Home » Desvendando o segredo para a criação de trigo rico em proteínas de alto rendimento

Desvendando o segredo para a criação de trigo rico em proteínas de alto rendimento

Os modelos permitem a otimização de várias compensações de características.

Você pode ouvir esta página como um arquivo de áudio (somente em inglês)

Qualquer pessoa que experimentou fermento durante a pandemia de Covid-19 sabe que os padeiros valorizam a farinha de trigo com altos níveis de proteína. As proteínas garantem que a massa do pão seja elástica e extensível. Essas características permitem que a massa retenha melhor o dióxido de carbono, fazendo com que ele cresça mais verticalmente e tornando o pão assado leve e arejado.

A importância do trigo vai além dos padeiros amadores. O trigo é um alimento básico que fornece cerca de 20% de todas as calorias e proteínas consumidas por humanos. Espera-se que a demanda por trigo aumente 60% até 2050, enquanto declínios no rendimento atribuíveis à diminuição dos recursos hídricos e calor devido à mudança climática já estão sendo vistos.

Os cientistas estão lutando para desenvolver um trigo que pode produzir altos rendimentos, apesar da crise climática. No entanto, é difícil selecionar características complexas como rendimento sem afetar também características aparentemente não relacionadas - um aumento no rendimento do trigo é negativamente correlacionada com a proteína conteúdo (que é essencial para a nutrição humana e também importante para um bom sourdough).

Os modelos de seleção genômica podem ilustrar como o rendimento do trigo pode ser aumentado sem reduzir o teor de proteína.

Nick Fradgley, estudante de pós-graduação do Instituto Nacional de Botânica Agrícola (NIAB) e colegas usaram modelos genéticos para determinar como otimizar a seleção de múltiplas características na reprodução em um novo artigo publicado na in silico Plantas.

O estudo usou uma população de mapeamento recém-desenvolvida, chamada MAGIC, de mais de 500 linhagens endogâmicas descendentes de dezesseis variedades históricas de trigo para pão que foram extensivamente genotipadas e fenotipadas. O uso dessa população e dos dados associados permitiu aos pesquisadores investigar a base genética da variação fenotípica.

Os autores primeiro investigaram as relações complexas entre os traços. Isso foi feito usando um software que examinou como 72 características se correlacionavam entre si para as 500 linhagens e dois anos de dados fenotípicos. Como esperado, eles encontraram uma forte correlação negativa entre o teor de proteína e o rendimento.

Uma rede de correlação de 72 traços mostra interações complexas. Duas características de rendimento de grãos mostraram estar negativamente correlacionadas com a proteína do grão.
Rede de correlação para 72 características. Rendimento de grãos = GY e está circulado em azul. GP = Proteína de grão e está circulada em vermelho. As linhas de conexão azuis e vermelhas indicam correlações positivas e negativas, respectivamente.

Numerosos estudos de seleção genômica analisaram características separadamente usando análises de característica única. Essa técnica trata cada traço como não relacionado. Em contraste, os modelos multicaracterísticas podem incorporar informações sobre características correlacionadas que são controladas por um efeito genético comum. Esse fenômeno, em que um gene pode influenciar duas ou mais características fenotípicas aparentemente não relacionadas, é conhecido como pleiotropia.

Para destacar a importância dos efeitos pleiotrópicos na precisão da previsão de características complexas, como rendimento de grãos, os autores compararam a precisão dos modelos de previsão genômica de característica única e multicaracterística.

Dados de 90% das linhas foram usados ​​para treinar e otimizar os modelos. Os 10% restantes foram usados ​​como um conjunto de dados de teste. Os modelos foram solicitados a prever o valor de várias características relacionadas usando apenas dados genéticos do conjunto de dados de teste. Os autores então compararam os valores previstos com os valores medidos do conjunto de dados de teste. Eles descobriram que, em comparação com os modelos de característica única, os modelos multicaracterística tinham maior precisão de previsão para quase 90% das características, melhorando a precisão da previsão de produção de grãos em 3-52%.

Em seguida, eles investigaram o potencial de obtenção de ganho genético de longo prazo na produção de grãos, simulando um programa de melhoramento de longo prazo usando dois métodos. Para isso, utilizaram a estratégia de reprodução seleção genômica recorrente, que são ciclos repetidos de seleção e melhoramento ao longo de múltiplas gerações visando o melhoramento genético gradual de uma ou mais características.

Eles simularam reprodução de longo prazo com dois objetivos de seleção separados:

  • melhoria de uma única característica - rendimento de grãos, ou
  • melhoria de múltiplas características simultaneamente – rendimento de grãos e outras características de interesse.

Para cada um dos 20 ciclos de reprodução, o modelo selecionou linhagens para cruzamento com base em seus fenótipos vantajosos, que foram previstos a partir de seu genótipo. Os ciclos dos programas tradicionais de melhoramento de trigo geralmente duram cinco anos. Portanto, essas simulações de 20 ciclos de seleção recorrente representam o equivalente a mais de 100 anos de melhoramento tradicional de trigo.

Quando o objetivo era a seleção com base no rendimento de grãos, eles encontraram rápido ganho genético em rendimento com, como esperado, uma diminuição rápida correspondente no teor de proteína do grão.

No entanto, com o uso da seleção de características múltiplas, o ganho genético tanto na produção quanto no teor de proteína foi possível até certo ponto. A taxa de ganho genético no rendimento de grãos foi reduzida, mas a seleção conseguiu aumentar ambas as características desejáveis, indicando que é possível otimizar as características antagônicas por meio da seleção adequada.

Um gráfico com ciclo de reprodução no eixo x e ganho genético no eixo y. 70 características mostram mudanças ao longo dos 20 ciclos de seleção. O importante é que a seleção em múltiplos caracteres diminuiu a taxa de ganho genético no rendimento de grãos, mas conseguiu resultar em ganho de rendimento e proteína.
Resposta fenotípica simulada à seleção de proteína de grãos e rendimento.

Esses resultados mostram que é promissor atingir as metas de rendimento de trigo com alto teor de proteína com a colaboração entre modeladores e criadores de trigo.

Os autores concluem, “mais ganhos genéticos nos programas de melhoramento atuais provavelmente serão alcançados por meio da otimização de efeitos genéticos pequenos e complexos. Essas descobertas destacam o importante papel dos modelos para maximizar o ganho genético no futuro”.

LEIA O ARTIGO:

Nick Fradgley, Keith A Gardner, Alison R Bentley, Phil Howell, Ian J Mackay, Michael F Scott, Richard Mott, James Cockram, Previsão genômica de conjunto multicaracterística e simulações de seleção recorrente destacam a importância da arquitetura genética complexa de características para ganhos genéticos de longo prazo em trigo, in silico Plants, Volume 5, Edição 1, 2023, diad002, https://doi.org/10.1093/insilicoplants/diad002

Rachel Shekar

Rachel (ela / ela) é editor fundador e gerente da in silico Plantas. Ela tem mestrado em Biologia Vegetal pela Universidade de Illinois. Ela tem mais de 15 anos de experiência editorial em periódicos acadêmicos, incluindo a fundação da GCB Bioenergy e a gestão da Global Change Biology. Rachel supervisionou o desenvolvimento da mídia social que tem sido uma parte importante da promoção de ambas as revistas.

Leia isso no seu idioma

A Semana da Botânica

Nas manhãs de segunda-feira, enviamos um boletim informativo com os links que têm chamado a atenção de nossos leitores no Twitter e além. Você pode se inscrever para recebê-lo abaixo.

@BotanyOne no mastodonte

Carregando feed do Mastodon...

em áudio


arquivo