Phenotyping part of the target family improves within-family genomic prediction in rice nested association mapping families
벼의 중첩 연관 매핑(nested association mapping) 데이터를 재분석한 결과, 대상 가계의 적은 부분(5~15%)만을 표현형 분석하고 해당 기록을 게놈 예측 모델에 포함시키는 것이 다른 가계에만 의존하거나 모델의 유연성만을 활용하는 것에 비해 가계 내 예측 능력과 선택된 계통의 수확량을 유의미하게 향상시킨다는 것이 입증되었다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
매년 벼 육종가들은 시간 및 예산과의 싸움에 직면합니다. 그들은 더 많은 알곡을 생산하는 계통을 찾기 위해 서로 다른 벼 품종들을 교배하여 새로운 식물 가계(family)를 만듭니다. 궁극적인 시험은 이 식물들을 실제 포장에 심어 수확량을 측정하는 것이지만, 이 과정은 느리고 비용이 많이 들며 방대한 양의 토지를 필요로 합니다. 데이터가 들어올 때쯤이면 이미 육종 주기는 다음 단계로 넘어가 버립니다. 속도를 높이기 위해 과학자들은 유전체 예측(genomic prediction)을 사용하는데, 이는 식물을 심기도 전에 DNA를 살펴 그 성능이 얼마나 좋을지 추측하는 방법입니다. 문제는 육종가가 아직 현장에서 테스트되지 않은 완전히 새로운 벼 가계를 가지고 있을 때 발생합니다. 해당 가계에 대한 수확량 기록이 전혀 없기 때문에, 모델은 다른 오래된 가계의 데이터를 바탕으로 추측해야 합니다. 이러한 추측은 새로운 가계가 기존 데이터가 온전히 포착하지 못하는 독특한 유전자 조합을 가지고 있기 때문에 종종 부정확할 수 있습니다.
연구자들이 던져온 질문은 포장 공간이 제한적일 때 어떻게 하면 이러한 추측을 더 개선할 수 있는가 하는 것입니다. 육종가들에게는 두 가지 주요 선택지가 있습니다. 제한된 수의 포장 구획을 사용하여 새로운 가계의 일부 계통을 측정함으로써, 이 신선하고 관련성 높은 데이터를 모델에 추가하는 것입니다. 또는, 추가적인 현장 작업을 건너뛰는 대신 기존 데이터에서 더 깊은 패턴을 찾아내려는 더 복렴한 수학적 모델로 전환하는 것입니다. 소수의 식물을 추가로 측정하는 비용과 더 정교한 컴퓨터 알고리즘을 사용하는 비용 중 어느 쪽이 더 나은 투자 수익을 제공하는지는 불분명했습니다.
최근 홋카이도 대학교의 연구진은 이 논쟁을 해결하기 위해 방대한 벼 육종 데이터를 재검토했습니다. 그들은 하나의 공통 부모를 공유하면서 15개의 서로 다른 파트너와 교배된 15개의 벼 가계에 초점을 맞추었습니다. 이 설정은 특정 가계로부터 단 몇 개의 기록만을 가지고 있을 때 형제 계통의 성능을 얼마나 잘 예측할 수 있는지 테스트하기 위한 완벽한 실험실 역할을 했습니다. 연구팀은 각 예측 작업에 사용할 수 있는 고정된 예산을 2,000개의 수확량 기록으로 설정했습니다. 그런 다음 네 가지 전략을 테스트했습니다. 두 가지 전략에서는 표준 선형 모델을 사용했습니다. 나머지 두 가지에서는 유전자 간의 복잡한 상호작용을 감지할 수 있는 더 유연한 비선형 모델을 사용했습니다. 네 가지 전략 중 절반은 2,000개의 기록 예산을 모두 다른 14개 가계의 데이터로 채웠습니다. 나머지 절반은 다른 가계에서 100개의 기록을 가져오는 대신, 이를 사용하여 해당 새로운 가계의 작은 일부(약 5~15%의 계통)를 측정했습니다.
결과는 명확하고 일관되었습니다. 새로운 가계의 일부를 측정하는 것은 나머지 가계에 대한 예측 정확도를 유의미하게 향상시켰습니다. 연구진이 다른 가계의 기록 100개를 대상 가계의 기록 100개로 교체했을 때, 식물의 순위를 올바르게 매기는 능력이 눈에 띄게 향상되었습니다. 이러한 개선은 단순 선형 모델과 복잡한 비선형 모델 모두에서 나타났습니다. 실제로, 새로운 가계의 기록을 몇 개 포함한 단순 모델이 해당 가계의 기록이 전혀 없는 상태의 복잡한 모델보다 더 나은 성능을 보였습니다. 대상 가계의 데이터 없이 복잡한 모델만 사용하는 것은 단순 모델에 비해 아주 미미하고 무시할 만한 수준의 개선만을 보여주었습니다. 가장 좋은 결과는 유연한 모델을 사용하면서 동시에 새로운 가계의 100개 기록을 포함하는 두 가지 접근 방식을 결합했을 때 나타났습니다.
연구진은 또한 실질적인 결과, 즉 이러한 더 나은 예측이 실제로 더 높은 수확량을 가진 식물을 선택하는 데 도움이 되었는지 조사했습니다. 답은 대체로 '예'였습니다. 예측에 새로운 가계의 기록을 포함하여 상위 10%의 계통을 선택했을 때, 그 선택된 계통들은 해당 데이터 없이 선택했을 때보다 평균적으로 더 많은 알곡을 생산했습니다. 이는 중국의 두 테스트 사이트 중 한 곳에서 특히 분명하게 나타났습니다. 그러나 연구진은 두 번째 사이트에서는 그 이점이 통계적으로 유의미하지 않았다고 언급하며, 환경 조건이 이러한 추가 기록이 얼마나 도움이 되는지에 영향을 미칠 수 있음을 시사했습니다.
아마도 가장 중요한 발견은 새로운 가계의 식물을 몇 개 측정하는 것의 이점이 견고하다는 점이었을 것입니다. 이는 연구진이 단순 모델이나 복잡한 모델 중 무엇을 사용하든, 그리고 모델의 수학적 설정을 조정하더라도 동일하게 유지되었습니다. 이 연구는 관련 가계들을 다루는 육종 프로그램의 경우, 가장 효과적인 전략은 새로운 가계의 몇몇 계통을 측정하는 데 아주 적은 비율의 포장 공간을 할애하는 것이라는 점을 시사합니다. 이러한 작은 데이터 투자는 단순히 더 복잡한 컴퓨터 알고리즘으로 전환하는 것보다 예측 정확도를 높이는 데 더 강력한 추진력을 제공합니다. 연구진은 복잡한 모델도 제 역할이 있지만, 육종 중인 특정 가계로부터 얻은 실제 데이터를 대체할 수는 없다고 결론지었습니다. 제한된 자원으로 최선의 결정을 내려야 하는 육종가들에게 가장 신뢰할 수 있는 길은, 새로운 가계의 일부를 조금이라도 측정하고 그 정보를 사용하여 나머지 계통을 선발하는 것입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.