Phenotyping part of the target family improves within-family genomic prediction in rice nested association mapping families
चावल के नेस्टेड एसोसिएशन मैपिंग डेटा का पुनरविश्लेषण यह दर्शाता है कि एक लक्षित परिवार के एक छोटे हिस्से (5-15%) का फेनोटाइपिंग करना और उन रिकॉर्डों को जीनोमिक प्रेडिक्शन मॉडल में शामिल करना, केवल अन्य परिवारों या मॉडल लचीलेपन पर निर्भर रहने की तुलना में, परिवार-के-भीतर भविष्य कहने की क्षमता और चयनित-लाइन उपज में महत्वपूर्ण सुधार करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
हर साल, चावल के ब्रीडर्स (प्रजनक) समय और बजट के विरुद्ध एक दौड़ का सामना करते हैं। वे पौधों की नई किस्में बनाने के लिए विभिन्न चावल की किस्मों का संकरण (क्रॉस) करते हैं, इस उम्मीद में कि उन्हें अधिक अनाज देने वाली लाइनें मिल सकें। अंतिम परीक्षण इन पौधों को खेत में उगाना और उनकी उपज को मापना है, लेकिन यह प्रक्रिया धीमी, महंगी है और इसके लिए विशाल भूमि की आवश्यकता होती है। जब तक डेटा आता है, तब तक प्रजनन चक्र पहले ही आगे बढ़ चुका होता है। काम को तेज करने के लिए, वैज्ञानिक जीनोमिक प्रेडिक्शन (जीनोमिक भविष्यवाणी) का उपयोग करते हैं, जो एक पौधे के डीएनए को देखकर यह अनुमान लगाता है कि बोने से पहले ही उसका प्रदर्शन कैसा रहेगा। चुनौती तब उत्पन्न होती है जब एक ब्रीडर के पास चावल की एक बिल्कुल नई फैमिली (वंश) होती है जिसे कभी खेत में परखा नहीं गया है। इस विशिष्ट फैमिली के लिए उपज के किसी भी रिकॉर्ड के बिना, मॉडल को अन्य पुरानी फैमिली के डेटा के आधार पर अनुमान लगाना पड़ता है। ये अनुमान अक्सर कमजोर होते हैं क्योंकि नई फैमिली में जीन्स का एक अनूठा मिश्रण होता है जिसे पुराना डेटा पूरी तरह से कैप्चर नहीं कर पाता है।
शोधकर्ता यह सवाल पूछ रहे हैं कि जब खेत की जगह सीमित हो तो इन अनुमानों को बेहतर कैसे बनाया जाए। ब्रीडर्स के पास दो मुख्य विकल्प हैं। वे अपनी सीमित संख्या वाले फील्ड प्लॉट्स का उपयोग करके नई फैमिली की कुछ लाइनों को माप सकते हैं, जिससे इस ताज़ा, प्रासंगिक डेटा को मॉडल में जोड़ा जा सके। या, वे अतिरिक्त फील्ड वर्क को छोड़कर एक अधिक जटिल गणितीय मॉडल की ओर स्विच कर सकते हैं जो मौजूदा डेटा में गहरे पैटर्न खोजने की कोशिश करता है। यह स्पष्ट नहीं था कि कौन सा दृष्टिकोण बेहतर निवेश प्रतिफल (रिटर्न ऑन इन्वेस्टमेंट) प्रदान करता है: कुछ अतिरिक्त पौधों को मापने की लागत, या एक अधिक परिष्कृत कंप्यूटर एल्गोरिदम का उपयोग करने की लागत।
हाल ही में एक अध्ययन में, हॉकाइडो de यूनिवर्सिटी के शोधकर्ताओं ने इस बहस को सुलझाने के लिए चावल के प्रजनन डेटा के एक बड़े संग्रह का पुनरावलोकन किया। उन्होंने चावल की पंद्रह अलग-अलग फैमिली पर ध्यान केंद्रित किया, जिनमें से सभी का एक सामान्य जनक (पैरेंट) था लेकिन उन्हें पंद्रह अलग-अलग पार्टनर्स के साथ क्रॉस कराया गया था। यह सेटअप यह परीक्षण करने के लिए एक आदर्श प्रयोगशाला थी कि जब मॉडल के पास उस विशिष्ट फैमिली के केवल कुछ रिकॉर्ड हों, तो वह सहोदरों (सिब्लिंग्स) के प्रदर्शन की भविष्यवाणी कितनी अच्छी तरह कर सकता है। टीम ने प्रत्येक प्रेडिक्शन टास्क के लिए 2,000 उपज रिकॉर्ड का एक निश्चित बजट निर्धारित किया। इसके बाद उन्होंने चार अलग-अलग रणनीतियों का परीक्षण किया। दो रणनीतियों में, उन्होंने एक मानक, लीनियर (रैखिक) मॉडल का उपयोग किया। अन्य दो में, उन्होंने एक अधिक लचीला, नॉन-लीनियर (गैर-रैखिक) मॉडल का उपयोग किया जो जीन्स के बीच जटिल अंतःक्रियाओं का पता लगाने में सक्षम है। इनमें से आधे रणनीतियों के लिए, उन्होंने पूरे 2,000-रिकॉर्ड बजट को अन्य चौदह परिवारों के डेटा से भर दिया। अन्य आधे हिस्से के लिए, उन्होंने अन्य परिवारों से 100 रिकॉर्ड कम किए और उनका उपयोग उस लक्षित फैमिली के एक छोटे से हिस्से को मापने के लिए किया—लगभग उस नई फैमिली की 5 से 15 प्रतिशत लाइनें।
परिणाम स्पष्ट और सुसंगत थे। नई फैमिली के एक छोटे से हिस्से को मापने से उस फैमिली की बाकी लाइनों के लिए भविष्यवाणियों की सटीकता में काफी सुधार हुआ। जब शोधकर्ताओं ने अन्य परिवारों के 100 रिकॉर्ड को लक्षित परिवार के 100 रिकॉर्ड से बदला, तो मॉडल की पौधों को सही ढंग से रैंक करने की क्षमता में उल्लेखनीय सुधार हुआ। यह सुधार सरल लीनियर मॉडल और जटिल नॉन-लीनियर मॉडल दोनों में देखा गया। वास्तव में, सरल मॉडल, जिसे नई फैमिली के कुछ रिकॉर्ड दिए गए थे, ने उस जटिल मॉडल से बेहतर प्रदर्शन किया जिसके पास उस नई फैमिली का कोई रिकॉर्ड नहीं था। जटिल मॉडल, बिना किसी नए डेटा के, केवल सरल मॉडल की तुलना में बहुत मामूली सुधार ही दिखा सका। सबसे अच्छे परिणाम तब आए जब शोधकर्ताओं ने दोनों दृष्टिकोणों को मिला दिया: लचीले मॉडल का उपयोग करते हुए और साथ ही उस नई फैमिली के 100 रिकॉर्ड को भी शामिल किया।
अध्ययन ने व्यावहारिक परिणाम को भी देखा: क्या इन बेहतर भविष्यवाणियों से वास्तव में उच्च उपज वाले पौधों को चुनने में मदद मिली? उत्तर आम तौर पर 'हाँ' था। जब ब्रीडर्स ने उन भविष्यवाणियों के आधार पर शीर्ष 10 प्रतिशत लाइनों को चुना जिनमें नई फैमिली के रिकॉर्ड शामिल थे, तो चुनी गई लाइनों ने बिना उस डेटा के चुनी गई लाइनों की तुलना में औसतन अधिक अनाज पैदा किया। यह चीन में दो परीक्षण स्थलों में से एक पर विशेष रूप से स्पष्ट था। हालाँकि, शोधकर्ताओं ने नोट किया कि दूसरे स्थल पर यह लाभ हमेशा सांख्यिकीय रूप से महत्वपूर्ण नहीं था, जिससे पता चलता है कि पर्यावरणीय स्थितियाँ इस बात को प्रभावित कर सकती हैं कि ये अतिरिक्त रिकॉर्ड कितना मदद करते हैं।
शायद सबसे महत्वपूर्ण निष्कर्ष यह था कि नई फैमिली के कुछ पौधों को मापने का लाभ मजबूत था। यह तब भी सच रहा जब शोधकर्ताओं ने सरल या जटिल मॉडल का उपयोग किया, और यह तब भी सच रहा जब उन्होंने मॉडलों के गणितीय सेटिंग्स को समायोजित किया। अध्ययन सुझाव देता है कि संबंधित परिवारों के साथ काम करने वाले ब्रीडिंग प्रोग्रामों के लिए, सबसे प्रभावी रणनीति नई फैमिली की कुछ लाइनों को मापने के लिए फील्ड स्पेस का एक छोटा हिस्सा समर्पित करना है। डेटा का यह छोटा निवेश, केवल एक अधिक जटिल कंप्यूटर एल्गोरिदम में स्विच करने की तुलना में, भविष्यवाणी की सटीकता में अधिक मजबूती प्रदान करता है। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि जटिल मॉडलों का अपना स्थान है, लेकिन वे वास्तविक दुनिया के डेटा, जो उस विशिष्ट फैमिली से प्राप्त होता है, की जगह नहीं ले सकते। सीमित संसाधनों के साथ सर्वोत्तम निर्णय लेने की कोशिश कर रहे ब्रीडर्स के लिए, सबसे विश्वसनीय मार्ग थोड़ा सा नया परिवार मापना है और उस जानकारी का उपयोग शेष के चयन के लिए मार्गदर्शन करने हेतु करना है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।