Existe una herramienta que puede guiar el fitomejoramiento para aumentar los rendimientos y satisfacer las demandas de una población en crecimiento bajo un clima cambiante: los modelos ecofisiológicos de cultivo. Estos modelos simulan el desarrollo de la planta en función de diversos insumos ambientales y de gestión. Los rasgos que simulan estos modelos se basan en algoritmos matemáticos que representan los procesos fisiológicos subyacentes que impulsan el crecimiento y desarrollo de los cultivos desde la siembra hasta la madurez.

Los modelos ecofisiológicos de cultivos brindan información valiosa, pero algunos rasgos no se pueden simular bien porque requieren valores de parámetros que son difíciles de medir, desconocidos o varían con el cultivo. Estos valores son importantes: el rendimiento de los modelos de cultivos depende en gran medida del nivel de detalle en la información de entrada disponible para la parametrización del modelo.

Afortunadamente, los modelos ecofisiológicos de cultivos pueden integrarse e informarse mediante algoritmos de predicción genómica, que pueden vincular los genes con los parámetros que controlan los procesos fisiológicos. La mejor clase de parámetros para apuntar con algoritmos de predicción genómica se denominan "parámetros específicos del genotipo (GSP)". Esta integración de genotipo a fenotipo permitiría a los mejoradores seleccionar genes que controlan rasgos que son difíciles de seleccionar fenotípicamente.

Si bien la integración de modelos ecofisiológicos de cultivos y la predicción genómica es muy prometedora, se ha hecho relativamente poco trabajo en este esfuerzo. Pratishtha Poudel, ex becario postdoctoral de la Universidad Estatal de Kansas, ahora profesor asistente en la Universidad de Purdue, y sus colegas, teorizan que esto puede deberse a una superposición limitada entre las comunidades de modelado ecofisiológico de cultivos y predicción genómica.

Según los autores, hay muchos algoritmos diferentes y ningún algoritmo de predicción genómica es el que mejor se adapta a las diferentes especies y características. Por lo tanto, seleccionar el algoritmo de predicción genómica apropiado puede ser desalentador. Su artículo de revisión, publicado en in silico Plants pretende cerrar esa brecha familiarizando a los modeladores ecofisiológicos de cultivos con algoritmos de predicción genómica.

Consideraron los siguientes algoritmos de predicción genómica:

  • Bayes A y B
  • mejor predictor lineal imparcial (BLUP)
  • LAZO
  • selección asistida por marcador (MAS)
  • reproducción del núcleo del espacio de Hilbert (RKHS)

El documento guía a los lectores en la elección del algoritmo de predicción genómica más adecuado para diferentes parámetros específicos del genotipo en función de los siguientes criterios:

1) Elegir el algoritmo de predicción genómica en función de la complejidad de la arquitectura genética del rasgo de interés (en este caso, cada GSP).

Figura 1. Los métodos de selección asistida por marcadores (MAS) se encuentran en el extremo "más simple" de los algoritmos y son adecuados para predecir rasgos fuertemente controlados por unos pocos genes. Por otro lado, los algoritmos de predicción no paramétricos como RKHS son flexibles y pueden ser más adecuados para predecir rasgos cuando muchos genes controlan débilmente rasgos con fuertes interacciones entre genes y medio ambiente.

El usuario debe preguntar cuántos genes controlan el rasgo y con qué fuerza. Además, deben considerar hasta qué punto la expresión génica está controlada por el medio ambiente. La información sobre el número y el tamaño de los QTL de los estudios de QTL se utiliza para inferir la arquitectura genética de un rasgo.

2) Determinar cómo estimar los parámetros específicos del genotipo.

Una vez que se selecciona un algoritmo de predicción genómica (o algunos candidatos), los parámetros específicos del genotipo se pueden estimar utilizando uno de dos enfoques que difieren en su complejidad computacional y eficiencia del proceso de estimación.

Las funciones objetivas se utilizan para medir las diferencias entre los valores de los parámetros observados y pronosticados; cada iteración debería acercarlos a la convergencia.

Enfoque de una etapa
Figura 2: Enfoque de una etapa para predecir parámetros específicos del genotipo. Formas azules = datos de entrada, naranja = parte del algoritmo de predicción genómica, púrpura = parte del modelo ecofisiológico.

Enfoque de una etapa: Los parámetros específicos del genotipo y el algoritmo de predicción genómica destinado a predecirlos se ajustan simultáneamente. Cada iteración del algoritmo de predicción genómica requiere una reevaluación del fenotipo predicho del modelo de cultivo ecofisiológico para cada genotipo y entorno a través de funciones objetivas.

  • Pros: Los datos genéticos y fenotípicos combinados entre los genotipos conducen a mejores estimaciones de los parámetros específicos del genotipo
  • Contras: menor eficiencia computacional
Enfoque de dos etapas
Figura 3: Enfoque de dos etapas para predecir parámetros específicos del genotipo. Formas azules = datos de entrada, naranja = parte del algoritmo de predicción genómica, púrpura = parte del modelo ecofisiológico.

Enfoque en dos etapas: Los parámetros específicos del genotipo estimados se estiman primero para el modelo ecofisiológico de cultivo, luego se ajusta el algoritmo de predicción genómica.

  • Ventajas: mayor eficiencia computacional
  • Contras: Puede crear estimaciones sesgadas de parámetros específicos del genotipo en los que se basaría la segunda etapa de la estimación si los datos tienen una variación alta (p. ej., a partir de datos incompletos, como cuando no todos los genotipos se cultivan en ensayos realizados en diferentes entornos).

3) Examinar la capacidad de incorporar información genética previa.

Figura 4. La selección de algoritmos debe basarse en la cantidad de conocimiento previo sobre la arquitectura genética de un rasgo.

Cuando se conoce información adicional sobre la arquitectura genética de un rasgo, los usuarios deben elegir un algoritmo que pueda incorporar esa información. Esta información puede incluir marcadores o genes cuyos efectos se conocen a partir de rasgos que se miden comúnmente y grandes cantidades de datos. Si hay poca información disponible, los algoritmos de predicción simples serían los más apropiados porque es probable que solo los efectos genéticos principales destacados puedan recuperarse de los datos. Si se sabe mucho, como por ejemplo de fenotipado de alto rendimiento, se puede utilizar un método más complejo.

Poudel concluye: “Estimar los GSP en modelos ecofisiológicos de cultivos con modelos de predicción genómica ayudará a combinar información genotípica y fenotípica para obtener una imagen completa de genotipo a fenotipo. En este artículo, damos un paso clave para unir a las comunidades de predicción genómica y modelado ecofisiológico y explorar vías para desarrollar tales algoritmos de predicción combinados”.

LEE EL ARTÍCULO:

Pratishtha Poudel, Bryan Naidenov, Charles Chen, Phillip D. Alderman y Stephen M. Welch. Integración de la predicción genómica y la estimación de parámetros específicos del genotipo en modelos ecofisiológicos: visión general y perspectivas. in silico Plantas, 2023; día007, https://doi.org/10.1093/insilicoplants/diad007