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

As florestas não são apenas coleções de árvores; são fábricas complexas que produzem madeira, papel e uma substância única e viscosa chamada oleoresina. Esta resina é a matéria-prima para a colofónia e a terebentina, ingredientes essenciais em tudo, desde vernizes até produtos químicos de base biológica. Para os criadores que tentam melhorar estas árvores, o processo é um teste de paciência. Ao contrário das culturas que crescem num único ano, as árvores como o pinheiro-slash levam décadas para atingir a maturidade. Um criador pode plantar uma semente, esperar quinze anos para que a árvore cresça o suficiente para medir a resistência da sua madeira ou a produção de resina, e só então saber se foi uma boa escolha. Esta longa espera atrasa o progresso e torna difícil combinar características desejáveis, como o crescimento rápido, a madeira forte e o alto rendimento de resina, num único exemplar superior. Para acelerar as coisas, os cientistas recorreram à seleção genómica, um método que utiliza o código genético de uma árvore para prever o seu desempenho futuro. Em vez de esperar que a árvore cresça, os investigadores analisam os seus marcadores de DNA — pequenas variações na sua sequência genética — para adivinhar como ela será. No entanto, o código genético é vasto e ruidoso, e simplesmente digitalizar cada parte do DNA nem sempre é eficiente. O desafio reside em saber quais as pistas genéticas mais importantes para características específicas e como utilizá-las sem se perder nos dados.

Num estudo recente focado no pinheiro-slash, os investigadores procuraram refinar este processo de previsão. Trabalharam com uma população de 240 árvores, uma mistura de meio-irmãos cultivados num ensaio de campo perto de Hangzhou, China. Estas árvores foram medidas para doze características diferentes, que variam desde a largura dos seus troncos e a altura das suas copas até à rigidez da sua madeira e a composição química da sua resina. A equipa analisou então a constituição genética de cada árvore, identificando mais de 53.000 marcadores genéticos específicos derivados dos genes ativos da árvore. Em vez de tratarem todos estes marcadores de forma igual, os investigadores testaram uma estratégia de pré-seleção. Primeiro, realizaram uma varredura estatística dentro de pequenos grupos dos dados de treino para encontrar quais os marcadores mais fortemente ligados a cada característica específica. Utilizaram depois apenas esses marcadores de melhor desempenho para construir os seus modelos de previsão, filtrando eficazmente o ruído genético para ver se um foco mais nítido levaria a palpites melhores.

Os resultados revelaram que o valor desta abordagem focada depende inteiramente da característica que está a ser prevista. Para características relacionadas com o crescimento, como o diâmetro do tronco da árvore e a sua altura total, o uso dos marcadores pré-selecionados fez uma diferença significativa. Os modelos tornaram-se visivelmente melhores a prever estes resultados, melhorando a sua precisão em quase 12 por cento em comparação com o uso de uma mistura aleatória de marcadores. Isto sugere que, para o crescimento, existem sinais genéticos claros e recorrentes que podem ser identificados precocemente e usados para guiar a seleção. As características de qualidade da madeira, como a rigidez da madeira, viram uma melhoria muito menor, ganhando apenas cerca de 2 por cento de poder preditivo. A estratégia não ofereceu qualquer benefação real para as características da oleoresina, o rendimento da resina e os seus componentes químicos. Para estas características químicas complexas, os sinais genéticos eram demasiado fracos ou instáveis para serem isolados eficazmente pelo método de pré-seleção, e os modelos tiveram um desempenho igual ao de uma seleção aleatória de marcadores.

O estudo também testou se a adição de variantes genéticas específicas de alta confiança como entradas fixas nos modelos aumentaria o desempenho. A ideia era que, se uma variante genética específica fosse conhecida por ter um grande efeito, forçar o modelo a prestar atenção a ela poderia melhorar a previsão. No entanto, os investigadores descobriram que isto raramente ajudava. Na maioria dos casos, os modelos funcionaram tão bem, ou até melhor, sem estas entradas forçadas. A complexa teia de relações entre milhares de outros marcadores parecia capturar a informação necessária por si só. Adicionar demasiadas regras genéticas específicas corria o risco de confundir o modelo, especialmente dado o número relativamente pequeno de árvores disponíveis para treino. As únicas exceções foram algumas características específicas, como a largura da copa e certas substâncias químicas da resina, onde a adição de um pequeno número destas variantes de alta confiança proporcionou uma melhoria mínima e marginal.

Para além dos números, os investigadores analisaram as histórias biológicas por trás dos marcadores genéticos que apareceram repetidamente. Descobriram que os genes ligados ao crescimento e à formação da madeira estavam envolvidos em processos como a divisão celular e a produção de energia e blocos de construção para a parede celular. Os genes associados à produção de resina estavam ligados à criação de gorduras e compostos químicos especializados. Estas descobertas oferecem uma hipótese biológica sobre como estas características funcionam, sugerindo que o crescimento depende da maquinaria de criação celular, enquanto a produção de resina depende de vias metabólicas específicas. No entanto, os investigadores foram cuidadosos ao notar que estas são sugestões baseadas nos dados, não factos comprovados. Os marcadores genéticos utilizados no estudo não foram mapeados para locais específicos nos cromossomas, pelo que não podiam identificar genes exatos, apenas os processos biológicos gerais envolvidos.

Quando os investigadores aplicaram os seus melhores modelos para selecionar as melhores árvores para um programa de melhoramento, os resultados foram promissores, mas matizados. Se selecionassem as melhores árvores com base nas suas previsões genéticas, essas árvores ainda possuiriam cerca de 80 a 95 por cento do mérito genético que teria sido encontrado se tivessem esperado quinze anos para medir as árvores diretamente. Embora a seleção genética não tenha encontrado as árvores absolutamente melhores dentro de um único ciclo, ofereceu uma vantagem enorme em termos de tempo. Ao selecionar árvores numa idade muito mais jovem, o ciclo de melhoramento poderia ser encurtado de quinze anos para apenas sete. Quando esta poupança de tempo é fatorada, a taxa anual de melhoramento genético utilizando a seleção genómica é projetada para ser quase o dobro dos métodos tradicionais. Isto significa que, embora os indivíduos selecionados possam não ser perfeitos, a velocidade com que toda a população florestal melhora pode ser dramaticamente acelerada.

O estudo conclui que, embora a seleção genómica seja uma ferramenta poderosa para o pinheiro-slash, não é uma solução universal. A estratégia mais eficaz depende da característica específica que se pretende melhorar. Para o crescimento, uma abordagem direcionada que filtre os marcadores genéticos mais relevantes funciona melhor. Para a resina e a qualidade da madeira, os benefícios de tal filtragem são mínimos, e modelos mais simples podem ser suficientes. A investigação destaca que o futuro do melhoramento florestal reside em adaptar estas ferramentas de alta tecnologia à biologia única de cada característica, utilizando o código genético para encurtar a espera sem sacrificar a qualidade da floresta final. O caminho a seguir exige mais testes em diferentes ambientes e gerações para confirmar estes ganhos, mas o potencial para transformar a forma como gerimos estas árvores industriais vitais está a tornar-se mais claro.