Mutation breeding for quantitative traits in the era of genomic selection
本研究表明,虽然基因组选择无法直接预测单个突变系中的私有突变,但一旦这些突变通过杂交在亲缘关系近的个体间共享,基因组选择就能有效捕捉诱导的多基因变异,从而为将诱变育种整合进前育种计划中提供了一种可行的策略。
原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
长期以来,农民和科学家一直依赖两条不同的路径来改良作物。第一条是选择性育种,这是一种有着数百年历史的实践,通过从田间挑选最优秀的植物并进行杂交,以结合它们理想的性状。这种方法通过重新洗牌已经在群体中存在的现有遗传“卡牌”来发挥作用。第二条路径是诱变育种,这是一种更现代的技术,利用化学物质或辐射故意扰乱种子的DNA,希望能创造出自然界从未自主产生的全新遗传“卡牌”。虽然选择性育种为世界提供了世代不断的粮食,但诱变育种通常是一个更独立、更缓慢的过程,依赖于研究人员在成千上万株受损植物中人工搜寻罕见的有益变化。现代农业面临的问题是,这两个世界是否终于可以融合:用于预测选择性育种成功率的强大计算机模型,是否也能帮助育种者驾驭诱导突变的混沌潜力?
苏格兰农业与林业学院的一个研究小组通过测试一种称为基因组选择的方法,对两组先进的突变植物进行了测试:190系小麦和74系番茄。基因组选择是一种利用植物的遗传密码来预测其未来表现(例如产量多少或果实有多甜)的工具,而无需等待植物完全生长。研究人员想看看这种工具是否也能应用于彼此从未进行过杂交的突变品系,以及它是否能帮助育种者将多个微小的、有益的突变组合到单一的优良作物中。他们还运行了计算机模拟,观察如果这些突变品系在几代之内与野生植物进行杂交,它们会如何表现,从而测试计算机模型是否能够成功追踪并积累这些新的突变。
现实世界的植物样本研究结果揭示了一个令人惊讶的局限性。当研究人员试图仅根据每系所携带的突变来使用基因组选择来预测突变小麦和番茄的价值时,模型失败了。计算机无法“看到”那些独特的诱导突变,因为它们是每个品系所私有的;没有任何两株植物拥有相同的这种新遗传变化。相反,模型的预测完全来自于这些植物与其原始亲本品种所共享的背景遗传相似性。例如,在小麦组中,预测信号来自于仍与亲本植物混合的大块染色体片段,而非来自新的突变。在番茄组中,由于其突变更加独特,模型在私有突变中根本没有发现任何预测能力。这一发现表明,仅仅收集独立的突变品系是不够的,必须先通过杂交让这些突变在亲缘关系近的个体之间共享。
然而,当研究人员观察那些突变体被杂交后的情况时,故事发生了变化。在计算机模拟中,他们创建了一些群体,让突变品系与野生植物进行杂交,使新的突变能够在后代中混合并传播。在这些场景中,基因组选择证明了自己是一个强大的改良引擎,但仅限于特定条件。当突变数量众多且包含有益与有害变化的平衡组合时,计算机引导的选择法以大幅领先于传统方法。在仅仅两个选择周期后,基因组方法产生的植物遗传价值为2.84,而专注于寻找并保留单一最大有益突变的传统方法仅为0.45。计算机模型之所以成功,是因为它能同时选择许多微小的有益变化,同时过滤掉有害的变化,而这对于人工选择来说任务过于复杂。
模拟还显示,这种方法的价值在很大程度上取决于起始群体的遗传多样性。在自然遗传变异较低的场景中,引入突变创始人使五个选择周期内的遗传增益提升了近七倍。在这些案例中,新的突变是唯一的改良来源,而计算机模型能够捕捉到几乎所有的这些增益。相反,当自然变异已经很高时,添加突变的收益微乎其微,增益仅增加了约5%。这表明,当一种作物已经耗尽了可以利用的自然多样性时,诱变育种的价值最为突出,此时新的突变提供了一个新鲜的性状库。
最终,这项研究阐明了作物改良的一条关键路径。它证明了基因组选择无法预测单个突变品系的价值,因为其独特的突变过于稀有,无法从其他品系中学习;但一旦这些突变体被杂交,并且它们的遗传变化开始在亲缘关系近的个体间分离,计算机模型就能有效地捕捉并积累这些变化。这为将诱变育种整合进现代前育种计划提供了一条切实可行的途径:利用诱变产生新的多样性,通过杂交让突变体分享这些变化,然后利用基因组选择快速堆叠有益性状。这种方法可以帮助育种者开发出对气候变化更具韧性、并能喂养不断增长的全球人口的作物,将随机突变的混沌潜力转化为农业中可预测且强大的工具。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。