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

森林は単なる樹木の集合体ではありません。それは木材、紙、そしてオレオレジンと呼ばれる独特の粘着性物質を生産する複雑な工場です。この樹脂は、ニスからバイオベースの化学品に至るまで、あらゆるものに欠かせない原料であるロジンやテレペンチンの元となります。これらの樹木を改良しようとする育種家にとって、そのプロセスは忍耐力のテストとなります。単一のシーズンで成長する農作物とは異なり、スラッシュパインのような樹木が成熟するには数十年を要します。育種家は種をまき、木がその材の強度や樹脂の生産量を測定できるほど高く成長するまで15年待ち、ようやくそれが良い選択であったかを知ることになります。この長い待ち時間が進歩を遅らせ、急速な成長、強い木材、そして高い樹脂収量といった望ましい形質を、一つの優れた樹木へと組み合わせることを困難にしています。

このスピードを上げるために、科学者たちは、樹木の遺伝コードを用いて将来のパフォーマンスを予測する手法であるゲノム選抜へと目を向けました。樹木の成長を待つ代わりに、研究者はDNAマーカー（遺伝配列内の微細な変異）を見て、その結果がどうなるかを推測します。しかし、遺伝コードは膨大でノイズが多く、単にすべてのDNAをスキャンすることが常に効率的であるとは限りません。課題は、どの遺伝的な手がかりが特定の形質にとって最も重要であるかを知ること、そしてデータの中で迷子になることなくそれらを利用する方法を知ることにあります。

最近のスラッシュパインに焦点を当てた研究において、研究者たちはこの予測プロセスを洗練させることを目的としました。彼らは、中国の杭州近郊の圃場試験で栽培された、半兄弟関係にある樹木240本の集団を対象に研究を行いました。これらの樹木は、幹の太さから樹冠の高さ、木材の硬さ、そして樹脂の化学組成に至るまで、12種類の異なる特性について測定されました。チームはすべての樹木の遺伝的構成を分析し、活性遺伝に由来する53,000以上の特定の遺伝マーカーを特定しました。これらのマーカーをすべて平等に扱うのではなく、研究者たちは「事前選択」という戦略をテストしました。まず、トレーニングデータの小さなグループ内で統計的なスキャンを実行し、どのマーカーが各特定の形質と最も強く関連しているかを特定しました。そして、予測モデルを構築するために、それらの中でもトップクラスのパフォーマンスを示すマーカーのみを使用し、遺伝的なノイズを効果的に取り除くことで、より鋭い焦点絞り込みがより良い予測につながるかどうかを確認したのです。

結果は、この焦点化されたアプローチの価値が、予測対象となる形質に完全に依存していることを明らかにしました。樹木の直径や全体の高さといった成長に関連する形質については、事前選択されたマーカーを使用することで大きな違いが生じました。モデルはこれらの結果を予測する能力が顕著に向上し、ランダムなマーカーの混合を使用した場合と比較して、精度が12％近く向上しました。これは、成長に関しては、早期に特定して選抜の指針として利用できる明確で繰り返される遺伝的シグナルが存在することを示唆しています。一方で、木材の硬さなどの木材品質に関する形質では、予測力がわずか2％向上しただけであり、改善は非常に限定的でした。また、オレオレジンに関する形質（樹脂の収量とその化学成分）については、この戦略による恩恵は得られませんでした。これらの複雑な化学的形質については、遺伝的シグナルが弱すぎるか不安定であったため、事前選択法によって効果的に分離することができず、モデルの性能はランダムな組み合わせを使用した場合と同程度でした。

研究ではさらに、特定の信頼性の高い遺伝的変異をモデルへの固定入力として追加することで、パフォーマンスがさらに向上するかどうかについてもテストされました。特定の遺伝的変異が大きな影響を持つことが分かっている場合、モデルにそれを強制的に注目させることで、予測が改善するという考えです。しかし、研究者たちは、これが役に立つことはほとんどないことを見出しました。ほとんどの場合、モデルはこれらの強制的な入力なしでも同等の性能を発揮するか、あるいはそれ以上に優れた性能を示しました。何千もの他のマーカーとの間の複雑な関係性が、必要な情報を自律的に捉えていたのです。あまりに多くの特定の遺伝的ルールを追加することは、特にトレーニングに利用できる樹木の数が比較的少ない場合、モデルを混乱させるリスクがありました。唯一の例外は、樹冠の幅や特定の樹脂化学成分といったいくつかの特定の形質であり、これらの高信頼性の変異を少量追加することで、ごくわずかな、限界的な改善が見られました。

数値的な側面を超えて、研究者たちは繰り返し現れる遺伝マーカーの背後にある生物学的な物語についても調査しました。彼らは、成長や木材形成に関連する遺伝子が、細胞分裂や細胞壁の構築のためのエネルギーおよび構成要素の生成といったプロセスに関与していることを見出しました。樹脂生産に関連する遺伝子は、脂肪や特殊な化学化合物の生成に関連していました。これらの知見は、成長は細胞生成のメカニズムに依存し、樹脂生産は特定の代謝経路に依存しているという、形質の仕組みに関する生物学的な仮説を提供するものです。ただし、研究者たちは、これらはデータに基づいた示唆であり、証明された事実ではないことに注意を払いました。本研究で使用された遺伝マーカーは染色体上の特定の位置にマッピングされていないため、正確な遺伝子を特定することはできず、関与している一般的な生物学的プロセスを特定することにとどまりました。

研究者が彼らの最良のモデルを適用して、育種プログラムのためにトップクラスの樹木を選別した際、その結果は有望ながらも微妙なものでした。もし遺伝的な予測に基づいて最高の樹木を選別した場合、それらの樹木は、15年待って直接測定した場合に見出されるであろう遺伝的優位性の80〜95％を依然として保持していました。遺伝的選抜は、単一のサイクル内で「絶対的な最高」の樹木を見つけ出すことはできませんでしたが、時間において圧倒的な優位性をもたらしました。より若い年齢で樹木を選別することにより、育種サイクルを15年からわずか7年に短縮できるのです。この時間の節約を考慮に入れると、ゲノム選抜を用いた遺伝的改良の年間率は、伝統的な手法よりもほぼ倍増すると予測されます。これは、個々の樹木が完璧ではないとしても、森林集団全体の改良速度を劇的に加速させることができるということを意味します。

本研究は、ゲノム選抜は強力なツールではあるものの、万能な解決策ではないと結論付けています。最も効果的な戦略は、改良したい特定の形質によって異なります。成長に関しては、最も関連性の高い遺伝マーカーをフィルタリングするターゲット型のアプローチが最適です。樹脂や木材の品質に関しては、このようなフィルタリングの恩恵は最小限であり、より単純なモデルで十分な場合があります。研究は、樹木育種の未来が、これらのハイテクツールを各形質のユニークな生物学に適合させることにあることを強調しており、最終的な森林の質を損なうことなく、遺伝コードを利用して待ち時間を短縮することを目指しています。前進への道筋には、これらの成果を確認するために、異なる環境や世代にわたるさらなる検証が必要ですが、これらの重要な産業用樹木を管理する方法を変革する可能性は、より明確になりつつあります。