Interpretable machine Learning Links Wheat 55K SNP Variation to Breeding-trait Prediction and Candidate Locus Prioritization

Tarwe vormt de ruggengraat van de wereldwijde voedselvoorziening, een gewas dat miljarden mensen voedt en voortdurende verbetering vereist om te voldoen aan de eisen van een veranderende wereld. Decennialang hebben plantenveredelaars vertrouwd op het observeren van hoe gewassen in het veld groeien, waarbij ze de hoogste, meest productieve of meest veerkrachtige planten selecteerden als ouders voor de volgende generatie. Dit proces is traag en vaak onvoorspelbaar, aangezien het uiteindelijke uiterlijk van een plant een mix is van zijn genetische code en de specifieke omstandigheden van het jaar waarin het werd gekweekt. In de afgelopen jaren hebben wetenschappers zich gericht op de genetische code zelf, op zoek naar minuscule variaties in het DNA die kunnen voorspellen hoe een plant zal presteren nog voordat deze ontkiemt. Deze variaties, bekend als single nucleotide polymorphisms of SNP's, fungeren als wegwijzers verspreid over het genoom. De uitdaging is geweest om een manier te vinden om deze wegwijzers nauwkeurig te lezen, vooral wanneer het aantal bestudeerde planten relatief klein is, en om niet alleen te begrijpen welke planten succesvol zullen zijn, maar ook welke specifieke delen van hun DNA verantwoordelijk zijn voor dat succes.

Een team onderzoekers van de Hebei Academy of Agriculture and Forestry Sciences en andere instellingen in China heeft een nieuwe aanpak ontwikkeld om dit probleem aan te pakken. Zij richtten zich op drie cruciale eigenschappen voor tarweboeren: hoe hoog de planten groeien, hoeveel graan een klein perceel produceert, en hoeveel aren er in een specifiek gebied verschijnen. Met behulp van een standaard chip die 55.000 van deze genetische wegwijzers kan lezen, analyseerde het team 193 verschillende tarwevariëteiten. Na het zorgvuldig opschonen van de gegevens om fouten en inconsistenties te verwijderen, bleven zij over met een set van 2.310 betrouwbare markers en 180 planten die zowel genetische gegevens als veldmetingen hadden. De onderzoekers pasten vervolgens een geavanceerde vorm van machine learning toe, een methode die machines in staat stelt patronen te vinden in complexe gegevens zonder expliciet geprogrammeerd te zijn met regels. In tegen tegenstelling tot oudere methoden die de genetische code behandelen als een eenvoudige lijst met getallen, kunnen deze moderne instrumenten subtiele, niet-lineaire relaties detecteren tussen verschillende delen van het DNA en de uiteindelijke eigenschappen van de plant.

De studie toonde aan dat niet alle eigenschappen even gemakkelijk te voorspellen zijn vanuit hun genetische code. Voor de hoogte van de plant en het totale gewicht van het geoogste graan van een perceel presteerden de computermodellen met matig succes. De beste modellen, die gebruik maakten van een techniek genaamd ExtraTrees, konden deze eigenschappen voorspellen met een nauwkeurigheid die aanzienlijk beter was dan willekeurige gokken, maar nog steeds ver van perfect was. Dit suggereert dat hoewel genetica een grote rol speelt, andere factoren zoals het milieu of complexe interacties tussen genen nog steeds de uitkomst beïnvloeden op manieren die moeilijk te vangen zijn met deze specifieke dataset. De voorspelling voor het aantal aren per oppervlakte-eenheid was echter een ander verhaal. Voor deze eigenschap bereikten de computermodellen een opmerkelijk hoog niveau van nauwkeurigheid, waarbij ze de prestaties van de planten correct identificeerden met een correlatie die de kracht van een directe meting benaderde. Dit sterke signaal was geen toevalstreffer; de onderzoekers testten hun resultaten honderden keren door de gegevens te husselen om er zeker van te zijn dat de gevonden patronen echt waren en niet slechts een toevalligheid van de specifieke planten die ze toevallig bestudeerden.

Naast het simpelweg voorspellen van hoe goed een gewas zou kunnen groeien, gebruikten de onderzoekers hun modellen om exact aan te wijzen welke genetische wegwijzers deze resultaten aanstuurden. Door de voorspellingen te combineren met statistische analyse, identificeerden zij specifieke locaties op de tarwechromosomen die het sterkst verbonden waren met elke eigenschap. Voor de planthoogte en de opbrengst per perceel werden de belangrijkste signalen gevonden op chromosoom 2B. Voor het aantal aren kwam het sterkste signaal van chromosoom 4B. De onderzoekers bekeken vervolgens nauwgezet de regio op chromosoom 4B en ontdekten dat de belangrijkste genetische marker zich binnen een specifiek gen bevond. Nog significanter was dat deze locatie fysiek overlapte met een regio van het genoom die wetenschappers eerder hebben geïdentificeerd als onderhevig aan sterke selectie tijdens de geschiedenis van de tarweveredeling, een regio die de plantarchitectuur en opbrengst beïnvloedt.

Dit werk demonstreert dat het mogelijk is om moderne machine learning te gebruiken om betekenisvolle biologische inzichten te extraheren uit middelgrote kweekdatasets, zelfs wanneer het aantal planten niet massaal is. De onderzoekers beweerden niet dat ze het enkele gen hadden gevonden dat alles controleert, noch suggereerden ze dat hun modellen klaar zijn om alle traditionele kweekmethoden te vervangen. In plaats daarvan boden ze een heldere, op bewijs gebaseerde kaart van waar men het volgende moet zoeken. De specifieke genetische markers die zij identificeerden, met name die op chromosoom 4B, zijn nu primaire kandidaten voor verdere tests. Veredelaars kunnen deze bevindingen gebruiken om snellere, meer gerichte manieren te ontwikkelen om nieuwe tarwevariëteiten te screenen, wat het proces van het ontwikkelen van gewassen die beter geschikt zijn om de toekomst te voeden, potentieel kan versnellen. De studie dient als een brug, die de ruwe kracht van genetische gegevens verbindt met de praktische behoeften van de landbouw, en laat zien dat we met de juiste instrumenten kunnen beginnen met het lezen van de genetische instructies van tarwe met meer helderheid dan ooit tevoren.