Cualquiera que haya experimentado con iniciadores de masa fermentada durante la pandemia de Covid-19 sabe que los panaderos aprecian la harina de trigo con altos niveles de proteína. Las proteínas aseguran que la masa de pan sea elástica y extensible. Estas características permiten que la masa atrape mejor el dióxido de carbono, lo que hace que se eleve más verticalmente y hace que el pan horneado sea ligero y aireado.

La importancia del trigo se extiende más allá de los panaderos aficionados. El trigo es un alimento básico que proporciona alrededor 20% de todas las calorías y proteínas consumidas por humanos Se espera que la demanda de trigo aumente en un 60% para 2050, mientras que disminuciones en el rendimiento atribuibles a la disminución de los recursos de agua y calor debido al cambio climático ya se están viendo.

Los científicos se esfuerzan por desarrollar un trigo que pueda producir 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: un aumento en el rendimiento del trigo es correlaciona negativamente con la proteína contenido (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) Nick Fradgley y sus colegas usó modelos genéticos para determinar cómo optimizar la selección de múltiples rasgos en el mejoramiento en un nuevo artículo publicado en in silico Las plantas

El estudio utilizó una población de mapeo recientemente desarrollada, llamada MAGIC, de más de 500 líneas endogámicas descendientes de dieciséis variedades históricas de trigo harinero que han sido extensamente genotipadas y fenotipadas. El uso de esta población y los datos asociados permitieron a los investigadores investigar la base genética de la variación fenotípica.

Los autores primero investigaron las complejas relaciones entre los rasgos. Esto se logró usando un software que examinó cómo 72 rasgos se correlacionaban entre sí 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 utilizando análisis de un solo rasgo. Esta técnica trata cada rasgo como no relacionado. Por el contrario, los modelos de múltiples rasgos pueden incorporar información sobre rasgos correlacionados que están controlados por un efecto genético común. Este fenómeno, en el que un gen puede influir en dos o más rasgos fenotípicos aparentemente no relacionados, se conoce como pleiotropia.

Para resaltar la importancia de los efectos pleiotrópicos en 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 múltiples rasgos relacionados utilizando solo datos genéticos del conjunto de datos de prueba. Luego, los autores compararon los valores de rasgos predichos con los medidos del conjunto de datos de prueba. Descubrieron que, en comparación con los modelos de un solo rasgo, los modelos de múltiples rasgos tenían una mayor precisión de predicción para casi el 90 % de los rasgos, lo que mejoraba la precisión de predicción del rendimiento de grano entre un 3 % y un 52 %.

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 a largo plazo utilizando dos métodos. Para ello, utilizaron la estrategia de crianza selección genómica recurrente, que son ciclos repetidos de selección y mejoramiento a lo largo de múltiples 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
• mejora de múltiples características simultáneamente: rendimiento de grano y otras características de interés.

Para cada uno de los 20 ciclos de reproducción, el modelo seleccionó líneas para cruzar en función de sus fenotipos ventajosos, 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 un equivalente a más de 100 años de mejoramiento tradicional de trigo.

Cuando el objetivo era la selección basada en el rendimiento del grano, encontraron ganancia genética rápida en el rendimiento con, como se esperaba, una rápida disminución correspondiente en el contenido de proteína de grano.

Sin embargo, con el uso de la selección de características múltiples, fue posible hasta cierto punto una 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 logró aumentar ambos rasgos deseables, lo que indica que es posible optimizar los rasgos antagónicos a través de una selección adecuada.

Estos resultados muestran que es prometedor cumplir con los objetivos de rendimiento de trigo con alto contenido de proteínas con la colaboración entre los modeladores y los mejoradores de trigo.

Los autores concluyen que “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 hallazgos resaltan el importante papel de los modelos para maximizar una mayor ganancia genética en el futuro”.

LEE EL ARTÍCULO:

Nick Fradgley, Keith A Gardner, Alison R Bentley, Phil Howell, Ian J Mackay, Michael F Scott, Richard Mott, James Cockram, La predicción genómica de conjuntos de múltiples rasgos y las simulaciones de selección recurrente resaltan la importancia de la arquitectura genética de rasgos complejos para las ganancias genéticas a largo plazo en el trigo, in silico Plants, Volumen 5, Número 1, 2023, diad002, https://doi.org/10.1093/insilicoplants/diad002