Índice de selección genómica no lineal acelera la mejora multicaracterística de cultivos

Mejor fitomejoramiento para un mundo con más hambre

A medida que la población global crece y los climas se vuelven menos predecibles, los fitomejoradores deben mejorar varios rasgos de los cultivos a la vez —como rendimiento, altura y época de floración— más rápido que nunca. Este artículo presenta una nueva herramienta matemática que ayuda a los mejoradores a lograr exactamente eso usando información del ADN de forma más realista, capturando no solo los efectos individuales de los genes sino también cómo interactúan. El enfoque promete acelerar la creación de mejores variedades de maíz y trigo sin necesidad de medir cada planta en el campo.

Por qué es tan difícil combinar muchos rasgos

Los mejoradores rara vez se interesan por un solo rasgo. Por ejemplo, quieren mayor rendimiento de grano pero también plantas más cortas y resistentes que florezcan en el momento adecuado. Los clásicos “índices de selección” convierten varios rasgos en una única puntuación para clasificar plantas. Tradicionalmente, esos índices asumen que cada rasgo contribuye de forma simple y lineal y que los efectos de distintos rasgos se suman. La biología real es más compleja: los rasgos se influyen entre sí y puede haber puntos óptimos donde “más” deja de ser mejor. Ignorar estas interacciones no lineales puede frenar el progreso genético e incluso llevar la mejora por un camino equivocado.

De líneas simples a curvas flexibles

Herramientas genómicas anteriores permitían a los mejoradores usar marcadores de ADN repartidos por el genoma para predecir cuán buenos serían los descendientes de una planta, llevando a los llamados índices de selección genómica lineales. Estos funcionan bien cuando los efectos génicos son sobre todo aditivos. Los autores extienden una idea más flexible y antigua —el índice de selección fenotípico cuadrático, que ya permitía términos al cuadrado e interacciones entre rasgos— a la era del ADN. Su nueva herramienta, llamada Índice de Selección Genómica Cuadrático (QGSI, por sus siglas en inglés), usa predicciones de valores de cría genómicos y los combina mediante términos lineales y curvos (cuadráticos). Esto permite que el índice capture patrones complejos como interacciones gen–gen y combinaciones óptimas de rasgos, incluso cuando no hay mediciones de campo disponibles en cada ciclo.

Probando el nuevo índice

Para ver si esta complejidad adicional compensa, los investigadores compararon QGSI con índices lineales y cuadráticos que usan solo datos de campo, y con índices genómicos lineales que usan ADN pero se mantienen simples. Ejecutaron simulaciones informáticas de mejora del maíz durante 10 ciclos de selección y también analizaron dos conjuntos de datos reales de maíz y cinco de trigo procedentes de programas de mejora internacionales. Se probaron dos formas de predecir el valor genético a partir del ADN: un modelo aditivo estándar y un modelo de núcleo gaussiano más flexible que puede capturar interacciones génicas sutiles. En estos escenarios, QGSI produjo de forma consistente mayores respuestas de selección —es decir, una mejora global más grande entre rasgos— que los índices lineales, y típicamente superó también al índice fenotípico cuadrático.

Mejores ganancias, menos errores, más equilibrio

En las simulaciones de ciclos de maíz, QGSI entregó las ganancias más altas, superando tanto a índices genómicos lineales como a índices cuadráticos basados solo en medidas de campo. Además tendió a tener menor error de predicción, lo que significa que sus puntuaciones fueron guías más fiables para elegir progenitores. En poblaciones reales de maíz de México y Zimbabue, QGSI logró ganancias un 80–90 % mayores que los índices genómicos lineales cuando varios rasgos se mejoraron conjuntamente. En ensayos de trigo conducidos bajo diferentes riegos y condiciones de lluvia, el patrón fue similar: los índices cuadráticos superaron a los lineales, y combinar QGSI con el modelo de núcleo gaussiano produjo las mejoras más fuertes y estables entre ambientes, especialmente para rendimiento de grano manteniendo la altura de planta y la época de floración en rangos aceptables.

Qué significa esto para los cultivos del futuro

Para quienes no son especialistas, el mensaje clave es que los mejoradores disponen ahora de un sistema de puntuación más realista que refleja cómo interactúan realmente genes y rasgos, en lugar de forzarlos a un modelo lineal. Los autores recomiendan usar el índice fenotípico cuadrático cuando solo hay datos de campo disponibles en etapas tempranas, y cambiar al QGSI una vez que estén disponibles datos genómicos y ciclos de selección rápidos. Al capturar mejor las relaciones genéticas no lineales, QGSI puede acelerar la mejora multicaracterística de cultivos y ayudar a entregar nuevas variedades de maíz y trigo con mayor rendimiento, más resilientes y mejor adaptadas a entornos exigentes.

Cita: Jesús Cerón-Rojas, J., Montesinos-López, O.A., Montesinos-López, A. et al. Nonlinear genomic selection index accelerates multi-trait crop improvement. Nat Commun 17, 1991 (2026). https://doi.org/10.1038/s41467-026-69890-3

Palabras clave: selección genómica, mejora de cultivos, maíz, trigo, mejora multicaracterística