Trait-specific benefits of association-based marker preselection for genomic prediction in slash pine

Bossen zijn niet alleen verzamelingen van bomen; het zijn complexe fabrieken die hout, papier en een unieke, kleverige substantie genaamd oleohars produceren. Deze hars is de grondstof voor hars en terpentijn, essentiële ingrediënten in alles van vernissen tot bio-gebaseerde chemicaliën. Voor kwekers die deze bomen willen verbeteren, is het proces een test van geduld. In tegenstelling tot gewassen die in een enkel seizoen groeien, doen bomen zoals de slash pine er decennia over om volwassen te worden. Een kweker kan een zaadje planten, vijftien jaar wachten tot de boom hoog genoeg is gegroeid om de sterkte van het hout of de harsopbrengst te meten, en pas dan weten of het een goede keuze was. Dit lange wachten vertraagt de vooruitgang en maakt het moeilijk om gewenste eigenschappen, zoals snelle groei, sterk hout en een hoge harsopbrengst, te combineren in één superieure boom. Om dit te versnellen, hebben wetenschappers zich gericht op genomische selectie, een methode die de genetische code van een boom gebruikt om de toekomstige prestaties te voorspellen. In plaats van te wachten tot de boom groeit, kijken onderzoekers naar de DNA-markers van de boom—kleine variaties in de genetische sequentie—om te raden hoe deze eruit zal zien. Het genetische code is echter uitgestrekt en luidruchtig, en het simpelweg scannen van elk stukje DNA is niet altijd efficiënt. De uitdaging ligt in het weten welke genetische aanwijzingen het belangrijkst zijn voor specifieke eigenschappen en hoe je deze kunt gebruiken zonder te verdwalen in de data.

In een recente studie gericht op de slash pine, hebben onderzoekers geprobeerd dit voorspellende proces te verfijnen. Ze werkten met een populatie van 240 bomen, een mix van halfbroers en -zusters die werden gekweekt in een veldproef nabij Hangzhou, China. Deze bomen werden gemeten op twaalf verschillende kenmerken, variërend van de breedte van hun stammen en de hoogte van hun kruinen tot de stijfheid van hun hout en de chemische samenstelling van hun hars. Het team analyseerde vervolgens de genetische opbouw van elke boom en identificeerde meer dan 53.000 specifieke genetische markers afgeleid van de actieve genen van de boom. In plaats van al deze markers als gelijkwaardig te behandelen, testten de onderzoekers een strategie van preselectie. Ze voerden eerst een statistische scan uit binnen kleine groepen van de trainingsdata om te vinden welke markers het sterkst verbonden waren met elke specifieke eigenschap. Vervolgens gebruikten ze alleen die best presterende markers om hun voorspellingsmodellen te bouwen, waardoor ze de genetische ruis effectief wegfilterden om te zien of een scherpere focus zou leiden tot betere voorspellingen.

De resultaten toonden aan dat de waarde van deze gefocuste aanpak volledig afhangt van de eigenschap die wordt voorspeld. Voor groei-gerelateerde eigenschappen, zoals de diameter van de boomstam en de totale hoogte, maakte het gebruik van de preselectie-markers een aanzienlijk verschil. De modellen werden merkbaar beter in het voorspellen van deze uitkomsten, waarbij de nauwkeurigheid met bijna 12 procent verbeterde vergeleken met het gebruik van een willekeurige mix van markers. Dit suggereert dat er voor groei duidelijke, terugkerende genetische signalen zijn die vroegtijdig kunnen worden geïdentificeerd en gebruikt kunnen worden om selectie te sturen. Voor houtkwaliteitseigenschappen, zoals de stijfheid van het hout, was de verbetering veel kleiner, met een winst van slechts ongeveer 2 procent in voorspellende kracht. De strategie bood geen echt voordeel voor de oleohars-eigenschappen, de harsopbrengst en de chemische componenten daarvan. Voor deze complexe chemische eigenschappen waren de genetische signalen te zwak of te instabiel om effectief door de preselectie-methode te worden geïsoleerd, en de modellen presteerden net zo goed met een willekeurige verzameling markers.

De studie testte ook of het toevoegen van specifieke, hoog-betrouwbare genetische varianten als vaste inputs aan de modellen de prestaties verder zou stimuleren. Het idee was dat als een bepaalde genetische variant bekend staat om een groot effect te hebben, het dwingen van het model om daar aandacht aan te besteden de voorspelling zou kunnen verbeteren. De onderzoekers kwamen echter tot de conclusie dat dit zelden hielp. In de meeste gevallen presteerden de modellen net zo goed, of zelfs beter, zonder deze geforceerde inputs. Het complexe web van relaties tussen duizenden andere markers leek de benodigde informatie uit zichzelf al te vangen. Het toevoegen van te veel specifieke genetische regels vormde zelfs een risico op het verwarren van het model, vooral gezien het relatief kleine aantal bomen dat beschikbaar was voor training. De enige uitzonderingen waren een paar specifieke eigenschappen, zoals de kroonbreedte en bepaalde harschemicaliën, waarbij het toevoegen van een klein aantal van deze hoog-betrouwbare varianten een zeer kleine, marginale verbetering opleverde.

Naast de cijfers keken de onderzoekers naar de biologische verhalen achter de genetische markers die herhaaldelijk opdoken. Ze ontdekten dat de genen die verbonden waren met groei en houtvorming betrokken waren bij processen zoals celdeling en de productie van energie en bouwstenen voor de celwand. De genen geassocieerd met harsproductie waren gekoppeld aan de creatie van vetten en gespecialiseerde chemische verbindingen. Deze bevindingen bieden een biologische hypothese voor hoe deze eigenschappen werken, wat suggereert dat groei rust op de machinerie van celcreatie, terwijl harsproductie afhankelijk is van specifieke metabole paden. De onderzoekers merkten echter voorzichtig op dat dit suggesties zijn op basis van de data, en geen bewezen feiten. De genetische markers die in de studie werden gebruikt, waren niet gemapt naar specifieke locaties op chromosomen, waardoor ze niet de exacte genen konden aanwijzen, maar alleen de algemene biologische processen betrokken bij de eigenschappen.

Toen de onderzoekers hun beste modellen toepasten om de beste bomen voor een kweekprogramma te selecteren, waren de resultaten veelbelovend maar genuanceerd. Als zij de beste bomen selecteerden op basis van hun genetische voorspellingen, bezaten die bomen nog steeds ongeveer 80 tot 95 procent van de genetische waarde die gevonden zou zijn als men vijftien jaar had gewacht om de bomen direct te meten. Hoewel de genetische selectie niet de absoluut beste bomen binnen één cyclus vond, bood het een enorm voordeel in tijd. Door bomen op een veel jongere leeftijd te selecteren, kon de kweekcyclus worden verkort van vijftien jaar naar slechts zeven jaar. Wanneer deze tijdwinst wordt meegerekend, wordt de jaarlijkse snelheid van genetische verbetering met genomische selectie geschat op bijna het dubbele van traditionele methoden. Dit betekent dat hoewel de individuele geselecteerde bomen misschien niet perfect zijn, de snelheid waarmee de gehele bospopulatie verbetert, drastisch kan worden versneld.

De studie concludeert dat hoewel genomische selectie een krachtig hulpmiddel is voor de slash pine, het geen 'one-size-fits-all'-oplossing is. De meest effectieve strategie hangt af van de specifieke eigenschap die verbeterd moet worden. Voor groei werkt een gerichte aanpak die filtert voor de meest relevante genetische markers het best. Voor hars en houtkwaliteit is het voordeel van een dergelijke filtering minimaal, en volstaan eenvoudigere modellen wellicht. Het onderzoek benadrukt dat de toekomst van boomkweek ligt in het afstemmen van deze hoogtechnologische instrumenten op de unieke biologie van elke eigenschap, waarbij de genetische code wordt gebruikt om de wachttijd te verkorten zonder de kwaliteit van het uiteindelijke bos op te offeren. De weg vooruit vereist verdere tests in verschillende omgevingen en generaties om deze winsten te bevestigen, maar het potentieel om de manier waarop we deze vitale industriële bomen beheren te transformeren, wordt steeds duidelijker.