Efectos de la interacción genotipo–ambiente en modelos multiambiente para la resistencia a Fusarium head blight en trigo

Por qué importa un trigo más sano

El trigo es un pilar de la dieta humana en todo el mundo, pero una enfermedad llamada Fusarium head blight (FHB) amenaza tanto las cosechas como la seguridad alimentaria. El hongo que causa la FHB no solo marchita el grano y reduce el rendimiento, sino que además deja una toxina llamada DON que puede hacer que el grano no sea seguro para el consumo. Los mejoradores buscan variedades de trigo que se mantengan sanas en una amplia gama de climas y lugares, pero evaluar miles de líneas en el campo es lento y costoso. Este estudio explora cómo usar herramientas basadas en ADN y estadísticas avanzadas para predecir qué líneas de trigo resistirán la FHB en diferentes ambientes, acelerando potencialmente la entrega de cultivos más seguros y fiables.

Una enfermedad moldeada por el clima y la genética

La FHB es una enfermedad compleja porque su severidad depende tanto de los genes de la planta como de las condiciones del campo. Un clima cálido y húmedo durante la floración crea condiciones ideales para la infección, pero esas condiciones pueden cambiar de año a año y de ubicación a ubicación. La misma línea de trigo puede parecer bastante resistente en un ensayo y muy enferma en otro. Los mejoradores también registran rasgos ligados a la FHB, como la extrusión de anteras (la distancia que sobresalen las anteras), la altura de la planta y la fecha de espigado. En este estudio, los investigadores confirmaron relaciones sólidas: las líneas con mayor extrusión de anteras y plantas más altas tendían a tener menos FHB y niveles más bajos de la toxina DON, mientras que un espigado más tardío a menudo se asociaba con niveles más altos de toxina. Estas conexiones entre rasgos son pistas útiles a la hora de predecir la resistencia a la enfermedad.

De parcelas de campo a modelos predictivos

El equipo analizó dos grandes colecciones de trigo de primavera: un panel internacional genéticamente diverso y un panel de líneas elitistas nórdicas. Ambos se evaluaron para FHB, DON y rasgos relacionados durante varios años en Noruega, Austria y Canadá. Al mismo tiempo, cada línea se caracterizó con decenas de miles de marcadores de ADN distribuidos por todo el genoma. Con esta información de campo y genética, los investigadores construyeron varios tipos de modelos predictivos. Un modelo usó solo información sobre cada línea y los ambientes donde se probó. Un segundo modelo añadió relaciones genómicas entre líneas. Un tercer modelo, más avanzado, también incorporó cómo cada perfil genético interactuaba con cada ambiente, capturando los cruciales efectos de “genotipo por ambiente” (G × E) que hacen que una línea rinda de forma distinta según las condiciones.

Aprender de múltiples rasgos y localizaciones

Para imitar decisiones reales de mejora, el estudio probó dos escenarios. En uno, los modelos tuvieron que predecir líneas completamente nuevas que nunca se habían cultivado antes. En el otro, predijeron cómo se comportarían líneas conocidas en un nuevo ambiente, usando resultados de otros sitios y años. Los investigadores también compararon modelos de rasgo único, que se centran solo en FHB o DON, con modelos multirrastro que usan simultáneamente FHB, DON, altura de planta, fecha de espigado y extrusión de anteras. En el panel más diverso, los modelos multirrastro generalmente superaron a los de rasgo único, especialmente cuando incluían términos de G × E. En el panel elitista nórdico, donde la variación genética y ambiental era más estrecha, los modelos multirrastro no siempre ayudaron y a veces tuvieron un rendimiento ligeramente inferior. En ambos paneles y escenarios, la precisión de la predicción mejoró cuando se usaron datos de múltiples ambientes, reflejando el poder de aprovechar información entre ensayos.

Por qué los modelos genómicos que consideran el ambiente funcionan mejor

El enfoque más exitoso fue el modelo que combinó información genómica con efectos explícitos de interacción G × E. Para rasgos difíciles como la severidad de la FHB y el contenido de DON —ambos fuertemente condicionados por el clima— este modelo a menudo produjo las mayores capacidades de predicción. En particular, cuando las correlaciones entre ambientes eran fuertes, como presiones de enfermedad similares en distintos años o lugares, el modelo de interacción pudo explotar esos vínculos para generar predicciones más fiables. El estudio también destacó otros factores que influyen en la calidad de la predicción: conjuntos de entrenamiento más grandes y diversos, mayor densidad de marcadores y datos de campo bien medidos contribuyeron todos a un mejor desempeño, especialmente en el panel más diverso que se evaluó durante muchos años.

Qué significa esto para un trigo más seguro y estable

Para un público no especializado, el mensaje clave es que la mejora para resistencia a la FHB puede ser más rápida y precisa al combinar información de ADN con un modelado cuidadoso de cómo responden las plantas a distintos ambientes. En lugar de esperar años para ensayar cada línea candidata en el campo, los mejoradores pueden usar estos modelos para prever qué líneas probablemente se mantendrán más sanas y acumularán menos toxina en una variedad de climas. Si bien el estudio no encontró mejoras dramáticas con modelos multirrastro en todos los casos, mostró que atender a la interacción entre genes y ambiente mejora las predicciones de forma consistente. A largo plazo, estas herramientas genómicas conscientes del ambiente podrían ayudar a entregar variedades de trigo que produzcan grano más seguro y rendimientos más estables bajo un clima cada vez más impredecible.

Cita: Nannuru, V.K.R., Dieseth, J.A., Dong, Y. et al. Genotype environment interaction effects in multi environment models for Fusarium head blight resistance in wheat. npj Sci. Plants 2, 11 (2026). https://doi.org/10.1038/s44383-026-00022-y

Palabras clave: resistencia a enfermedades en trigo, Fusarium head blight, predicción genómica, interacción genotipo-ambiente, mejora vegetal