Integrating Crop Growth Models and Genomic Prediction to Improve Flowering Time Forecasting Across Novel Environments and Breeding Lines

기술 요약: 개화기 예측 개선을 위한 작물 성장 모델과 유전체 예측의 통합

문제 정의
유전체 선발(Genomic Selection, GS)은 식물 육종에서 유전적 이득을 가속화해 왔으나, 훈련 데이터에 나타나지 않은 강력한 유전자형-환경-관리 상호작용(GxExM)을 특징으로 하는 새로운 환경에서의 성능을 예측하는 데 한계가 있다. 반면, 프로세스 기반 작물 성장 모델(Crop Growth Models, CGMs)은 생리적 관계를 인코딩함으로써 관측되지 않은 조건으로 외삽(extrapolation)할 수 있는 능력을 갖추고 있지만, 전통적으로 유전 정보를 직접 활용하는 능력은 부족하다. 반대로, 표준 통계적 유전체 모델(예: GBLUP)은 훈련 세트의 특정 환경 범위를 벗어나 일반화되는 데 어려움을 겪는 경우가 많다. 과제는 CGMs의 기계론적 외삽 능력과 전유전체 예측(Whole-Genome Prediction, WGP)의 예측력을 결합하여, 다양한 원예 작물 및 새로운 환경에서 개화기(flowering time)와 같은 표현형을 정확하게 예측할 수 있는 프레임워크를 개발하는 것이다.

연구 방법론
본 연구는 대조적인 생리적 반응을 보이는 두 가지 원예 작물인 브로콜리(Brassica oleracea var. italica)와 강낭콩(Phaseolus vulgaris L.)에 CGM-WGP(Crop Growth Model–Whole Genome Prediction) 프레임워크를 적용하였다.

• 데이터 소스:
  • 브로콜리: 자연적인 온도 구배를 포괄하기 위해 노스 플로리다의 6개 파종 시기에 걸쳐 평가된 이배체(doubled haploid, DH) 양친 집단(200개 계통).
  • 강낭콩: 미국, 콜롬비아, 푸에르토리코의 5개 환경에서 평가된 재조합 근교계(recombinant inbred line, RIL) 집단(187개 계통).
• CGM-WGP 프레임워크:
  • 기계론적 구성 요소: 개화기는 카디날 온도 베타 함수(cardinal temperature beta function)와 광주기 함수에 의해 제어되는 열 시간(thermal time) 주도 프로세스로 모델링되었다. 모델은 온도와 일장(daylength)에 기초하여 일일 발달 속도를 계산하고, 유전자형 특이적 생리적 시간 요구량($\Theta_g$)이 충족될 때까지 이를 누적한다.
  • 유전체 구성 요소: 유전자형 특이적 파라미터($\Theta_g$, 광주기 민감도 $S_g$, 임계 광주기 $P_{c,g}$)는 유전적 관계 행렬($G$)을 공분산 구조로 하는 다변량 정규 분포를 따르는 무작위 효과로 취급되었다.
  • 추정: 기대값-최대화(Expectation-Maximization, EM) 알고리즘을 사용하여 집단 수준의 하이퍼파라미터와 유전자형 특이적 파라미터를 공동 추정하였다. 이 "공동 접근법(joint approach)"은 유전적 사전 정보가 표현형 데이터가 희소한 유전자형에 대해 파라미터 추정을 규제(regularize)하여, 유전적으로 유사한 이웃 쪽으로 수축(shrinkage)되도록 한다.
• 비교 벤치마크:
  • 반응 법칙 GBLUP (Reaction Norm GBLUP, RN-GBLUP): 유전적 커널과 상호작용하는 환경 공분산 커널(온도 및 일장)을 포함하는 통계 모델.
  • 표준 GBLUP: 유전적 관계와 고정 환경 효과만을 사용하는 모델.
  • 순수 CGM: 유전적 차별화 없이 집단 평균 파라미터만을 사용하는 기계론적 모델.
• 검증: 증가하는 난이도에 따라 예측 능력을 테스트하기 위해 4가지 교차 검증 체계를 사용하였다: 희소 테스트(CV2), 새로운 유전자형(CV1), 새로운 환경(CV0), 새로운 환경에서의 새로운 유전자형(CV00).

주요 결과

• 새로운 환경에서의 성능: CGM-WGP 프레임워크는 테스트되지 않은 환경 및 테스트되지 않은 유전자형-환경 조합을 예측할 때 RN-GBLUP 벤치마크보다 유의미하게 우수한 성능을 보였다.
  • 강낭콩: 새로운 환경 시나리오(CV0)에서 CGM-WGP는 피어슨 상관계수($r$) 0.86, RMSE 5.2일을 달est하였으며, 이는 특히 훈련 세트와 광주기 체계가 달랐던 노스다코타 지역에서 RN-GBLUP보다 높은 정확도를 보였다.
  • 브로콜리: 새로운 환경 시나리오에서 CGM-WGP는 $r = 0.66$, RMSE = 9.4일을 달성하였으며, 이는 후기 시즌 파종의 열 구배(thermal gradients)로 인해 어려움을 겪은 RN-GBLUP를 능가했다.
• 희소 테스트에서의 성능: 훈련 데이터가 모든 대상 환경을 포함하는 경우(CV2 및 CV1), RN-GBLUP가 가장 높은 정확도를 보였으나(예: 강낭콩 CV2 $r = 0.93$), CGM-WGP도 그에 근접한 성능을 보였다.
• 파라미터 추정: 열 시간 요구량($\Theta_g$)이 유전자형 특이적 변이의 대부분을 포착하였다. 광주기 파라미터($S_g$ 및 $P_{c,g}$)는 두 종 모두에서 집단 평균값으로 수렴하였는데, 이는 훈련 환경 내의 일장 대비가 제한적이었기 때문으로 분석된다.
• 유전력: 추정된 생리적 시간 요구량($\Theta_g$)의 협의 유전력(narrow-sense heritability)은 강낭콩에서는 중간 정도($h^2 = 0.47$), 브로콜리에서는 낮은 수준($h^2 = 0.08$)이었다. 이는 형질의 복잡성과 실험 설계의 특성을 반영한다.

의의 및 주장
저자들은 본 연구가 주요 엽채류(maize 등)로부터 원예 작물로 CGM-WGP 프레임키의 일반화 가능성을 입증했다고 주장한다. 본 연구의 주요 의의는 다음과 같다:

1. 생리적 일반화: 단일한 모듈형 아키텍처를 사용하여 서로 대조적인 전략(예: 브로콜리의 온도 민감성 vs 강낭콩의 광주기 민감성)을 가진 작물을 성공적으로 모델링하였다.
2. 새로운 조건으로의 외삽: 통계적 유사성에만 의존하는 대신 생리적 메커니즘을 통해 GxExM 상호작용을 구조적으로 인코딩함으로써, 훈련 데이터에 없는 환경과 유전자형에 대해 정확한 예측을 제공한다.
3. 사전 QTL 식별 없이 작동: 게놈 전체 마커 데이터를 직접 활용하여 개화기를 예측하므로, 사전의 양적 형질 위치(QTL) 식별이나 특정 매핑 집단에 국한될 필요가 없다.
4. 육종 전략에 대한 정보 제공: 결과는 다양한 환경에서 운영되는 육종 프로그램이 예측 파이프라인 내에서 CGM-WGP(새로운 기후/지리적 조건으로의 외삽용)와 RN-GBLUP(알려진 환경 내의 밀집 테스트용)을 모두 유지하도록 고려해야 함을 시사한다.

결론적으로, 본 논문은 표준 유전체 선발이 대상 환경 내에서 유전자형 수를 늘리는 것에 이점이 있는 반면, CGM-WGP는 전이 가능한 파라미터를 보정할 수 있도록 충분한 환경적 대비(열적, 광주기적)를 의도적으로 포괄하는 실험 설계가 필요함을 밝히고 있다. 이러한 접근 방식은 아직 육종 프로그램의 시험 네트워크에 포함되지 않은 목표 환경을 대상으로 한 선발을 가능하게 한다.