Jeder, der während der Covid-19-Pandemie mit Sauerteigstartern experimentiert hat, weiß, dass Brotbäcker Weizenmehl mit hohem Proteingehalt schätzen. Proteine sorgen dafür, dass der Brotteig elastisch und dehnbar ist. Diese Eigenschaften ermöglichen es dem Teig, Kohlendioxid besser einzufangen, wodurch er vertikaler aufsteigt und das gebackene Brot leicht und luftig wird.
Die Bedeutung des Weizens geht über den Hobbybäcker hinaus. Weizen ist ein Grundnahrungsmittel, das rundum versorgt 20 % aller verbrauchten Kalorien und Proteine durch Menschen. Die Weizennachfrage wird bis 60 voraussichtlich um 2050 % steigen Ertragseinbußen die auf knapper werdende Wasserressourcen und Wärme durch den Klimawandel zurückzuführen sind, sind bereits zu beobachten.
Wissenschaftler ringen darum, einen Weizen zu entwickeln, der trotz der Klimakrise hohe Erträge liefern kann. Es ist jedoch schwierig, nach komplexen Merkmalen wie dem Ertrag zu selektieren, ohne auch scheinbar nicht verwandte Merkmale zu beeinflussen – eine Steigerung des Weizenertrags ist es negativ mit Protein korreliert Inhalt (der für die menschliche Ernährung unerlässlich und auch wichtig für einen guten Sauerteig ist).
Genomische Selektionsmodelle können veranschaulichen, wie der Weizenertrag gesteigert werden kann, ohne den Proteingehalt zu verringern.
Nick Fradgley, Doktorand des National Institute of Agricultural Botany (NIAB), und Kollegen verwendeten genetische Modelle, um in einem neuen Artikel, der in veröffentlicht wurde, zu bestimmen, wie die Auswahl mehrerer Merkmale in der Zucht optimiert werden kann in silico Pflanzen
Die Studie verwendete eine neu entwickelte Kartierungspopulation namens MAGIC von über 500 Inzuchtlinien, die von sechzehn historischen Brotweizensorten abstammen, die umfassend genotypisiert und phänotypisiert wurden. Die Verwendung dieser Population und der damit verbundenen Daten ermöglichte es den Forschern, die genetische Grundlage für phänotypische Variationen zu untersuchen.
Die Autoren untersuchten zunächst die komplexen Beziehungen zwischen Merkmalen. Dies wurde mit einer Software erreicht, die untersuchte, wie 72 Merkmale für die 500 Linien und zwei Jahre phänotypischer Daten miteinander korrelierten. Wie erwartet fanden sie eine starke negative Korrelation zwischen Proteingehalt und Ertrag.
Zahlreiche genomische Selektionsstudien haben Merkmale separat unter Verwendung von Einzelmerkmalsanalysen analysiert. Diese Technik behandelt jedes Merkmal als unabhängig. Im Gegensatz dazu können Multi-Trait-Modelle Informationen über korrelierte Merkmale enthalten, die durch einen gemeinsamen genetischen Effekt gesteuert werden. Dieses Phänomen, bei dem ein Gen zwei oder mehr scheinbar nicht verwandte phänotypische Merkmale beeinflussen kann, ist als bekannt Pleiotropie.
Um die Bedeutung pleiotroper Effekte für die Vorhersagegenauigkeit von komplexen Merkmalen wie dem Kornertrag hervorzuheben, verglichen die Autoren die Genauigkeit von genomischen Vorhersagemodellen für einzelne Merkmale und mehrere Merkmale.
Daten von 90 % der Linien wurden verwendet, um die Modelle zu trainieren und zu optimieren. Die restlichen 10 % wurden als Testdatensatz verwendet. Die Modelle wurden gebeten, den Wert mehrerer verwandter Merkmale vorherzusagen, wobei nur genetische Daten aus dem Testdatensatz verwendet wurden. Die Autoren verglichen dann die vorhergesagten mit den gemessenen Merkmalswerten aus dem Testdatensatz. Sie fanden heraus, dass Multi-Trait-Modelle im Vergleich zu Single-Trait-Modellen eine höhere Vorhersagegenauigkeit für fast 90 % der Traits aufwiesen und die Genauigkeit der Kornertragsvorhersage um 3-52 % verbesserten.
Als nächstes untersuchten sie das Potenzial zur Erzielung eines langfristigen genetischen Gewinns beim Getreideertrag, indem sie ein langfristiges Zuchtprogramm mit zwei Methoden simulierten. Dazu nutzten sie die Zuchtstrategie wiederkehrende genomische Selektion, das sind wiederholte Selektions- und Züchtungszyklen über mehrere Generationen, die auf die allmähliche genetische Verbesserung eines oder mehrerer Merkmale abzielen.
Sie simulierten eine Langzeitzucht mit zwei getrennten Selektionszielen:
- Verbesserung eines einzelnen Merkmals – Kornertrag, oder
- Verbesserung mehrerer Merkmale gleichzeitig – Körnerertrag und andere interessante Merkmale.
Für jeden der 20 Zuchtzyklen wählte das Modell Linien zur Kreuzung basierend auf ihren vorteilhaften Phänotypen aus, die aus ihrem Genotyp vorhergesagt wurden. Traditionelle Weizenzüchtungsprogrammzyklen dauern im Allgemeinen fünf Jahre. Daher repräsentieren diese Simulationen von 20 Zyklen wiederkehrender Selektion ein Äquivalent von über 100 Jahren traditioneller Weizenzüchtung.
Als das Ziel die Auswahl auf der Grundlage des Getreideertrags war, fanden sie heraus schnellen genetischen Ertragsgewinn mit, wie erwartet, einer entsprechenden schnellen Abnahme des Getreideproteingehalts.
Allerdings war durch die Verwendung von multipler Merkmalsselektion ein genetischer Gewinn sowohl im Ertrag als auch im Proteingehalt bis zu einem gewissen Grad möglich. Die Rate des genetischen Gewinns im Getreideertrag wurde verlangsamt, aber die Selektion konnte beide wünschenswerten Merkmale steigern, was darauf hindeutet, dass es möglich ist, antagonistische Merkmale durch geeignete Selektion zu optimieren.
Diese Ergebnisse zeigen, dass es vielversprechend ist, die Ziele für den hohen Proteinertrag von Weizen in Zusammenarbeit zwischen Modellierern und Weizenzüchtern zu erreichen.
Die Autoren schlussfolgern: „Ein weiterer genetischer Gewinn in aktuellen Zuchtprogrammen wird daher wahrscheinlich durch die Optimierung kleiner und komplexer genetischer Effekte erreicht werden. Diese Ergebnisse unterstreichen die wichtige Rolle von Modellen, um den weiteren genetischen Gewinn in der Zukunft zu maximieren.“
DER ARTIKEL::
Nick Fradgley, Keith A. Gardner, Alison R. Bentley, Phil Howell, Ian J. Mackay, Michael F. Scott, Richard Mott, James Cockram, Genomische Vorhersage von Multi-Trait-Ensembles und Simulationen wiederkehrender Selektion unterstreichen die Bedeutung der komplexen genetischen Architektur von Traits für langfristige genetische Gewinne bei Weizen, in silico Plants, Band 5, Ausgabe 1, 2023, diad002, https://doi.org/10.1093/insilicoplants/diad002
