Исследование показало, что геномное прогнозирование по ДНК эффективнее других методов для молодых лоз винограда

Согласно новому исследованию, сравнившему три способа прогнозирования характеристик молодых лоз винограда, геномное прогнозирование на основе ДНК оказалось точнее метаболомного и спектроскопического подходов по большинству изученных признаков. Это дает селекционерам более ясное представление о том, как отбирать новые лозы на ранних этапах селекционного процесса.

В исследовании, опубликованном в npj Science of Plants, изучалось, могут ли селекционеры ускорить совершенствование винограда, используя биологические данные для прогнозирования агрономических признаков до того, как лозы начнут полноценно плодоносить. Это важно для культуры с длительным циклом поколений: селекция на устойчивость к болезням и адаптацию к климату может занимать годы. Результаты имеют и практическое значение для виноделия и производства других напитков из винограда: селекционным программам необходимо решать, куда направлять средства, чтобы выводить новые сорта, сохраняющие качество и лучше переносящие жару, засуху и болезни.

Исследователи сопоставили три подхода на селекционной популяции винограда, полученной от скрещивания двух родительских форм и оцененной по фенотипу в течение 3 лет по 24 агрономическим признакам. Они включали показатели развития, плодовитости, химического состава ягод и урожайности. Ученые сравнили геномное прогнозирование на основе 7,386 маркеров SNP, феномное прогнозирование с использованием ближней инфракрасной спектроскопии (NIRS) и метаболомное прогнозирование на основе нетаргетной жидкостной хроматографии с масс-спектрометрией (LC-MS). Кроме того, они проверили семь статистических моделей и несколько схем отбора образцов, включая древесину и листья, собранные на разных стадиях роста в винограднике и теплице.

Самый очевидный результат заключался в том, что геномное прогнозирование обеспечило наилучшие показатели. Максимальная прогностическая способность достигла корреляции r=0.827 для суммы температур от цветения до начала созревания ягод. По 24 признакам средняя прогностическая способность геномных моделей составляла от 0.375 для LASSO до 0.473 для rrBLUP, которая в среднем оказалась лучшей моделью в этой группе.

На втором месте оказалось метаболомное прогнозирование. Максимальный результат для отдельного признака составил r=0.586 для массы зеленой ягоды. Он был получен с помощью метаболомной модели BLUP на основе листьев с виноградника, собранных при распускании почек. Средняя прогностическая способность метаболомных моделей варьировалась от 0.350 для Random Forest до 0.424 для MBLUP. Феномное прогнозирование показало наименее высокие результаты из трех подходов. Лучший результат для отдельного признака составил r=0.391 для первичной плодоносности, а средняя прогностическая способность варьировалась от 0.096 до 0.215 в зависимости от модели.

С практической точки зрения исследование выявило компромисс между стоимостью и точностью. Феномное прогнозирование на основе NIRS обходится дешевле и требует меньше времени на сбор данных, однако прогностический сигнал часто был слабым. Геномное прогнозирование оказалось надежнее, тогда как метаболомное иногда давало хорошие результаты для отдельных признаков, но требует более высоких затрат на анализ и более сложной лабораторной работы.

Данные, на которых основывались эти различия, помогли объяснить, почему методы работали неодинаково. Исследователи оценили, какая доля вариации каждого типа признаков обусловлена генетическими факторами, а не остаточным шумом. Для длин волн ближнего инфракрасного диапазона была характерна низкая генотипическая дисперсия: в среднем 2%, максимум — 17%. Наследуемость также была низкой: в среднем 0.07, максимум — 0.46. Признаки метаболома имели более высокую наследуемость: в среднем 0.25, причем для нескольких показателей она превышала 0.90. Это позволяет предположить, что в рамках использованных в исследовании моделей метаболомные данные отражали более стабильную биологическую информацию, связанную с генотипом, чем спектральные.

Значение имели и условия отбора образцов. При феномном прогнозировании наивысшая средняя прогностическая способность на уровне образцов — 0.172 — была у листьев с виноградника, собранных во время цветения. Следом шли листья с виноградника, собранные при распускании почек, с результатом 0.161. Самый низкий показатель — 0.088 — был у листьев из теплицы, собранных во время цветения. Для метаболомного прогнозирования лучшие средние результаты были получены при объединении всех категорий образцов в BLUP-модели для каждого признака: среднее значение достигло 0.421. Далее следовали листья с виноградника, собранные при распускании почек, — 0.382, а наименьший средний результат вновь показали листья из теплицы, собранные во время цветения, — 0.199.

Исследование также проверяло, могут ли листья, собранные в теплице, заменить образцы с виноградника. Для некоторых отдельных признаков это было возможно, но результаты были неоднозначными. При феномном прогнозировании спектральные данные тепличных листьев превосходили данные листьев с виноградника для таких признаков, как содержание сахара в ягодах и масса грозди. В то же время спектральные данные с виноградника лучше подходили для определения сроков распускания почек и некоторых показателей химического состава ягод. При метаболомном прогнозировании листья с виноградника в целом давали лучшие результаты, хотя данные тепличных образцов также содержали полезный сигнал для ряда признаков.

Когда исследователи сопоставили все три омиксных слоя на одной и той же выборке из 150 лоз, отобранных для метаболомного профилирования, геномное прогнозирование показало лучшие результаты по большинству признаков, метаболомное заняло промежуточное место, а феномное — последнее. Метаболомное прогнозирование сравнялось с геномным или превзошло его для ограниченного набора признаков, включая pH ягод на одной из стадий, общую плодоносность, качество завязывания плодов, число побегов на растение, свежую массу обрезков с растения и SPAD502 — показатель, связанный с содержанием хлорофилла.

Ученые также проверили, улучшит ли результаты объединение разных слоев данных. Во многих областях биологии мультиомиксные подходы рассматриваются как способ учесть больше аспектов сложности признака. В данном случае прирост был невелик. Модели, объединявшие геномные, феномные и метаболомные данные, не продемонстрировали стабильного преимущества перед одним лишь геномным прогнозированием. В группу лучших статистических моделей вошли модели только с геномными данными и комбинации, включавшие геномные данные, однако добавление феномных или метаболомных данных не приводило к систематическому повышению результатов. Авторы статьи отметили, что при использованном в исследовании размере выборки нет свидетельств того, что интеграция нескольких омиксных данных стабильно повышает прогностическую способность.

Результаты подтверждают, что геномная селекция — основной подход для программ селекции винограда, которым необходим надежный ранний отбор. Авторы отметили, что метаболомные и феномные инструменты также могут быть полезны, но прежде всего для тех признаков и схем отбора образцов, по которым наблюдается воспроизводимый прогностический сигнал. Это может повлиять на распределение ресурсов государственными селекционными программами и частными питомниками, стремящимися выводить новые лозы, устойчивые к милдью и другим болезням, требующие меньшего числа обработок фунгицидами и сохраняющие продуктивность в более жарких и изменчивых условиях выращивания.

Этот вопрос важен не только для питомников. От винограда зависят рынки вина, сока, столового и сушеного винограда, а селекционные решения, принимаемые сегодня, определят, какие сорта будут доступны виноградарям и производителям напитков через несколько лет. Если геномное прогнозирование и дальше будет обеспечивать наибольшую отдачу, селекционные программы, вероятно, будут в первую очередь инвестировать в обширные данные о маркерах ДНК и применять метаболомный или спектроскопический анализ более избирательно — особенно при работе над устойчивостью к болезням, составом ягод и адаптацией к климатическим стрессам.