। रेजिन उत्पादन से जुड़े जीन वसा और विशिष्ट रासायनिक यौगिकों के निर्माण से जुड़े हैं। ये निष्कर्ष एक जैविक परिकल्पना प्रदान करते हैं कि ये गुण कैसे कार्य करते हैं, यह सुझाव देते हुए कि विकास कोशिका निर्माण की मशीनरी पर निर्भर करता है, जबकि रेजिन उत्पादन विशिष्ट मेटाबॉलिक मार्गों पर निर्भर करता है। हालाँकि, शोधकर्ताओं ने सावधानी बरतते हुए कहा कि ये डेटा पर आधारित सुझाव हैं, सिद्ध तथ्य नहीं। अध्ययन में उपयोग किए गए आनुवंशिक मार्कर क्रोमोसोमों पर विशिष्ट स्थानों के साथ मैप नहीं किए गए थे, इसलिए वे केवल सामान्य जैविक प्रक्रियाओं को ही पहचान सके, सटीक जीन को नहीं।

जब शोधकर्ताओं ने अपने सर्वश्रेष्ठ मॉडलों को एक ब्रीडिंग प्रोग्राम के लिए शीर्ष पेड़ों का चयन करने के लिए लागू किया, तो परिणाम आशाजनक लेकिन सूक्ष्म थे। यदि उन्होंने आनुवंशिक भविष्यवाणियों के आधार पर सर्वश्रेष्ठ पेड़ों का चयन किया, तो उन पेड़ों में अभी भी उस 80 से 95 प्रतिशत आनुवंशिक योग्यता (genetic merit) मौजूद थी, जो उन्हें सीधे मापने के लिए पंद्रह साल प्रतीक्षा करने पर मिलती। हालांकि आनुवंशिक चयन ने एक ही चक्र के भीतर पूर्णतः सर्वश्रेष्ठ पेड़ नहीं खोजे, लेकिन इसने समय में भारी लाभ दिया। पेड़ों को बहुत कम उम्र में चुनकर, ब्रीडिंग चक्र को पंद्रह वर्षों से घटाकर केवल सात वर्ष किया जा सकता था। जब इस समय की बचत को कारक के रूप में देखा जाता है, तो जीनोमिक चयन का उपयोग करके वार्षिक आनुवंशिक सुधार की दर पारंपरिक तरीकों की तुलना में लगभग दोगुनी होने का अनुमान है। इसका अर्थ यह है कि हालांकि व्यक्तिगत रूप से चुने गए पेड़ पूर्णतः सटीक नहीं हो सकते हैं, लेकिन जिस गति से संपूर्ण वन आबादी में सुधार होता है, उसे नाटकीय रूप से बढ़ाया जा सकता है।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि जीनोमिक चयन स्लैश पाइन के लिए एक शक्तिशाली उपकरण है, लेकिन यह 'एक आकार सबके लिए उपयुक्त' (one-size-fits-all) समाधान नहीं है। सबसे प्रभावी रणनीति उस विशिष्ट गुण पर निर्भर करती है जिसे सुधारा जा रहा है। विकास के लिए, एक लक्षित दृष्टिकोण जो सबसे प्रासंगिक आनुवंशिक मार्करों को फ़िल्टर करता है, सबसे अच्छा काम करता है। रेजिन और लकड़ी की गुणवत्ता के लिए, ऐसे फ़िल्टरिंग के लाभ न्यूनतम हैं, और सरल मॉडल पर्याप्त हो सकते हैं। शोध इस बात पर प्रकाश डालता है कि वृक्ष प्रजनन का भविष्य प्रत्येक गुण की अद्वितीय जीव विज्ञान के अनुसार इन उच्च-तकनीकी उपकरणों को अनुकूलित करने में निहित है, जिससे अंतिम वन की गुणवत्ता से समझौता किए बिना प्रतीक्षा समय को कम किया जा सके। आगे का रास्ता इन लाभों की पुष्टि करने के लिए विभिन्न वातावरणों और पीढ़ियों में और अधिक परीक्षण की मांग करता है, लेकिन इन महत्वपूर्ण औद्योगिक पेड़ों के प्रबंधन को बदलने की क्षमता अब अधिक स्पष्ट होती जा रही है।