Studie: Genomische Vorhersage übertrifft konkurrierende Verfahren bei jungen Reben

Eine neue Studie, in der drei Verfahren zur Vorhersage der Leistung junger Reben verglichen wurden, ergab, dass die DNA-basierte genomische Vorhersage bei den meisten untersuchten Merkmalen genauer war als metabolomische und spektroskopische Ansätze. Das eröffnet Züchtern bessere Möglichkeiten, neue Reben früher im Züchtungsprozess auszuwählen.

Die in npj Science of Plants veröffentlichte Studie untersuchte, ob Züchter die Verbesserung von Reben beschleunigen können, indem sie anhand biologischer Daten agronomische Merkmale vorhersagen, bevor die Reben den Vollertrag erreichen. Das ist bei einer Kultur mit langen Generationszyklen von Bedeutung, denn die Züchtung auf Krankheitsresistenz und Klimaanpassung kann Jahre dauern. Die Ergebnisse sind auch für Wein und andere Getränke auf Traubenbasis praktisch relevant: Züchtungsprogramme müssen entscheiden, wofür sie ihre Mittel einsetzen, wenn sie neue Sorten entwickeln wollen, die ihre Qualität bewahren und zugleich Hitze, Trockenheit und Krankheitsdruck besser tolerieren.

Die Forschenden verglichen drei Ansätze in einer biparentalen Rebenzüchtungspopulation, die über drei Jahre hinweg für 24 agronomische Merkmale phänotypisiert wurde. Dazu zählten Merkmale aus den Bereichen Entwicklung, Fruchtbarkeit, Beerenchemie und Ertrag. Verglichen wurden die genomische Vorhersage auf Basis von 7.386 SNP-Markern, die phänotypische Vorhersage anhand der Nahinfrarotspektroskopie (NIRS) sowie die metabolomische Vorhersage auf Basis einer ungezielten Flüssigchromatografie-Massenspektrometrie (LC-MS). Außerdem testete das Team sieben statistische Modelle und mehrere Probenahmestrategien, darunter Holz- und Blattproben aus verschiedenen Wachstumsstadien im Weinberg und im Gewächshaus.

Das eindeutigste Ergebnis war die stärkste Leistung der genomischen Vorhersage. Ihre höchste Vorhersagekraft erreichte eine Korrelation von r=0,827 für die Wärmesumme von der Blüte bis zum Farbumschlag. Über die 24 Merkmale hinweg lag die mittlere genomische Vorhersagekraft zwischen 0,375 für LASSO und 0,473 für rrBLUP. Damit war rrBLUP in dieser Gruppe im Durchschnitt das leistungsstärkste Modell.

An zweiter Stelle lag die metabolomische Vorhersage. Ihr höchster Wert für ein einzelnes Merkmal betrug r=0,586 beim Gewicht grüner Beeren. Erzielt wurde er mit einem metabolomischen BLUP-Modell anhand von Blattproben aus dem Weinberg, die beim Austrieb entnommen worden waren. Die phänotypische Vorhersage schnitt von den drei Ansätzen am schwächsten ab. Ihr bestes Ergebnis für ein einzelnes Merkmal lag bei r=0,391 für die primäre Fruchtbarkeit; je nach Modell bewegte sich die mittlere Vorhersagekraft zwischen 0,096 und 0,215.

In der Praxis zeigte die Studie einen Zielkonflikt zwischen Kosten und Genauigkeit. Die phänotypische Vorhersage auf NIRS-Basis ist kostengünstiger und schneller zu erheben, doch war das Vorhersagesignal häufig schwach. Die genomische Vorhersage erwies sich als zuverlässiger. Die metabolomische Vorhersage schnitt bei einzelnen Merkmalen mitunter gut ab, ist jedoch mit höheren Analyseausgaben und aufwendigerer Laborarbeit verbunden.

Die Daten hinter diesen Unterschieden halfen zu erklären, warum die Verfahren nicht gleichermaßen gut abschnitten. Die Forschenden schätzten, welcher Anteil der Variabilität bei den einzelnen Merkmalen genetisch bedingt war und welcher auf Reststreuung entfiel. Die NIR-Wellenlängen wiesen eine geringe genotypische Varianz auf: Der Mittelwert lag bei 2%, der Höchstwert bei 17%. Auch die Heritabilität war niedrig, mit einem Mittelwert von 0,07 und einem Höchstwert von 0,46. Metabolomische Merkmale waren stärker vererbbar: Ihre Heritabilität lag im Mittel bei 0,25, mehrere Werte überstiegen 0,90. Das deutet darauf hin, dass die metabolomischen Daten unter den in der Studie verwendeten Modellen stabilere, mit dem Genotyp zusammenhängende biologische Informationen erfassten als die Spektraldaten.

Auch die Bedingungen der Probenahme spielten eine Rolle. Bei der phänotypischen Vorhersage erzielten Blattproben aus dem Weinberg, die zur Blüte entnommen worden waren, mit 0,172 die höchste mittlere Vorhersagekraft auf Probenebene. Es folgten Weinbergsblätter vom Austrieb mit 0,161. Am schwächsten schnitten Gewächshausblätter zur Blüte mit 0,088 ab. Bei der metabolomischen Vorhersage ergaben sich die besten Durchschnittswerte, wenn alle Probenahmekategorien zu merkmalsbezogenen BLUPs zusammengeführt wurden; der Mittelwert lag dann bei 0,421. Es folgten Weinbergsblätter vom Austrieb mit 0,382. Gewächshausblätter zur Blüte erzielten erneut den niedrigsten Durchschnittswert, nämlich 0,199.

Die Studie untersuchte auch, ob Gewächshausproben von Blättern als Ersatz für Proben aus dem Weinberg dienen können. Bei einzelnen Merkmalen war das möglich, doch zeigte sich kein einheitliches Muster. Bei der phänotypischen Vorhersage waren Gewächshausspektren bei Merkmalen wie dem Zuckergehalt der Beeren und dem Traubengewicht besser als Spektren aus dem Weinberg. Weinbergspektren schnitten dagegen bei der Austriebszeit und einigen Merkmalen der Beerenchemie besser ab. Bei der metabolomischen Vorhersage waren Weinbergsblätter im Allgemeinen leistungsfähiger als Gewächshausblätter, wobei auch die Gewächshausdaten für einige Merkmale ein nützliches Signal lieferten.

Als die Forschenden alle drei Omics-Ebenen an denselben 150 Reben verglichen, die für die metabolomische Profilierung ausgewählt worden waren, schnitt die genomische Vorhersage bei den meisten Merkmalen am besten ab. Die metabolomische Vorhersage lag dazwischen, die phänotypische am Ende. Bei einer begrenzten Gruppe von Merkmalen erreichte oder übertraf die metabolomische Vorhersage jedoch die genomische: Dazu zählten der Beeren-pH-Wert zu einem bestimmten Entwicklungszeitpunkt, die Gesamtfruchtbarkeit, die Qualität des Fruchtansatzes, die Zahl der Triebe pro Pflanze, das Frischgewicht des Rebschnitts pro Pflanze und SPAD502, ein chlorophyllbezogener Messwert.

Das Team prüfte außerdem, ob die Kombination verschiedener Datenebenen die Ergebnisse verbessern würde. In vielen Bereichen der Biologie gelten Multi-Omics-Ansätze als Möglichkeit, die zugrunde liegende Komplexität eines Merkmals umfassender abzubilden. In dieser Studie war der Zugewinn jedoch begrenzt. Modelle, die genomische, phänotypische und metabolomische Informationen kombinierten, waren der genomischen Vorhersage allein nicht durchgehend überlegen. Die genomischen Modelle und Kombinationen mit genomischen Daten bildeten die leistungsstärkste statistische Gruppe; das Hinzufügen phänotypischer oder metabolomischer Daten verbesserte die Ergebnisse jedoch nicht systematisch. Laut der Studie gab es bei der hier verwendeten Stichprobengröße keine Hinweise darauf, dass die Integration mehrerer Omics-Ebenen die Vorhersagekraft konsistent erhöhte.

Die Ergebnisse sprechen dafür, die genomische Selektion als zentralen Ansatz für Rebenzüchtungsprogramme zu nutzen, die auf zuverlässiges frühes Screening angewiesen sind. Die Autoren zufolge können metabolomische oder phänotypische Verfahren weiterhin eine Rolle spielen, vor allem bei Merkmalen und Probenahmedesigns, für die sich ein wiederholbares Vorhersagesignal zeigt. Das könnte beeinflussen, wie öffentliche Züchtungsprogramme und private Baumschulen ihre Mittel einsetzen, wenn sie neue Reben entwickeln wollen, die resistent gegen Mehltau und andere Krankheiten sind, weniger Fungizidbehandlungen benötigen und auch unter wärmeren und wechselhafteren Anbaubedingungen ertragreich bleiben.

Die Frage betrifft nicht nur die Rebschulen. Reben bilden die Grundlage für die Märkte für Wein, Saft, Tafeltrauben und Rosinen. Züchtungsentscheidungen von heute können bestimmen, welche Sorten den Erzeugern von Trauben und Getränken in einigen Jahren zur Verfügung stehen. Sollte die genomische Vorhersage weiterhin den größten Nutzen bieten, könnten Züchtungsprogramme eher zuerst in umfangreiche DNA-Markerdaten investieren und metabolomische oder spektroskopische Verfahren gezielter einsetzen – insbesondere, wenn sie Krankheitsresistenz, Beerenzusammensetzung und Anpassung an klimatischen Stress in den Blick nehmen.