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

Per secoli, gli agricoltori si sono affidati a un'arte lenta e paziente per migliorare le proprie colture: l'incrocio. Accoppiando due piante con diverse potenzialità, sperano di combinare quei tratti nella progenie. Ma la natura è imprevedibile, e la lotteria genetica dell'allevamento tradizionale richiede spesso molte generazioni di semina, attesa e selezione prima che emerga una varietà davvero superiore. In un'era in cui il cambiamento climatico e la crescita demografica richiedono soluzioni più rapide, questo ritmo lento rappresenta un collo di bottiglia. Gli scienziati cercano da tempo un modo per guardare all'interno del codice genetico della pianta per prevedere quali combinazioni funzioneranno meglio prima ancora che venga piantato un singolo seme. Questo approccio, noto come previsione genomica, utilizza modelli informatici per stimare come specifici segmenti di DNA influenzeranno la crescita, la resa o la resilienza di una pianta. La sfida è stata trovare un modo per rendere queste previsioni abbastanza accurate da guidare l'agricoltura reale, specialmente quando si cerca di bilanciare più obiettivi contemporaneamente, come rendere una coltura sia ad alta resa che resistente alla siccità.

Un team di ricercatori ha ora dimostrato una nuova e potente strategia che colma il divario tra i complessi dati genetici e l'agricoltura pratica. Hanno iniziato creando una massiccia libreria di varietà genetiche, una collezione di 2.787 linee vegetali distinte derivate dall'incrocio di una varietà di riso ad alte prestazioni nota come 'Hitomebore' con altri 19 donatori di riso diversificati. Questo grande gruppo, chiamato popolazione di mappatura per associazione nidificata, ha servito come una mappa dettagliata di come i diversi pezzi genetici interagiscono. Utilizzando questo esteso dataset, gli scienziati hanno costruito modelli informatici altamente accurati capaci di leggere il codice genetico di queste linee e prevederne le prestazioni. A differenza dei metodi precedenti che potevano limitarsi a ipotizzare il risultato, questi modelli sono stati addestrati sulle specifiche combinazioni genetiche presenti nello studio, permettendo loro di stimare l'effetto di specifici segmenti di DNA con una precisione straordinaria.

La vera prova di questa strategia è arrivata quando i ricercatori hanno utilizzato i loro modelli per progettare un piano di allevamento partendo da zero. Invece di affidarsi al caso, hanno chiesto al computer di identificare le combinazioni genetiche specifiche che avrebbero massimizzato la resa gestendo al contempo i naturali compromessi tra diversi tratti. I modelli li hanno indirizzati verso un insieme di linee ottimali e verso un percorso specifico per incrociarle. Seguendo questo progetto digitale, il team ha eseguito il lavoro di allevamento effettivo, incrociando le piante selezionate per creare nuove generazioni di riso. I risultati hanno confermato la potenza dell'approccio: le nuove linee di riso possedevano esattamente i genotipi target che i modelli avevano previsto, fornendo i miglioramenti desiderati in molteplici tratti legati alla resa simultaneamente. Questo lavoro dimostra che combinando una popolazione di partenza ampia e diversificata con modelli di previsione interpretabili, i selezionatori possono costruire rapidamente cultivar con il corredo genetico preciso necessario per affrontare le sfide di un mondo in cambiamento.