Новый вычислительный метод повышает точность геномного прогнозирования признаков растений

Исследователи из Института IPK Лейбница и Института молекулярной физиологии растений Макса Планка разработали вычислительный подход dynamicGP для прогнозирования динамики множества признаков растений на протяжении всего цикла развития. Результаты опубликованы в журнале Nature Plants.

Проблема: Классические методы геномного прогнозирования (GP) используют машинное обучение на основе генетических маркеров для предсказания признаков у популяции генотипов в определённый момент времени. Однако они не решают задачу прогнозирования динамики множества признаков — их проявления в разные моменты времени на протяжении всего периода роста растения.

Решение — dynamicGP: Новый подход объединяет методы геномного прогнозирования с динамическим модальным разложением (DMD). Он позволяет предсказывать специфичную для генотипа динамику признаков, используя генетические маркеры и данные высокопроизводительного фенотипирования (HTP), полученные в виде временных рядов.

Результаты тестирования:

• На данных популяции кукурузы (multi-parent advanced generation inter-cross) и панели разнообразия Arabidopsis thaliana метод dynamicGP превзошёл по точности современный подход GP для множества признаков.
• Точнее всего предсказывается динамика развития признаков, наследуемость которых со временем меняется меньше.

Значение и перспективы:

• DynamicGP открывает путь к изучению и интеграции динамического взаимодействия генотипа и фенотипа в ходе развития сельскохозяйственных культур.
• Это повысит точность прогнозирования агрономически важных признаков.
• В будущем метод можно расширить, чтобы учитывать влияние факторов окружающей среды с помощью модификаций DMD.
• Такие усовершенствования окажут существенное влияние на селекцию сортов, адаптированных к конкретным регионам, и на развитие точного земледелия.