Phenotyping part of the target family improves within-family genomic prediction in rice nested association mapping families
Heranalyse van rijst-nested association mapping-data toont aan dat het fenotyperen van een klein deel (5–15%) van een doelpopulatie en het opnemen van die gegevens in genomische voorspellingsmodellen de voorspellende bekwaamheid binnen de familie en de opbrengst van geselecteerde lijnen aanzienlijk verbetert vergeleken met het uitsluitend vertrouwen op andere families of modelflexibiliteit alleen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Elk jaar worden rijstveredelaars geconfronteerd met een race tegen de klok en het budget. Ze kruisen verschillende rijstvariëteiten om nieuwe families van planten te creëren, in de hoop lijnen te vinden die meer graan produceren. De ultieme test is om deze planten op het veld te kweken en hun opbrengst te meten, maar dit proces is traag, duur en vereist enorme hoeveelheden land. Tegen de tijd dat de gegevens binnenkomen, is de veredelingscyclus alweer verder gegaan. Om dit te versnellen, gebruiken wetenschappers genomische voorspelling, een methode die naar het DNA van een plant kijkt om te raden hoe goed deze zal presteren voordat deze überhaupt wordt geplant. De uitdaging ontstaat wanneer een veredelaar een gloednieuwe familie rijstlijnen heeft die nog nooit in het veld is getest. Zonder opbrengstgegevens voor deze specifieke familie, moet het model raden op basis van gegevens van andere, oudere families. Deze gissingen zijn vaak zwak omdat de nieuwe familie een unieke mix van genen bevat die de oude gegevens niet volledig dekken.
De vraag die onderzoekers hebben gesteld, is hoe ze deze gissingen kunnen verbeteren wanneer de veldruimte beperkt is. Veredelaars hebben twee hoofdmogelijkheden. Ze kunnen hun beperkte aantal veldproefstukken gebruiken om een klein deel van de lijnen van de nieuwe familie te meten, waardoor ze deze verse, relevante gegevens aan het model toevoegen. Of ze kunnen het extra veldwerk overslaan en in plaats daarvan overstappen op een complexer wiskundig model dat probeert diepere patronen in de bestaande gegevens te vinden. Het was onduidelijk welke aanpak een betere return on investment bood: de kosten van het meten van een paar extra planten, of de kosten van het gebruik van een geavanceerder computeralgoritme.
In een recente studie hebben onderzoekers van de Hokkaido Universiteit een grote collectie rijstveredelingsgegevens herzien om dit debat te beslechten. Ze richtten zich op vijftien verschillende families van rijst, die allemaal één gemeenschappelijke ouder deelden maar werden gekruist met vijftien verschillende partners. Deze opzet creëerde een perfect laboratorium om te testen hoe goed een model de prestaties van broers en zusters voorspelt wanneer het slechts enkele gegevens van die specifieke familie heeft. Het team stelde een strikte regel op: ze hadden een vast budget van 2.000 opbrengstgegevens beschikbaar voor elke voorspellingsopdracht. Vervolgens testten ze vier verschillende strategieën. In twee strategieën gebruikten ze een standaard, lineair model. In de andere twee gebruikten ze een flexibeler, niet-lineair model dat in staat is complexe interacties tussen genen te detecteren. Voor de helft van deze strategieën vulden ze het volledige budget van 2.000 records met gegevens van de andere veertien families. Voor de andere helft namen ze 100 records weg bij de andere families en gebruikten ze deze om een klein deel van de doelgerichte familie zelf te meten — ongeveer 5 tot 15 procent van de lijnen in die nieuwe familie.
De resultaten waren duidelijk en consistent. Het meten van een klein deel van de nieuwe familie verbeterde de nauwkeurigheid van de voorspellingen voor de rest van die familie aanzienlijk. Wanneer de onderzoekers 100 records van andere families vervingen door 100 records van de doelgerichte familie, verbeterde het vermogen van het model om de planten correct te rangschikken merkbaar. Deze verbetering trad op voor zowel het eenvoudige lineaire model als het complexe niet-lineaire model. Sterker nog, het eenvoudige model presteerde, wanneer het gevoed werd met enkele records van de nieuwe familie, beter dan het complexe model deed wanneer het geen enkele record van die familie had. Het complexe model alleen, zonder enige nieuwe gegevens van de doelgerichte familie, bood slechts een kleine, bijna verwaarloosbare verbetering ten opzichte van het eenvoudige model. De beste resultaten werden behaald wanneer de onderzoekers de twee benaderingen combineerden: het gebruik van het flexibele model terwijl ook de 100 records van de nieuwe familie werden opgenomen.
De studie keek ook naar de praktische uitkomst: leidden deze betere voorspellingen ook daadwerkelijk tot het kiezen van hogere opbrengstgevende planten? Het antwoord was over het algemeen ja. Wanneer de veredelaars de top 10 procent van de lijnen selecteerden op basis van voorspellingen die de gegevens van de nieuwe familie bevatten, produceerden die geselecteerde lijnen gemiddeld meer graan dan lijnen die zonder die gegevens waren geselecteerd. Dit was bijzonder duidelijk bij een van de twee testlocaties in China. De onderzoekers merkten echter op dat het voordeel niet altijd statistisch significant was bij de tweede locatie, wat suggereert dat omgevingsfactoren kunnen beïnvloeden hoeveel deze extra gegevens helpen.
Misschien wel de belangrijkste bevinding was dat het voordeel van het meten van een paar planten in de nieuwe familie robuust was. Het bleef waar, ongeacht of de onderzoekers het eenvoudige of het complexe model gebruikten, en het bleef waar, zelfs wanneer zij de wiskundige instellingen van de modellen aanpasten. De studie suggereert dat voor veredelingsprogramma's die met verwante families werken, de meest effectieve strategie is om een klein deel van de veldruimte te wijden aan het meten van enkele lijnen uit de nieuwe familie. Deze kleine investering in gegevens levert een sterkere boost aan voorspellingsnauwkeurigheid op dan simpelweg overstappen op een ingewikkelder computeralgoritme. De onderzoekers concludeerden dat hoewel complexe modellen hun plek hebben, ze de waarde van echte gegevens van de specifieke te kweekende familie niet kunnen vervangen. Voor veredelaars die de beste beslissingen willen nemen met beperkte middelen, is de meest betrouwbare weg vooruit om een beetje van de nieuwe familie te meten en deze informatie te gebruiken om de selectie van de rest te begeleiden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.