Los modelos permiten la optimización de las compensaciones entre múltiples propiedades.

Cualquiera que haya experimentado con iniciadores de masa fermentada durante la pandemia de Covid-19 sabe que los panaderos valoran la harina de trigo rica en proteínas. Las proteínas aseguran que la masa de pan sea elástica y estirable. Estas propiedades permiten que la masa capture mejor el dióxido de carbono, haciendo que suba más verticalmente y haciendo que el pan horneado sea ligero y aireado.

La importancia del trigo va más allá del panadero casero. El trigo es un alimento básico que proporciona alrededor del 20% de todas las calorías y proteínas consumidas por los humanos. Se espera que la demanda de trigo aumente en un 60 % para 2050, mientras que los rendimientos ya están disminuyendo debido a la disminución de los recursos hídricos y al calor del cambio climático.

Los científicos luchan por desarrollar un trigo que pueda generar altos rendimientos a pesar de la crisis climática. Sin embargo, es difícil seleccionar rasgos complejos como el rendimiento sin afectar también rasgos aparentemente no relacionados: el aumento del rendimiento del trigo se correlaciona negativamente con el contenido de proteína (que es esencial para la nutrición humana y también importante para una buena masa madre).

Los modelos de selección genómica pueden ilustrar cómo se puede aumentar el rendimiento del trigo sin reducir el contenido de proteínas.

El estudiante graduado del Instituto Nacional de Botánica Agrícola (NIAB, por sus siglas en inglés) Nick Fradgley y sus colegas utilizaron modelos genéticos para determinar cómo optimizar la selección de múltiples rasgos en el mejoramiento, en un nuevo artículo publicado en en silico Planta.

El estudio utilizó una población de mapeo recientemente desarrollada, llamada MAGIC, de más de 500 líneas endogámicas descendientes de dieciséis cultivares históricos de trigo harinero que han sido extensamente genotipados y fenotipados. El uso de esta población y los datos asociados permitió a los investigadores examinar la base genética de la variación fenotípica.

Los autores primero examinaron las complejas relaciones entre los rasgos. Esto se logró usando un software que examinó cómo se correlacionaban entre sí 72 rasgos para las 500 líneas y dos años de datos fenotípicos. Como era de esperar, encontraron una fuerte correlación negativa entre el contenido de proteínas y el rendimiento.

Numerosos estudios de selección genómica han analizado los rasgos por separado mediante el análisis de un solo rasgo. Esta técnica trata cada característica como independiente. Por el contrario, los modelos de múltiples rasgos pueden contener información sobre rasgos correlacionados impulsados ​​por un efecto genético común. Este fenómeno, en el que un gen puede afectar a dos o más rasgos fenotípicos aparentemente no relacionados, se conoce como pleiotropía.

Para resaltar la importancia de los efectos pleiotrópicos para la precisión de la predicción de rasgos complejos como el rendimiento de grano, los autores compararon la precisión de los modelos de predicción genómica de un solo rasgo y de múltiples rasgos.

Se utilizaron datos del 90% de las líneas para entrenar y optimizar los modelos. El 10% restante se utilizó como conjunto de datos de prueba. Se pidió a los modelos que predijeran el valor de varios rasgos relacionados utilizando solo datos genéticos del conjunto de datos de prueba. Luego, los autores compararon los valores de características predichos versus medidos del conjunto de datos de prueba. Descubrieron que los modelos de características múltiples tenían una mayor precisión de predicción para casi el 90 % de las características y mejoraron la precisión de predicción del rendimiento de grano entre un 3 % y un 52 % en comparación con los modelos de una sola característica.

A continuación, investigaron el potencial para lograr una ganancia genética a largo plazo en el rendimiento de grano mediante la simulación de un programa de mejoramiento de método dual a largo plazo. Para ello, utilizaron la estrategia de crianza selección genómica recurrenteestos son ciclos repetidos de selección y reproducción durante varias generaciones destinados a la mejora genética gradual de uno o más rasgos.

Simularon la reproducción a largo plazo con dos objetivos de selección separados:

• Mejora de un solo rasgo – rendimiento de grano, o
• Mejorar múltiples rasgos a la vez: rendimiento de grano y otros rasgos interesantes.

Para cada uno de los 20 ciclos de reproducción, el modelo seleccionó líneas para el cruce en función de sus fenotipos favorables, que se predijeron a partir de su genotipo. Los ciclos tradicionales del programa de mejoramiento de trigo generalmente duran cinco años. Por lo tanto, estas simulaciones de 20 ciclos de selección recurrente representan el equivalente a más de 100 años de mejoramiento tradicional de trigo.

Cuando el objetivo era la selección basada en el rendimiento del grano, descubrieron aumento rápido del rendimiento genético con, como se esperaba, una disminución correspondientemente rápida en el contenido de proteína del grano.

Sin embargo, mediante el uso de la selección de características múltiples, fue posible cierta ganancia genética tanto en el rendimiento como en el contenido de proteína. La tasa de ganancia genética en el rendimiento del grano se desaceleró, pero la selección pudo mejorar ambos rasgos deseables, lo que sugiere que es posible optimizar los rasgos antagónicos a través de una selección adecuada.

Estos resultados muestran que es prometedor alcanzar los objetivos de alto rendimiento proteico del trigo en colaboración entre modeladores y mejoradores de trigo.

Los autores concluyen: “Por lo tanto, es probable que se logre una mayor ganancia genética en los programas de mejoramiento actuales mediante la optimización de efectos genéticos pequeños y complejos. Estos resultados subrayan el importante papel de los modelos para maximizar la ganancia genética en el futuro”.

LEER EL ARTÍCULO:

Nick Fradgley, Keith A. Gardner, Alison R. Bentley, Phil Howell, Ian J. Mackay, Michael F. Scott, Richard Mott, James Cockram, la predicción del genoma de conjunto de rasgos múltiples y las simulaciones de selección recurrente subrayan la importancia de la compleja genética arquitectura de rasgos durante mucho tiempo Ganancias genéticas en trigo, in silico Plants, Volume 5, Issue 1, 2023, diad002, https://doi.org/10.1093/insilicoplants/diad002