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

Le foreste non sono solo collezioni di alberi; sono fabbriche complesse che producono legname, carta e una sostanza unica e appiccicosa chiamata oleoresina. Questa resina è la materia prima per la colofonia e la trementina, ingredienti essenziali in tutto, dalle vernici ai prodotti chimici a base biologica. Per i selezionatori che cercano di migliorare questi alberi, il processo è una prova di pazienza. A differenza delle colture che crescono in una singola stagione, gli alberi come il pino slash impiegano decenni per raggiungere la maturità. Un selezionatore potrebbe piantare un seme, aspettare quindici anni perché l'albero cresca abbastanza in altezza da misurarne la resistenza del legno o la produzione di resina, e solo allora sapere se è stata una buona scelta. Questa lunga attesa rallenta il progresso e rende difficile combinare tratti desiderabili, come la crescita rapida, il legno forte e l'alta resa di resina, in un unico albero superiore. Per accelerare le cose, gli scienziati si sono rivolti alla selezione genomica, un metodo che utilizza il codice genetico di un albero per prevederne le prestazioni future. Invece di aspettare che l'albero cresca, i ricercatori osservano i loro marcatori di DNA — piccole variazioni nella loro sequenza genetica — per indovinare come si evolverà. Tuttavia, il codice genetico è vasto e rumoroso, e scansionare semplicemente ogni pezzo di DNA non è sempre efficiente. La sfida consiste nel sapere quali indizi genetici sono i più importanti per specifici tratti e come usarli senza perdersi nei dati.

In uno studio recente focalizzato sul pino slash, i ricercatori si sono posti l'obiettivo di perfezionare questo processo predittivo. Hanno lavorato con una popolazione di 240 alberi, un mix di fratellastri coltivati in una prova in campo vicino a Hangzhou, in Cina. Questi alberi sono stati misurati per dodici diverse caratteristiche, che vanno dalla larghezza dei loro tronchi all'altezza delle loro chiome, fino alla rigidità del loro legno e alla composizione chimica della loro resina. Il team ha poi analizzato la costituzione genetica di ogni albero, identificando oltre 53.000 marcatori genetici specifici derivati dai geni attivi dell'albero. Piuttosto che trattare tutti questi marcatori allo stesso modo, i ricercatori hanno testato una strategia di pre-selezione. Hanno prima eseguito una scansione statistica all'interno di piccoli gruppi dei dati di addestramento per trovare quali marcatori fossero più fortemente legati a ogni specifico tratto. Hanno poi utilizzato solo quei marcatori con le migliori prestazioni per costruire i loro modelli di previsione, filtrando efficacemente il rumore genetico per vedere se una focalizzazione più nitida avrebbe portato a ipotesi migliori.

I risultati hanno rivelato che il valore di questo approccio mirato dipende interamente dal tratto che si sta prevedendo. Per i tratti legati alla crescita, come il diametro del tronco dell'albero e la sua altezza complessiva, l'uso dei marcatori pre-selezionati ha fatto una differenza significativa. I modelli sono diventati sensibilmente migliori nel prevedere questi risultati, migliorando la loro accuratezza di quasi il 12 percento rispetto all'uso di un mix casuale di marcatori. Ciò suggerisce che per la crescita, esistono segnali genetici chiari e ricorrenti che possono essere identificati precocemente e utilizzati per guidare la selezione. I tratti della qualità del legno, come la rigidità del legno, hanno visto un miglioramento molto più piccolo, guadagnando solo circa il 2 percento in potere predittivo. La strategia non ha offerto alcun reale beneficio per i tratti dell'oleoresina, ovvero la resa della resina e i suoi componenti chimici. Per questi complessi tratti chimici, i segnali genetici erano troppo deboli o instabili per essere isolati efficacemente dal metodo di pre-selezione, e i modelli hanno performato altrettanto bene con un assortimento casuale di marcatori.

Lo studio ha anche testato se l'aggiunta di varianti genetiche specifiche ad alta affidabilità come input fissi nei modelli avrebbe aumentato ulteriormente le prestazioni. L'idea era che, se una particolare variante genetica è nota per avere un grande effetto, costringere il modello a prestare attenzione ad essa potrebbe migliorare la previsione. Tuttavia, i ricercatori hanno scoperto che ciò raramente aiutava. Nella maggior parte dei casi, i modelli hanno performato altrettanto bene, o addirittura meglio, senza questi input forzati. La complessa rete di relazioni tra migliaia di altri marcatori sembrava catturare le informazioni necessarie autonomamente. L'aggiunta di troppe regole specifiche rischiava effettivamente di confondere il modello, specialmente dato il numero relativamente piccolo di alberi disponibili per l'addestramento. Le uniche eccezioni sono state alcuni specifici tratti, come la larghezza della chioma e certe sostanze chimiche della resina, dove l'aggiunta di un piccolo numero di queste varianti ad alta affidabilità ha fornito un miglioramento minimo e marginale.

Oltre ai numeri, i ricercatori hanno esaminato le storie biologiche dietro i marcatori genetici che apparivano ripetutamente. Hanno scoperto che i geni legati alla crescita e alla formazione del legno erano coinvolti in processi come la divisione cellulare e la produzione di energia e di componenti strutturali per la parete cellulare. I geni associati alla produzione di resina erano legati alla creazione di grassi e composti chimici specializzati. Queste scoperte offrono un'ipotesi biologica su come funzionino questi tratti, suggerendo che la crescita dipenda dalla macchina della creazione cellulare, mentre la produzione di resina dipenda da specifici percorsi metabolici. Tuttavia, i ricercatori sono stati cauti nel notare che queste sono suggerimenti basati sui dati, non fatti provati. I marcatori genetici utilizzati nello studio non erano mappati su posizioni specifiche sui cromosomi, quindi non potevano individuare i geni esatti, ma solo i processi biologici generali coinvolti.

Quando i ricercatori hanno applicato i loro migliori modelli per selezionare i migliori alberi per un programma di breeding, i risultati sono stati promettenti ma sfumati. Se avessero selezionato i migliori alberi basandosi sulle loro previsioni genetiche, quegli alberi possedevano comunque l'80-95 percento del merito genetico che si sarebbe trovato se avessero aspettato quindici anni per misurare direttamente gli alberi. Sebbene la selezione genetica non abbia trovato gli alberi assoluti migliori all'interno di un singolo ciclo, ha offerto un enorme vantaggio in termini di tempo. Selezionando gli alberi a un'età molto più giovane, il ciclo di breeding può essere accorciato da quindici anni a soli sette anni. Quando questo risparmio di tempo viene considerato, il tasso annuo di miglioramento genetico utilizzando la selezione genomica è proiettato essere quasi il doppio rispetto ai metodi tradizionali. Ciò significa che, sebbene i singoli alberi selezionati possano non essere perfetti, la velocità con cui l'intera popolazione forestale migliora può essere drammaticamente accelerata.

Lo studio conclude che, sebbene la selezione genomica sia uno strumento potente per il pino slash, non è una soluzione universale. La strategia più efficace dipende dallo specifico tratto che si vuole migliorare. Per la crescita, un approccio mirato che filtri i marcatori genetici più rilevanti funziona meglio. Per la resina e la qualità del legno, i benefici di tale filtraggio sono minimi, e modelli più semplici possono bastare. La ricerca evidenzia che il futuro della selezione degli alberi risiede nel personalizzare questi strumenti high-tech sulla biologia unica di ogni tratto, usando il codice genetico per accorciare l'attesa senza sacrificare la qualità della foresta finale. La strada da seguire richiede ulteriori test in diversi ambienti e generazioni per confermare questi guadagni, ma il potenziale per trasformare il modo in cui gestiamo questi vitali alberi industriali sta diventando più chiaro.