Нелинейный индекс геномного отбора ускоряет улучшение культур по нескольким признакам

Более умная селекция для голодающего мира

По мере роста мировой популяции и возрастания непредсказуемости климата селекционерам растений нужно одновременно улучшать несколько признаков урожая — например, урожайность, высоту и время цветения — быстрее, чем когда-либо. В этой статье представлен новый математический инструмент, который помогает селекционерам делать именно это, используя информацию о ДНК более реалистичным образом, учитывая не только индивидуальные эффекты генов, но и их взаимодействия. Подход обещает ускорить создание лучших сортов кукурузы и пшеницы без необходимости измерять каждое растение в поле.

Почему сложно объединять многие признаки

Селекционерам редко важен только один признак. Например, они хотят более высокую урожайность зерна, но также более короткие, крепкие растения, цветущие в нужное время. Классические «индексы отбора» превращают несколько признаков в один балл для ранжирования растений. Традиционно такие индексы предполагают, что каждый признак вносит вклад простым, линейным образом и что эффекты разных признаков просто суммируются. Реальная биология сложнее: признаки взаимно влияют друг на друга, и бывают точки оптимума, где «больше» уже не значит «лучше». Игнорирование этих нелинейных взаимодействий может замедлить генетический прогресс и даже направить селекцию в неправильную сторону.

От простых линий к гибким кривым

Ранние геномные инструменты позволяли селекционерам использовать маркеры ДНК по всему геному для предсказания качества потомства растения, что привело к так называемым линейным индексам геномного отбора. Они хорошо работают, когда эффекты генов в основном аддитивны. Авторы расширяют более гибкую, более старую идею — квадратичный фенотипический индекс отбора, который уже допускал квадратичные члены и взаимодействия между признаками — в эру ДНК. Их новый инструмент, названный квадратичным индексом геномного отбора (QGSI), использует предсказания геномных племенных значений и объединяет их через как линейные, так и квадратичные члены. Это позволяет индексу захватывать сложные паттерны, такие как взаимодействия ген–ген и оптимальные сочетания признаков, даже когда полевые измерения недоступны для каждого цикла.

Испытание нового индекса

Чтобы выяснить, оправдана ли такая добавленная сложность, исследователи сравнили QGSI с линейными и квадратичными индексами, использующими только полевые данные, а также с линейными геномными индексами, которые используют ДНК, но остаются простыми. Они провели компьютерные симуляции селекции кукурузы в течение 10 циклов отбора и проанализировали два реальных набора данных по кукурузе и пять — по пшенице из международных селекционных программ. Были протестированы два способа предсказания генетической ценности по ДНК: стандартная аддитивная модель и более гибкая модель с гауссовым ядром, способная захватывать тонкие взаимодействия генов. Во всех этих настройках QGSI последовательно давал большие отклики отбора — то есть более значительные общие улучшения по признакам — чем линейные индексы, а обычно превосходил и квадратичный фенотипический индекс.

Лучшие приросты, меньше ошибок, больше баланса

В смоделированных циклах кукурузы QGSI обеспечил наибольшие приросты, опережая как линейные геномные индексы, так и квадратичные индексы, основанные только на полевых измерениях. Он также демонстрировал тенденцию к более низкой ошибке предсказания, то есть его оценки были более надежным ориентиром при выборе родителей. В реальных популяциях кукурузы из Мексики и Зимбабве QGSI достигал на 80–90% больших приростов, чем линейные геномные индексы при одновременном улучшении нескольких признаков. В испытаниях пшеницы, проведённых в различных режимах орошения и осадков, наблюдалась схожая картина: квадратичные индексы превосходили линейные, а сочетание QGSI с моделью гауссового ядра давало самые сильные и стабильные улучшения по средам, особенно по урожайности зерна при сохранении высоты растений и времени цветения в приемлемых пределах.

Что это значит для будущих культур

Для неспециалистов ключевое сообщение в том, что у селекционеров теперь есть более реалистичная система оценки, отражающая то, как гены и признаки действительно взаимодействуют, вместо того чтобы подгонять всё под линейную модель. Авторы рекомендуют использовать квадратичный фенотипический индекс, когда на ранних этапах доступны только полевые данные, и переходить к QGSI, как только появляются геномные данные и быстрые циклы отбора. Благодаря лучшему учёту нелинейных генетических связей QGSI может ускорить многопризнаковое улучшение культур и помочь создать новые сорта кукурузы и пшеницы с более высокой урожайностью, большей устойчивостью и лучшей адаптацией к сложным условиям среды.

Цитирование: 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

Ключевые слова: геномный отбор, селекция сельскохозяйственных культур, кукуруза, пшеница, многопризнаковое улучшение