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

Durante séculos, os agricultores têm dependido de uma arte lenta e paciente para melhorar suas colheitas: o cruzamento entre variedades. Ao cruzar duas plantas com diferentes pontos fortes, eles esperam combinar essas características na descendência. Mas a natureza é imprevisível, e a loteria genética do melhoramento tradicional muitas vezes exige muitas gerações de plantio, espera e seleção antes que uma variedade verdadeiramente superior surja. Em uma era em que as mudanças climáticas e o crescimento populacional exigem soluções mais rápidas, esse ritmo lento é um gargalo. Cientistas há muito buscam uma maneira de olhar dentro do código genético da planta para prever quais combinações funcionarão melhor antes mesmo que uma única semente seja plantada. Essa abordagem, conhecida como predição genômica, utiliza modelos computacionais para estimar como partes específicas do DNA influenciarão o crescimento, o rendimento ou a resiliência de uma planta. O desafio tem sido encontrar uma maneira de tornar essas previsões precisas o suficiente para guiar a agricultura real, especialmente ao tentar equilibrar múltiplos objetivos ao mesmo tempo, como tornar uma cultura tanto de alto rendimento quanto resistente à seca.

Uma equipe de pesquisadores demonstrou agora uma nova e poderosa estratégia que faz a ponte entre dados genéticos complexos e a agricultura prática. Eles começaram criando uma enorme biblioteca de variedade genética, uma coleção de 2.787 linhagens de plantas distintas derivadas do cruzamento de uma variedade de arroz de alto desempenho conhecida como 'Hitomebore' com outras 19 doadoras diversas. Esse grande grupo, chamado de população de mapeamento de associação aninhada, serviu como um mapa detalhado de como diferentes partes genéticas interagem. Usando esse extenso conjunto de dados, os cientistas construíram modelos computacionais altamente precisos capazes de ler o código genético dessas linhagens e prever seu desempenho. Diferente de métodos anteriores que poderiam apenas supor o resultado, esses modelos foram treinados nas combinações genéticas específicas presentes no estudo, permitindo-lhes estimar o efeito de segmentos específicos de DNA com um rigor notável.

O verdadeiro teste dessa estratégia ocorreu quando os pesquisadores usaram seus modelos para projetar um plano de melhoramento do zero. Em vez de depender da sorte, eles pediram ao computador para identificar as combinações genéticas específicas que maximizariam o rendimento, ao mesmo tempo em que gerenciavam as compensações naturais entre diferentes características. Os modelos os direcionaram para um conjunto de linhagens ideais e um caminho específico para cruzá-las. Seguindo esse projeto digital, a equipe realizou o trabalho de melhoramento real, cruzando as plantas selecionadas para criar novas gerações de arroz. Os resultados confirmaram o poder da abordagem: as novas linhagens de arroz possuíam exatamente os genótipos alvo que os modelos haviam previsto, entregando as melhorias desejadas em múltiplos traços relacionados ao rendimento simultaneamente. Este trabalho mostra que, ao combinar uma população inicial grande e diversa com modelos de predição interpretáveis, os criadores podem construir rapidamente cultivares com a composição genética precisa necessária para enfrentar os desafios de um mundo em mudança.