Uno studio rileva che la previsione genomica basata sul DNA supera gli altri strumenti per le giovani viti

Un nuovo studio che ha confrontato tre metodi per prevedere le prestazioni delle giovani viti ha rilevato che la previsione genomica basata sul DNA è più accurata degli approcci metabolomici e spettroscopici per la maggior parte dei caratteri esaminati, offrendo ai selezionatori un percorso più chiaro per scegliere nuove viti nelle prime fasi del processo di selezione.

La ricerca, pubblicata su npj Science of Plants, ha esaminato se i selezionatori possano accelerare il miglioramento della vite utilizzando dati biologici per prevedere i caratteri agronomici prima che le piante raggiungano la piena produzione. È un aspetto rilevante per una coltura con cicli generazionali lunghi, nella quale la selezione per la resistenza alle malattie e l’adattamento climatico può richiedere anni. Ha inoltre implicazioni pratiche per il vino e le altre bevande a base di uva, poiché i programmi di selezione devono decidere come allocare le risorse per ottenere nuove varietà capaci di mantenere la qualità e, al contempo, tollerare meglio il caldo, la siccità e la pressione delle malattie.

I ricercatori hanno confrontato tre approcci in una popolazione biparentale di vite, fenotipizzata nell’arco di 3 anni per 24 caratteri agronomici. Tra questi figuravano parametri legati allo sviluppo, alla fertilità, alla composizione delle bacche e alla resa. Il team ha messo a confronto la previsione genomica basata su 7,386 marcatori SNP, la previsione fenomica basata sulla spettroscopia nel vicino infrarosso, o NIRS, e la previsione metabolomica basata sulla cromatografia liquida-spettrometria di massa non mirata, o LC-MS. Ha inoltre testato sette modelli statistici e diverse strategie di campionamento, tra cui la raccolta di legno e foglie in diversi stadi di crescita, in vigneto e in serra.

Il risultato più netto è stato che la previsione genomica ha fornito le prestazioni migliori. La sua capacità predittiva massima ha raggiunto una correlazione di r=0,827 per il tempo termico dalla fioritura all’invaiatura. Sui 24 caratteri, la capacità predittiva genomica media è variata da 0,375 con LASSO a 0,473 con rrBLUP, che è risultato in media il modello migliore del gruppo.

La previsione metabolomica si è classificata al secondo posto. Il risultato più alto per un singolo carattere ha raggiunto r=0,586 per il peso delle bacche verdi, con un modello metabolomico BLUP basato su foglie di vigneto campionate al germogliamento. La capacità predittiva metabolomica media è variata da 0,350 con Random Forest a 0,424 con MBLUP. La previsione fenomica è stata la meno efficace dei tre approcci. Il suo miglior risultato per un singolo carattere è stato r=0,391 per la fertilità primaria, mentre la capacità predittiva media è variata da 0,096 a 0,215, a seconda del modello utilizzato.

In termini pratici, lo studio ha evidenziato un compromesso tra costo e accuratezza. La previsione fenomica basata su NIRS è meno costosa e più rapida da realizzare, ma il segnale predittivo è risultato spesso debole. La previsione genomica si è dimostrata più affidabile, mentre quella metabolomica ha talvolta dato buoni risultati per caratteri specifici, ma comporta costi analitici più elevati e procedure di laboratorio più complesse.

I dati alla base di queste differenze hanno contribuito a spiegare perché i metodi non abbiano ottenuto risultati equivalenti. I ricercatori hanno stimato quanta parte della variabilità di ciascun tipo di caratteristica fosse di origine genetica, anziché riconducibile al rumore residuo. Le lunghezze d’onda NIR hanno mostrato una bassa varianza genotipica, con una media del 2% e un massimo del 17%, e una bassa ereditabilità, con una media di 0,07 e un massimo di 0,46. Le caratteristiche metabolomiche sono risultate più ereditabili, con una media di 0,25 e diversi valori superiori a 0,90. Ciò indica che, nei modelli utilizzati nello studio, i dati metabolomici hanno rilevato informazioni biologiche legate al genotipo più stabili rispetto ai dati spettrali.

Anche le condizioni di campionamento hanno avuto un ruolo. Per la previsione fenomica, le foglie di vigneto raccolte alla fioritura hanno registrato la maggiore capacità predittiva media a livello di campione, pari a 0,172, seguite dalle foglie di vigneto raccolte al germogliamento, a 0,161. Le foglie di serra raccolte alla fioritura hanno ottenuto il risultato più basso, pari a 0,088. Per la previsione metabolomica, i risultati medi migliori sono stati ottenuti combinando tutte le categorie di campionamento in BLUP calcolati per ciascuna caratteristica, con una media di 0,421. Seguono le foglie di vigneto raccolte al germogliamento, a 0,382, mentre le foglie di serra raccolte alla fioritura hanno fatto registrare ancora una volta il risultato medio più basso, pari a 0,199.

Lo studio ha inoltre verificato se le foglie campionate in serra potessero sostituire quelle raccolte in vigneto. Per alcuni caratteri specifici è stato possibile, ma il quadro è risultato disomogeneo. Nella previsione fenomica, gli spettri ottenuti in serra hanno superato quelli del vigneto per caratteri come il contenuto zuccherino delle bacche e il peso del grappolo; gli spettri del vigneto sono invece risultati migliori per il momento del germogliamento e alcuni parametri della composizione delle bacche. Nella previsione metabolomica, le foglie di vigneto hanno generalmente dato risultati migliori di quelle di serra, anche se i dati raccolti in serra hanno comunque fornito un segnale utile per alcuni caratteri.

Confrontando i tre livelli omici sullo stesso gruppo di 150 viti selezionate per la profilazione metabolomica, i ricercatori hanno osservato che la previsione genomica ha dato i risultati migliori per la maggior parte dei caratteri, quella metabolomica si è collocata a metà e quella fenomica si è classificata ultima. Per un gruppo ristretto di caratteri, la previsione metabolomica ha eguagliato o superato quella genomica: tra questi il pH delle bacche in una fase, la fertilità globale, la qualità dell’allegagione, il numero di germogli per pianta, il peso fresco di potatura per pianta e SPAD502, un parametro legato alla clorofilla.

Il team ha anche valutato se la combinazione di diversi livelli di dati potesse migliorare i risultati. In molti ambiti della biologia, gli approcci multi-omici sono proposti come strumenti per cogliere meglio la complessità di fondo di un carattere. In questo caso, il vantaggio è stato limitato. I modelli che combinavano informazioni genomiche, fenomiche e metabolomiche non hanno mostrato un vantaggio costante rispetto alla sola previsione genomica. I modelli basati esclusivamente sui dati genomici e quelli che li includevano hanno formato il gruppo statistico con i risultati migliori, ma l’aggiunta di dati fenomici o metabolomici non ha migliorato sistematicamente le prestazioni. Secondo l’articolo, alla dimensione del campione utilizzata non vi erano prove che l’integrazione multi-omica migliorasse in modo costante la capacità predittiva.

I risultati sostengono l’impiego della selezione genomica come approccio principale nei programmi di selezione della vite che necessitano di uno screening precoce affidabile. Gli autori hanno osservato che gli strumenti metabolomici o fenomici possono comunque essere utili, soprattutto per i caratteri e i disegni di campionamento che mostrano un segnale predittivo ripetibile. Ciò potrebbe influenzare il modo in cui i programmi pubblici di selezione e i vivai privati allocano le risorse, mentre cercano di sviluppare nuove viti resistenti alla peronospora e ad altre malattie, che richiedano meno trattamenti fungicidi e restino produttive in condizioni di coltivazione più calde e variabili.

La questione va oltre il vivaio. La vite è alla base dei mercati del vino, dei succhi, dell’uva da tavola e dell’uva essiccata; le decisioni di selezione prese oggi possono determinare quali varietà saranno a disposizione di viticoltori e produttori di bevande negli anni a venire. Se la previsione genomica continuerà a offrire i risultati migliori, è più probabile che i programmi di selezione investano innanzitutto in dati densi sui marcatori del DNA e ricorrano allo screening metabolomico o spettroscopico in modo più mirato, soprattutto per selezionare varietà resistenti alle malattie, con determinate caratteristiche delle bacche e capaci di adattarsi allo stress climatico.