Phenotyping part of the target family improves within-family genomic prediction in rice nested association mapping families
La rianalisi dei dati di nested association mapping del riso dimostra che fenotipizzare una piccola porzione (5–15%) di una famiglia target e incorporare tali record nei modelli di previsione genomica migliora significativamente la capacità predittiva intra-familiare e la resa delle linee selezionate rispetto al fare affidamento esclusivamente su altre famiglie o sulla sola flessibilità del modello.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Ogni anno, i selezionatori di riso affrontano una corsa contro il tempo e il budget. Incrociano diverse varietà di riso per creare nuove famiglie di piante, sperando di trovare linee che producano più granella. Il test definitivo consiste nel coltivare queste piante in campo e misurarne la resa, ma questo processo è lento, costoso e richiede enormi quantità di terreno. Nel momento in cui i dati arrivano, il ciclo di selezione è già proseguito. Per velocizzare le cose, gli scienziati utilizzano la previsione genomica, un metodo che osserva il DNA di una pianta per ipotizzare quanto bene si comporterà prima ancora che venga piantata. La sfida sorge quando un selezionatore ha una nuova famiglia di linee di riso che non è mai stata testata in campo. Senza alcun record di resa per quella specifica famiglia, il modello deve indovinare basandosi sui dati di altre famiglie più vecchie. Questi tentativi di indovinare sono spesso deboli perché la nuova famiglia possiede un mix unico di geni che i dati vecchi non riescono a catturare completamente.
La domanda che i ricercatori si sono posti è come migliorare queste ipotesi quando lo spazio in campo è limitato. I selezionatori hanno due opzioni principali. Possono utilizzare il loro numero limitato di parcelle in campo per misurare una piccola porzione delle linee della nuova famiglia, aggiungendo questi dati freschi e pertinenti al modello. Oppure, possono saltare il lavoro supplementare in campo e utilizzare invece un modello matematico più complesso che cerchi di trovare schemi più profondi nei dati esistenti. Non è stato chiaro quale approccio offrisse un migliore ritorno sull'investimento: il costo di misurare alcune piante in più, o il costo dell'utilizzo di un algoritmo informatico più sofisticato.
In uno studio recente, i ricercatori dell'Università di Hokkaido hanno rivisitato una vasta collezione di dati sulla selezione del riso per risolvere questo dibattito. Si sono concentrati su quindici diverse famiglie di riso, tutte le quali condividevano un genitore comune ma erano state incrociate con quindici partner differenti. Questa configurazione ha creato un laboratorio perfetto per testare quanto bene un modello preveda le prestazioni dei fratelli avendo a disposizione solo pochi record di quella specifica famiglia. Il team ha stabilito una regola rigida: avevano un budget fisso di 2.0�00 record di resa da utilizzare per ogni compito di previsione. Hanno poi testato quattro diverse strategie. In due strategie, hanno utilizzato un modello lineare standard. Negli altre due, hanno utilizzato un modello non lineare più flessibile, capace di rilevare interazioni complesse tra i geni. Per metà di queste strategie, hanno riempito l'intero budget di 2.000 record con i dati delle altre quattordici famiglie. Per l'altra metà, hanno sottratto 100 record dalle altre famiglie per usarli nella misurazione di una piccola fetta della famiglia target stessa — circa il 5-15 percento delle linee di quella nuova famiglia.
I risultati sono stati chiari e coerenti. Misurare una piccola porzione della nuova famiglia ha migliorato significativamente l'accuratezza delle previsioni per il resto di quella famiglia. Quando i ricercatori hanno sostituito 100 record di altre famiglie con 100 record della famiglia target, la capacità del modello di classificare correttamente le piante è migliorata sensibilmente. Questo miglioramento è avvenuto sia per il semplice modello lineare, sia per il complesso modello non lineare. Infatti, il modello semplice, quando alimentato con alcuni record della nuova famiglia, ha performato meglio del modello complesso che non aveva alcun record di quella famiglia. Il modello complesso da solo, senza alcun nuovo dato dalla famiglia target, offriva solo un miglioramento minimo, quasi trascurabile, rispetto al modello semplice. I risultati migliori si sono ottenuti quando i ricercatori hanno combinato i due approcci: utilizzando il modello flessibile e includendo anche i 100 record della nuova famiglia.
Lo studio ha anche esaminato l'esito pratico: queste migliori previsioni hanno portato effettivamente alla scelta di piante con rese più elevate? La risposta è stata generalmente sì. Quando i selezionatori hanno scelto il top 10 percento delle linee basandosi su previsioni che includevano i record della nuova famiglia, quelle linee selezionate hanno prodotto mediamente più granella rispetto alle linee selezionate senza quei dati. Ciò è stato particolarmente evidente in uno dei due siti di test in Cina. Tuttavia, i ricercatori hanno notato che il vantaggio non era sempre statisticamente significativo nel secondo sito, suggerendo che le condizioni ambientali possono influenzare quanto questi record extra aiutino.
Forse il risultato più importante è stato che il beneficio di misurare alcune piante nella nuova famiglia era robusto. È rimasto valido indipendentemente dal fatto che i ricercatori utilizzassero il modello semplice o quello complesso, ed è rimasto valido anche quando hanno regolato le impostazioni matematiche dei modelli. Lo studio suggerisce che, per i programmi di selezione che lavorano con famiglie correlate, la strategia più efficace è dedicare una piccola frazione dello spazio in campo alla misurazione di alcune linee della nuova famiglia. Questo piccolo investimento in dati fornisce una spinta alla precisione della previsione più forte rispetto al semplice passaggio a un algoritmo informatico più complicato. I ricercatori hanno concluso che, sebbene i modelli complessi abbiano il loro posto, non possono sostituire il valore dei dati reali della specifica famiglia che si sta selezionando. Per i selezionatori che cercano di prendere le decisioni migliori con risorse limitate, la via più affidabile è misurare un po' della nuova famiglia e usare queste informazioni per guidare la selezione del resto.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.