Wpływ interakcji genotyp-środowisko w modelach wielośrodowiskowych odporności pszenicy na parcha kłosów (Fusarium)

Dlaczego zdrowsza pszenica ma znaczenie

Pszenica jest podstawą diety ludzi na całym świecie, jednak choroba znana jako Fusarium head blight (FHB) zagraża zarówno plonom, jak i bezpieczeństwu żywności. Grzyb wywołujący FHB nie tylko pomniejsza ziarno i obniża plony, lecz także pozostawia toksynę zwaną DON, która może uczynić ziarno niezdatnym do spożycia. Hodowcy potrzebują odmian pszenicy, które pozostaną zdrowe w różnych warunkach pogodowych i lokalizacjach, lecz testowanie tysięcy linii w polu jest powolne i kosztowne. Badanie to analizuje, jak wykorzystać narzędzia oparte na DNA i zaawansowane metody statystyczne do przewidywania, które linie pszenicy będą odporne na FHB w różnych środowiskach, co może przyspieszyć wprowadzanie bezpieczniejszych i bardziej niezawodnych upraw.

Choroba kształtowana przez pogodę i genetykę

FHB jest chorobą złożoną, ponieważ jej nasilenie zależy zarówno od genów rośliny, jak i od warunków panujących w polu. Ciepła, wilgotna pogoda podczas kwitnienia tworzy idealne warunki do infekcji, lecz te warunki mogą zmieniać się z roku na rok i między lokalizacjami. Ta sama linia pszenicy może wyglądać na stosunkowo odporną w jednym doświadczeniu, a silnie porażoną w innym. Hodowcy obserwują też cechy powiązane z FHB, takie jak występowanie ekstrowanii pylników (anther extrusion), wysokość roślin i termin kłoszenia. W tym badaniu potwierdzono silne zależności: linie z większą ekstrowanią pylników i wyższymi roślinami miały zwykle mniej FHB i niższe poziomy DON, podczas gdy późniejsze kłoszenie często wiązało się z wyższymi stężeniami toksyny. Te powiązania cech stanowią użyteczne wskazówki przy próbach przewidywania odporności na chorobę.

Od stanowisk polowych do modeli predykcyjnych

Zespół przeanalizował dwie obszerne kolekcje pszenicy jarej: genetycznie zróżnicowany panel międzynarodowy oraz panel elitarnych nordyckich linii hodowlanych. Oba panele badano pod kątem FHB, DON i związanych cech przez kilka lat w Norwegii, Austrii i Kanadzie. Równocześnie każdą linię scharakteryzowano za pomocą dziesiątek tysięcy markerów DNA pokrywających genom. Mając połączone dane polowe i genotypowe, badacze zbudowali kilka typów modeli predykcyjnych. Jeden model używał jedynie informacji o liniach i środowiskach, w których były testowane. Drugi model dodał relacje genomowe między liniami. Trzeci, bardziej zaawansowany model, uwzględniał także, jak każdy profil genetyczny wchodził w interakcję z każdym środowiskiem — ujmując kluczowe efekty „genotyp-środowisko” (G × E), które powodują, że linia zachowuje się inaczej w różnych warunkach.

Nauka z wieloma cechami i lokalizacjami

Aby naśladować rzeczywiste decyzje hodowlane, badanie sprawdziło dwa scenariusze. W pierwszym modele musiały przewidzieć zupełnie nowe linie pszenicy, które nigdy wcześniej nie były uprawiane. W drugim przewidywano, jak znane linie zachowają się w nowym środowisku, wykorzystując wyniki z innych miejsc i lat. Badacze porównali też modele jednocechowe, koncentrujące się tylko na FHB lub DON, z modelami wielocechowymi, które jednocześnie wykorzystywały FHB, DON, wysokość roślin, termin kłoszenia i ekstrowanię pylników. W panelu bardziej zróżnicowanym modele wielocechowe generalnie przewyższały modele jednocechowe, zwłaszcza gdy zawierały terminy G × E. W elitarnym panelu nordyckim, gdzie zmienność genetyczna i środowiskowa była węższa, modele wielocechowe nie zawsze pomagały, a czasem działały nieco gorzej. We wszystkich panelach i scenariuszach dokładność predykcji poprawiała się, gdy użyto danych z wielu środowisk, co odzwierciedla siłę wykorzystania informacji z różnych doświadczeń.

Dlaczego modele DNA uwzględniające środowisko działają lepiej

Najskuteczniejszym podejściem okazał się model łączący informacje genomowe z explicite uwzględnionymi efektami G × E. Dla trudnych cech, takich jak nasilenie FHB i zawartość DON — obie silnie zależne od pogody — model ten często dawał najwyższe zdolności predykcyjne. W szczególności, gdy korelacje między środowiskami były silne, na przykład podobne presje choroby w różnych latach lub lokalizacjach, model z interakcjami mógł wykorzystać te powiązania do uzyskania bardziej wiarygodnych prognoz. Badanie podkreśliło też inne czynniki ważne dla jakości predykcji: większe i bardziej zróżnicowane zbiory treningowe, wyższa gęstość markerów oraz dokładne dane polowe przyczyniały się do lepszej wydajności, zwłaszcza w bardziej zróżnicowanym panelu testowanym przez wiele lat.

Co to oznacza dla bezpieczniejszej, bardziej stabilnej pszenicy

Dla osoby niezajmującej się tematem najważniejsze przesłanie jest takie, że hodowlę pod kątem odporności na FHB można przyspieszyć i uczynić bardziej precyzyjną, łącząc informacje DNA z uważnym modelowaniem reakcji roślin na różne środowiska. Zamiast czekać latami na testy polowe każdej kandydackiej linii, hodowcy mogą używać tych modeli do prognozowania, które linie prawdopodobnie pozostaną zdrowsze i zgromadzą mniej toksyny w różnych warunkach klimatycznych. Chociaż badanie nie wykazało spektakularnych korzyści z modeli wielocechowych w każdej sytuacji, pokazało, że uwzględnianie interakcji między genami a środowiskiem konsekwentnie poprawia predykcje. W dłuższej perspektywie takie środowiskowo świadome narzędzia genomowe mogą pomóc w opracowaniu odmian pszenicy, które dają bezpieczniejsze ziarno i bardziej stabilne plony przy coraz bardziej nieprzewidywalnej pogodzie.

Cytowanie: 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

Słowa kluczowe: odporność pszenicy na choroby, Fusarium head blight, predykcja genomowa, interakcja genotyp-środowisko, hodowla roślin