Existe uma ferramenta que pode orientar o melhoramento de plantas para aumentar os rendimentos para atender às demandas de uma população crescente sob um clima em mudança: modelos ecofisiológicos de cultivo. Esses modelos simulam o desenvolvimento da planta com base em várias entradas ambientais e de gerenciamento. As características que esses modelos simulam são baseadas em algoritmos matemáticos que representam processos fisiológicos subjacentes que impulsionam o crescimento e desenvolvimento de culturas desde o plantio até a maturidade.
Os modelos ecofisiológicos de culturas fornecem informações valiosas, mas algumas características não podem ser bem simuladas porque exigem valores de parâmetros difíceis de medir, desconhecidos ou que variam com a cultivar. Esses valores são importantes: o desempenho dos modelos de cultivo depende em grande parte no nível de detalhamento das informações de entrada disponíveis para parametrização do modelo.
Felizmente, os modelos ecofisiológicos de culturas podem ser integrados e informados por algoritmos de previsão genômica, que podem vincular os genes aos parâmetros que controlam os processos fisiológicos. A melhor classe de parâmetros para atingir com algoritmos de previsão genômica é chamada de “parâmetros específicos do genótipo (GSPs)”. Essa integração de genótipo para fenótipo permitiria aos criadores selecionar genes que controlam características que são difíceis de selecionar fenotipicamente.
Embora a integração de modelos ecofisiológicos de cultivo e previsão genômica seja uma grande promessa, relativamente pouco trabalho foi feito nesse esforço. O ex-companheiro de pós-doutorado da Kansas State University, Pratishtha Poudel, agora professor assistente da Purdue University, e colegas, teorizam que isso pode ser devido à sobreposição limitada entre a modelagem ecofisiológica de culturas e as comunidades de previsão genômica.
De acordo com os autores, existem muitos algoritmos diferentes e nenhum algoritmo de previsão genômica é o mais adequado para diferentes espécies e características. Portanto, selecionar o algoritmo de previsão genômica apropriado pode ser assustador. Seu artigo de revisão, publicado em in silico Plants, pretende preencher essa lacuna familiarizando os modeladores de culturas ecofisiológicas com algoritmos de previsão genômica.
Eles consideraram os seguintes algoritmos de previsão genômica:
- Baías A e B
- melhor preditor linear imparcial (BLUP)
- LAÇO
- seleção assistida por marcador (MAS)
- reproduzindo o espaço de Hilbert do kernel (RKHS)
O artigo orienta os leitores na escolha do algoritmo de previsão genômica mais adequado para diferentes parâmetros específicos do genótipo com base nos seguintes critérios:
1) Escolha o algoritmo de predição genômica com base na complexidade da arquitetura genética da característica de interesse (neste caso, cada GSP).

O usuário deve perguntar quantos genes controlam a característica e com que intensidade. Além disso, eles devem considerar até que ponto a expressão gênica é controlada pelo ambiente. Informações sobre número e tamanho de QTLs de estudos de QTL são usadas para inferir a arquitetura genética de uma característica.
2) Determinar como estimar os parâmetros específicos do genótipo.
Uma vez que um algoritmo de previsão genômica é selecionado (ou alguns candidatos), os parâmetros específicos do genótipo podem ser estimados usando uma das duas abordagens que diferem em sua complexidade computacional e eficiência do processo de estimativa.
As funções objetivas são usadas para medir as diferenças entre os valores dos parâmetros observados e previstos – cada iteração deve aproximá-los da convergência.

Abordagem de um estágio: Os parâmetros específicos do genótipo e o algoritmo de previsão genômica destinado a predizê-los são ajustados simultaneamente. Cada iteração do algoritmo de predição genômica requer uma reavaliação do fenótipo predito do modelo ecofisiológico de cultura para cada genótipo e ambiente por meio de funções objetivas.
- Prós: dados genéticos e fenotípicos combinados entre genótipos levam a melhores estimativas de parâmetros específicos do genótipo
- Contras: Menor eficiência computacional

Abordagem em dois estágios: Parâmetros estimados específicos do genótipo são estimados para o modelo ecofisiológico de cultura primeiro, então o algoritmo de previsão genômica é ajustado.
- Prós: Maior eficiência computacional
- Contras: Pode criar estimativas enviesadas de parâmetros específicos de genótipos nas quais o segundo estágio de estimativa seria baseado se os dados tiverem alta variância (por exemplo, de dados incompletos, como quando nem todos os genótipos são cultivados em testes conduzidos em diferentes ambientes).
3) Examinar a capacidade de incorporar informação genética prévia.

Quando informações adicionais sobre a arquitetura genética de uma característica são conhecidas, os usuários devem escolher um algoritmo que possa incorporar essas informações. Esta informação pode incluir marcadores ou genes onde os efeitos são conhecidos a partir de características que são comumente medidas e grandes quantidades de dados. Se houver pouca informação disponível, algoritmos de previsão simples seriam mais apropriados, porque é provável que apenas os principais efeitos genéticos proeminentes sejam recuperáveis dos dados. Se muito for conhecido, como fenotipagem de alto rendimento, um método mais complexo pode ser usado.
Poudel conclui: “Estimar GSPs em modelos ecofisiológicos de cultivo com modelos de previsão genômica ajudará a combinar informações genotípicas e fenotípicas para uma imagem abrangente de genótipo a fenótipo. Neste artigo, damos um passo fundamental para reunir as comunidades de previsão genômica e modelagem ecofisiológica e explorar caminhos para desenvolver esses algoritmos de previsão combinados”.
LEIA O ARTIGO:
Pratishtha Poudel, Bryan Naidenov, Charles Chen, Phillip D Alderman e Stephen M Welch. Integrating genomic prediction and genotype specific parameter estimation in ecophysiological models: overview and perspectives, in silico Plants, 2023; diad007, https://doi.org/10.1093/insilicoplants/diad007
Últimos Comentários