Новый подход к молекулярной селекции растений

Учёный из Министерства сельского хозяйства США (USDA) предложил исследователям и селекционерам более эффективный способ обработки огромных объёмов данных, генерируемых молекулярными исследованиями растений. Этот подход должен ускорить выведение улучшенных сортов сельскохозяйственных культур.

Жан-Люк Янник из Исследовательского центра Роберта У. Холли по сельскому хозяйству и здоровью продемонстрировал, что с помощью статистического подхода, известного как Геномная селекция (GS), учёные могут охватить и использовать больше данных, полученных в ходе исследований последовательностей ДНК в геномах растений. В настоящее время GS применяется в селекции крупного рогатого скота.

Учёные и селекционеры всё чаще используют молекулярные инструменты для выведения улучшенных сортов. Однако эти инструменты требуют анализа огромных массивов данных, а такие важные признаки, как засухоустойчивость и урожайность, являются результатом совокупного действия множества генов, каждый из которых имеет небольшой эффект. Эти гены называются количественными признаковыми локусами (QTL).

Традиционный подход Селекции с помощью маркеров (MAS) имеет ограниченную способность обнаруживать QTL с малым эффектом и оценивать их влияние. Рекомендованный Янником подход GS использует больше данных, включая все QTL с малым эффектом и оценивая влияние всех известных генетических маркеров в популяции растений.

Янник и его коллеги недавно построили статистические модели, используя как GS, так и MAS подходы, и сравнили, насколько хорошо они могут предсказывать значения, связанные с 13 агрономическими признаками в скрещиваниях. Точность моделей оценивалась путём сравнения предсказаний с полевыми наблюдениями за 374 линиями пшеницы.

Результаты показали, что подход GS был точнее в прогнозировании значений признаков. Янник получил аналогичные успешные результаты в исследовании с овсом. Обе работы опубликованы в журнале The Plant Genome. Ожидается, что эта работа ускорит усилия по молекулярной селекции, что окажется чрезвычайно полезным в свете быстрого прогресса в технологиях анализа ДНК.