Leveraging synthetic environmental covariates to explore crop genotype by environment interactions

기술 요약: 작물 유전자형-환경 상호작용(GEI) 탐색을 위한 합성 환경 공변량 활용

문제 제기
식물 육종가들은 환경 조건의 예측 불가능성과 유전자형-환경 상호작용(GEI)의 복잡성으로 인해 표현형 성능을 예측하는 데 상당한 어려움을 겪고 있다. FA(Factor Analytic) 모델과 같은 기존의 통계적 접근 방식은 예측을 위해 GEI 분산을 효과적으로 포착하지만, 특정 환경 동인(driver)에 대한 직접적인 해석력을 결여한 잠재 요인(latent factors)을 가진 "블랙박스"로 작동하는 경우가 많다. 반면, 단일 환경 축을 사용하는 반응 곡선(reaction norm) 접근법은 해석력은 높지만, 계산적으로 실행 불가능해질 정도로 다수의 공변량으로 확장하는 데 한계가 있다. 또한, 전통적인 안정성 선택(stability selection)은 종종 수량 잠재력을 희생시키며, 현재의 방법론들은 GEI를 개별 발달 단계의 해상도로 분해하는 경우가 드물어 어떤 특정 성장 단계가 수량 불안정성을 유발하는지 파악하기 어렵다. 따라서 작물의 표현형 단계(phenological timeline)에 걸쳐 GEI를 특정 환경 공변량과 연결할 수 있는 확장 가능하고 해석 가능한 프레임워크가 필요하다.

방법론
저자들은 Piepho와 Blancon(2023)의 프레임워크를 기반으로 한 합성 환경 공변량을 사용하여 Finlay–Wilkinson 회귀를 확장한 파이프라인을 개발하였다. 본 연구는 호주의 12개 필드 시험(6개 지역, 4개 년도)에서 테스트된 961개 유전자형을 포함하는 보리 육종 데이터셋을 활용하였다.

방법론은 다음과 같은 네 가지 주요 단계로 진행되었다:

1. 데이터 준비: 표현형 수량 데이터는 게놈 데이터(6,599개 SNP)와 결합되어 게놈 관계 행렬(GRM)을 생성하였다. 환경 데이터(강수량, 온도, VPD, 일사량, 일장, 토양 수분)는 SILO 데이터셋에서 추출되었다. 표현형 단계는 개화기(Spartacus CL)를 기준으로 정렬되었으며, 누락된 데이터는 APSIM-Barley 모델을 통해 시뮬레이션되었다.
2. 발달 단계 정의: 생육 기간을 11개의 열량 시간 창(flowering 대비 -1100°Cd에서 +1000°Cd 범위)으로 나누었다. 각 창에 대해 "환경 공변량 모델"(확장된 Finlay–Wilkinson 회귀)을 적합시켜 요인 부하량($\lambda$)을 도출하였다. 양의 상관관계를 보이는 창들을 그룹화하여 여섯 개의 뚜렷한 발달 단계(출현, 발달, 개화, 초기 곡실 비대기, 후기 곡실 비대기, 성숙기)를 도출하였다.
3. 합성 공변량 도출: 각 여섯 개의 그룹화된 창에 대해, 7개의 환경 변수를 선형 결합하여 창당 하나의 "합성 환경 공변량"($z_j$)을 도출하였다. 이 공변량들은 GEI 분산에 대한 기여도에 따라 가중치가 부여되었다.
4. 합성 공변량 모델: 여섯 개의 합성 공변량을 포함하는 최종 혼합 선형 모델을 적합시켰다. 이 모델은 고정 유전자형 효과, 각 합성 공변량에 대한 유전자형별 기울기($\beta_{ih}$)(특정 성장 단계에서의 환경 조건에 대한 민감도를 나타냄), 그리고 잔차 GEI 항을 포함한다. 모델은 유전자형-공변량 상호작용을 위해 GRM으로 제약된 비구조적 분산-공배치 행렬을 사용하였다.

주요 기여

• GEI의 발달 단계별 해상도: 이 접근 방식은 GEI를 단순히 환경 전반에 걸쳐 분석하는 것이 아니라, 특정 발달 단계별로 분해하여 어떤 성장 단계가 수량 불안정성에 가장 크게 기여하는지를 식별한다.
• 해석 가능성: 관측된 환경 변수로부터 도출된 합성 공변량을 사용함으로써, 모델은 잠재적 혼란(latent confounding) 없이 높은 차원의 환경 데이터를 수용하면서도 유전자형 특이적 민감도 매개변수(Finlay–Wilkinson 기울기와 유사함)에 대한 해석력을 유지한다.
• 단계별 안정성 지표: 이 파이프라인은 전체 시즌에 대한 단일 통합 측정치가 아닌, 개별 성장 단계에 특화된 수량 안정성 지표를 계산할 수 있게 한다.
• 하플로타입 수준 분석: 이 방법은 국소 게놈 추정 육종가(Local GEBV)를 분석하도록 확장되어, 특정 발달 단계에서 안정성 또는 불안정성을 보이는 하플로타입을 식별할 수 있게 하였다.

결과

• GEI의 동인: 사례 연구 결과, 보리 수량의 총 GEI 분산에 가장 크게 기여한 것은 **초기 곡실 비대기(early grain fill)**의 환경 조건이었으며, 성숙기가 그 뒤를 이었다. 발달 단계는 가장 적게 기여하였다.
• 환경적 동인: 초기 곡실 비대기 창 내에서는 7개의 모든 환경 공변량이 GEI 분산에 기여하였다. 성숙기에는 강수량이 지배적인 동인이었으며(해당 단계에 할당된 분산의 약 47%를 차지), 이는 직접적인 생리적 스트레스보다는 관리상의 제한(예: 수확 지연)을 반영하는 것으로 보인다. 최저 기온(야간 기온)은 대부분의 단계에서 최고 기온보다 GEI 분산에 더 많이 기여하였다.
• 유전자형 안정성: 안정성은 동적임이 밝혀졌다. 품종은 한 성장 단계에서는 환경 전반에 대해 안정적일 수 있지만, 다른 단계에서는 불안정할 수 있다. 예를 들어, RGT Planet 품종은 초기 성장 단계에서는 높은 불안정성을 보였으나 초기 곡실 비대기와 성숙기에는 높은 안정성을 보였다. 반대로, Oxford는 일반적으로 불안정했으나 후기 곡실 비대기에는 높은 안정성을 보였다.
• 하플로타입 역학: 하플로타입 분석 결과, 수량에 가장 유익한 하플로타입이 항상 가장 안정적인 것은 아님이 드러났다. 일부 게놈 블록(예: b001604)에서 한 환경에서의 최상위 성능 하플로타입은 가장 불안정한 것이었던 반면, 다른 블록에서는 높은 성능이 안정성과 상관관계를 보였다. 이는 특정 염색체 구간에서의 효과 크기와 안정성 사이의 트레이드오프를 강조한다.
• 모델 성능: 합성 공변량 구성 요소는 잔차 GEI 항 대비 약 99.1%의 GEI 분산을 포착하였으며, 이는 환경 공변량을 통해 GEI를 설명하는 모델의 능력을 입증한다.

의의 및 주장
본 논문은 이 접근 방식이 "새로운, 성장 단계별로 해상도가 높은 수량 안정성 척도"를 제공하며, 순수 잠재 모델보다 생물학적으로 더 해석 가능한 복잡한 형질에 대한 GEI 분해 수단을 제공한다고 주장한다. 수량 안정성이 발달 과정에 따라 달라진다는 점을 식별함으로써, 저자들은 육종가들이 시즌 전체의 광범위한 안정성을 위해 수량 잠재력을 희생시키는 대신, GEI 분산을 주도하는 특정 발달 단계(예: 초기 곡실 비대기)의 안정성을 타겟팅할 수 있다고 제안한다.

저자들은 이 방법을 "블랙박스" 예측을 넘어 다음과 같은 경로를 제공하는 도구로 포지셔닝한다:

1. 특정 성장 단계에서 안정성 또는 특이성을 개선하기 위한 타겟 영역을 식별한다.
2. 단순한 지리적 또는 전체 생산성 지표가 아닌, 단계별 GEI 패턴에 기반한 환경 클러스터링을 용이하게 한다.
3. (공변량 데이터가 제공된다는 전제하에) 명시적인 모델 매개변수와 관측 가능한 환경 변수 간의 연결을 활용하여 새로운 환경에서의 성능을 예측할 수 있다.

본 연구는 이 방법이 기계론적 작물 모델을 대체하는 것은 아니지만, 정량 유전학과 환경 특성화 사이의 간극을 메울 수 있는 확장 가능한 통계적 프레임워크를 제공하며, 이를 통해 육종 프로그램에서 더욱 전략적인 선택 결정을 내릴 수 있게 한다고 결론짓는다.