Genomic prediction models based on a large-scale recombinant population allow rapid breeding of desired genotypes

Eeuwenlang hebben boeren vertrouwd op een langzame, geduldige kunst om hun gewassen te verbeteren: kruisbestuiving. Door twee planten met verschillende sterktes met elkaar te veredelen, hopen ze die eigenschappen in de nakomelingen te combineren. Maar de natuur is onvoorspelbaar, en de genetische loterij van traditionele veredeling vereist vaak vele generaties van planten, wachten en selecteren voordat er een werkelijk superieur ras verschijnt. In een tijdperk waarin klimaatverandering en bevolkingsgroei om snellere oplossingen vragen, vormt dit trage tempo een knelpunt. Wetenschappers zoeken al lang naar een manier om in de genetische code van de plant te kijken om te voorspellen welke combinaties het beste zullen werken voordat er ook maar één zaadje is geplant. Deze benadering, bekend als genomische voorspelling, gebruikt computermodellen om te schatten hoe specifieke stukjes DNA de groei, opbrengst of veerkracht van een plant zullen beïnvloeden. De uitdaging is geweest om een manier te vinden om deze voorspellingen nauwkeurig genoeg te maken om de praktijk van de landbouw te sturen, vooral wanneer men probeert meerdere doelen tegelijkertijd te balanceren, zoals het maken van een gewas dat zowel een hoge opbrengst als droogteresistentie heeft.

Een team van onderzoekers heeft nu een krachtige nieuwe strategie gedemonstreerd die de kloof overbrugt tussen complexe genetische data en praktische landbouw. Ze begonnen met het creëren van een enorme bibliotheek van genetische variëteit, een collectie van 2.787 verschillende plantlijnen afgeleid van het kruisen van een top-presterende rijstvariëteit genaamd 'Hitomebore' met 19 andere diverse rijstdonoren. Deze grote groep, een zogenaamde nested association mapping population genoemd, diende als een gedetailleerde kaart van hoe verschillende genetische stukken met elkaar interageren. Met behulp van deze uitgebreide dataset bouwden de wetenschappers uiterst nauwkeurige computermodellen die in staat zijn de genetische code van deze lijnen te lezen en hun prestaties te voorspellen. In tegen tegenoverlijk aan eerdere methoden die de uitkomst zouden gokken, werden deze modellen getraind op de specifieke genetische combinaties die in de studie aanwezig waren, waardoor ze het effect van specifie recente DNA-segmenten met opmerkelijke precisie konden inschatten.

De echte test van deze strategie kwam toen de onderzoekers hun modellen gebruikten om vanaf nul een veredelingsplan te ontwerpen. In plaats van te vertrouwen op toeval, vroegen ze de computer om de specifieke genetische combinaties te identificeren die de opbrengst zouden maximaliseren terwijl de natuurlijke afwegingen tussen verschillende eigenschappen worden beheerd. De modellen wezen hen naar een reeks optimale lijnen en een specifiek pad om hen te kruisen. Volgens deze digitale blauwdruk voerde het team het daadwerkelijke veredelingswerk uit, waarbij de geselecteerde planten werden gekruist om nieuwe generaties rijst te creëren. De resultaten bevestigden de kracht van de aanpak: de nieuwe rijstlijnen bezaten exact de doel-genotypen die de modellen hadden voorspeld, en leverden de gewenste verbeteringen in meerdere opbrengstgerelateerde eigenschappen tegelijkertijd. Dit werk laat zien dat door een grote, diverse startpopulatie te combineren met interpreteerbare voorspellingsmodellen, veredelaars snel cultivars kunnen construeren met de exacte genetische samenstelling die nodig is om de uitdagingen van een veranderende wereld het hoofd te bieden.