Phenotyping part of the target family improves within-family genomic prediction in rice nested association mapping families
イネのネストされた関連マッピングデータの再解析により、ターゲットとなる家系のわずかな部分（5〜15%）を表現型解析し、それらの記録をゲノム予測モデルに組み込むことは、他の家系のみに依存する場合やモデルの柔軟性のみに頼る場合と比較して、家系内の予測能および選抜系統の収量を大幅に向上させることが示されている。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
毎年、イネの育種家たちは時間と予算との戦いに直面しています。彼らは異なるイネの品種を交配させて新しい系統を作り出し、より多くの穀物を生産する系統を見つけ出そうとしています。究極のテストは、これらの植物を圃場で栽培し、その収量を測定することですが、このプロセスは時間がかかり、コストも高く、広大な土地を必要とします。データが届く頃には、育種サイクルはすでに次の段階へと進んでしまっています。このプロセスを加速させるため、科学者たちはゲノム予測という手法を用いています。これは、植物が実際に植えられる前に、そのDNAを見て、どの程度優れたパフォーマンスを発揮するかを推測する方法です。課題は、育種家がまだ圃場でテストされたことのない、全く新しい系統のファミリーを持っているときに発生します。その特定のファミリーに関する収量記録がない場合、モデルは他の古いファミリーのデータに基づいて推測を行わなければなりません。これらの推測は、新しいファミリーが古いデータには完全には捉えきれない独自の遺伝子の組み合わせを持っているため、しばに弱いものとなります。
研究者たちが問い続けてきたのは、圃場のスペースが限られている場合に、どのようにすればこれらの推測をより良くできるかということです。育種家には主に2つの選択肢があります。一つは、限られた数の圃場プロットを使用して、新しいファミリーの系統のごく一部を測定し、この新鮮で関連性の高いデータをモデルに追加することです。もう一つは、追加の圃場作業をスキップして、既存のデータからより深いパターンを見つけ出そうとする、より複雑な数学的モデルに切り替えることです。どちらのアプローチがより高い投資収益率をもたらすのか、つまり、少数の追加の植物を測定するコストと、より洗練されたコンピュータアルゴリズムを使用するコストのどちらが良いのかについては、これまで明確ではありませんでした。
最近の研究において、北海道大学の研究チームは、この論争に決着をつけるために、大規模なイネ育種データのコレクションを再検討しました。彼らは15種類の異なるイネのファミリーに焦点を当てました。これらはすべて共通の親を持ち、それぞれが15種類の異なるパートナーと交配されたものです。この設定は、特定のファミリーからそのファミリーの記録がわずかにある場合に、兄弟関係にある系統のパフォーマンスをモデルがいかに正確に予測できるかをテストするための、完璧な実験室となりました。チームは、各予測タスクに対して、利用できる収量記録の予算を2,000件と厳格に定めました。そして、4つの戦略をテストしました。2つの戦略では、標準的な線形モデルを使用しました。他の2つでは、遺伝子間の複雑な相互作用を検出できる、より柔軟な非線形モデルを使用しました。これらの戦略の半分では、2,000件の記録の予算すべてを他の14のファミリーのデータで埋めました。残りの半分では、他のファミリーから100件の記録を取り除き、それをそのターゲットとなるファミリーの小さな一部を測定するために使用しました。これは、その新しいファミリーの系統の約5〜15パーセントに相当します。
結果は明白かつ一貫していました。新しいファミリーの一部を測定することは、そのファミリーの残りの部分に対する予測の精度を大幅に向上させました。研究者が他のファミリーから100件の記録をターゲットとなるファミリーの100件と入れ替えたとき、モデルが植物を正しくランク付けする能力は顕著に向上しました。この向上は、単純な線形モデルと複雑な非線形モデルの両方で見られました。実際、単純なモデルであっても、新しいファミリーの数件の記録を与えられた場合、そのファミリーの記録が全くない状態の複雑なモデルよりも優れたパフォーマンスを示しました。新しいデータがない状態の複雑なモデル単体では、単純なモデルに対してごくわずかな、ほとんど無視できる程度の改善しか示せませんでした。最良の結果は、これら2つのアプローチを組み合わせたとき、つまり柔軟なモデルを使用しながら、同時に新しいファミリーからの100件の記録を含めたときに得られました。
研究はまた、実用的な成果、すなわち、これらのより良い予測が実際に高収量の植物の選定につながったかどうかについても調査しました。答えは概ね「イエス」でした。予測に新しいファミリーの記録を含めて上位10パーセントの系統を選抜した際、選ばれた系統は、そのデータなしで選抜された系統よりも平均して多くの穀物を生産しました。これは、中国にある2つのテストサイトのうち、一方のサイトにおいて特に明確でした。しかし、研究者たちは、この利点が2番目のサイトでは必ずしも統計的に有意ではなかったことを指摘しており、環境条件がこれらの追加記録がどれほど役立つかに影響を与える可能性を示唆しています。
おそらく最も重要な発見は、新しいファミリーの数少ない植物を測定することのメリットが強固であることでした。それは、研究者が単純なモデルを使用しているか複雑なモデルを使用しているかにかかわらず、また、モデルの数学的な設定を調整した場合でも成立しました。この研究は、関連するファミリーを扱う育種プログラムにとって、最も効果的な戦略は、新しいファミリーの数少ない系統を測定するために、フィールドスペースのわずかな部分を充てることであると示唆しています。このデータへの小さな投資は、単に、より複雑なコンピュータアルゴリズムに切り替えるよりも、予測精度の強力なブーストを提供します。研究者たちは、複雑なモデルにも役割はあるものの、それらは特定の育種されているファミリーからの現実世界のデータを代替することはできないと結論付けました。限られたリソースの中で最善の決定を下そうとしている育種家にとって、最も信頼できる道は、新しいファミリーを少しだけ測定し、その情報を用いて残りの選抜を導くことです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。