Effecten van genotype-omgevinginteractie in multi-omgevingsmodellen voor resistentie tegen Fusarium-koprot bij tarwe

Waarom gezondere tarwe ertoe doet

Tarwe is een fundament van het menselijke dieet wereldwijd, maar een ziekte genaamd Fusarium-koprot (FHB) bedreigt zowel oogsten als voedselveiligheid. De schimmel die FHB veroorzaakt doet niet alleen de korrels krimpen en reduceert opbrengsten, ze laat ook een toxine achter genaamd DON dat graan onveilig kan maken voor consumptie. Veredelaars willen tarwevariëteiten die gezond blijven onder veel verschillende weers- en locatieomstandigheden, maar het testen van duizenden lijnen in het veld is traag en duur. Deze studie onderzoekt hoe DNA-gebaseerde hulpmiddelen en geavanceerde statistiek gebruikt kunnen worden om te voorspellen welke tarwelijnen FHB in uiteenlopende omgevingen zullen weerstaan, wat de levering van veiliger en betrouwbaardere gewassen zou kunnen versnellen.

Een ziekte gevormd door weer en genetica

FHB is een complexe ziekte omdat de ernst ervan zowel afhangt van de genen van de plant als van de condities in het veld. Warm, vochtig weer tijdens de bloei creëert ideale omstandigheden voor infectie, maar die omstandigheden kunnen van jaar tot jaar en van locatie tot locatie variëren. Dezelfde tarwelijn kan in het ene proefveld tamelijk resistent lijken en in een andere sterk aangetast. Veredelaars volgen ook kenmerken die aan FHB gerelateerd zijn, zoals hoe ver de meeldraden (pollendragende delen) uit de bloem steken, hoe hoog de planten zijn en wanneer ze beginnen te aren. In deze studie bevestigden de onderzoekers sterke relaties: lijnen met meer uitstoot van meeldraden en hogere planten hadden doorgaans minder FHB en lagere DON-concentraties, terwijl later aren vaak samenhing met hogere toxineniveaus. Deze kenmerkverbindingen vormen nuttige aanwijzingen bij het voorspellen van ziektesresistentie.

Van veldpercelen naar voorspellingsmodellen

Het team analyseerde twee grote verzamelingen van zomertarwe: een genetisch diverse internationale panel en een panel van elite Noordse veredelingslijnen. Beide werden getest op FHB, DON en gerelateerde kenmerken over meerdere jaren in Noorwegen, Oostenrijk en Canada. Tegelijkertijd werd elke lijn gekarakteriseerd met tienduizenden DNA-markers over het genoom. Met deze gecombineerde veld- en DNA-informatie bouwden de onderzoekers verschillende typen voorspellingsmodellen. Een model gebruikte alleen informatie over elke lijn en de omgevingen waarin ze werden getest. Een tweede model voegde genomische relaties tussen lijnen toe. Een derde, geavanceerdere model omvatte ook hoe elk genetisch profiel met elke omgeving interageerde — waarbij de cruciale “genotype-bij-omgeving” (G × E) effecten werden vastgelegd die ertoe leiden dat een lijn onder verschillende condities verschillend presteert.

Leren van meerdere kenmerken en locaties

Om echte veredelingsbeslissingen na te bootsen, testte de studie twee scenario’s. In het ene moesten modellen volledig nieuwe tarwelijnen voorspellen die nog nooit eerder waren geteeld. In het andere voorspelden ze hoe bekende lijnen zich in een nieuwe omgeving zouden gedragen, gebruikmakend van resultaten uit andere locaties en jaren. De onderzoekers vergeleken ook eentrapsmodellen, die zich richten op alleen FHB of DON, met multi-trait modellen die gelijktijdig FHB, DON, plantlengte, aarzettingstijd en meeldraaduitstoot gebruikten. In het meer diverse panel presteerden multi-trait modellen over het algemeen beter dan eentrapsmodellen, vooral wanneer ze G × E-termen omvatten. In het elite Noordse panel, waar de genetische en omgevingsvariatie smaller was, hielpen multi-trait modellen niet altijd en presteerden ze soms iets slechter. In beide panelen en scenario’s nam de voorspellingsnauwkeurigheid toe wanneer gegevens uit meerdere omgevingen werden gebruikt, wat de kracht weerspiegelt van het lenen van informatie over proeven heen.

Waarom omgevingsbewuste DNA-modellen beter werken

De meest succesvolle benadering was het model dat genomische informatie combineerde met expliciete G × E-interactie-effecten. Voor moeilijk te voorspellen eigenschappen zoals FHB-ernst en DON-gehalte — beide sterk gevormd door het weer — leverde dit model vaak de hoogste voorspellende vermogens. In het bijzonder, wanneer de correlaties tussen omgevingen sterk waren, zoals vergelijkbare ziektebelastingen in verschillende jaren of locaties, kon het interactiemodel deze verbanden benutten om betrouwbaardere voorspellingen te doen. De studie benadrukte ook andere factoren die van belang zijn voor voorspellingskwaliteit: grotere en diversere trainingsgegevenssets, hogere markerdichtheid en goed gemeten veldgegevens droegen allemaal bij aan betere prestaties, vooral in het meer diverse panel dat over vele jaren was getest.

Wat dit betekent voor veiliger, stabielere tarwe

Voor niet-specialisten is de kernboodschap dat veredeling voor FHB-resistentie sneller en preciezer kan worden door DNA-informatie te combineren met zorgvuldige modellering van hoe planten op verschillende omgevingen reageren. In plaats van jaren te wachten op veldtests van elke kandidaatlijn, kunnen veredelaars deze modellen gebruiken om te voorspellen welke lijnen waarschijnlijk gezonder blijven en minder toxine opstapelen over een reeks klimaten. Hoewel de studie niet in elk geval dramatische winst aantoonde door multi-trait modellen, liet ze zien dat aandacht voor de interactie tussen genen en omgeving consequent de voorspellingen verbetert. Op de lange termijn kunnen zulke omgevingsbewuste genomische hulpmiddelen helpen tarwevariëteiten op te leveren die veiliger graan en stabielere opbrengsten produceren onder een steeds onvoorspelbaarder klimaat.

Bronvermelding: 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

Trefwoorden: ziektebestendigheid bij tarwe, Fusarium-koprot, genomische voorspelling, genotype-bij-omgeving interactie, plantveredeling