¡La integración de datos genómicos aumenta la precisión en la predicción de características de la manzana!

En las últimas décadas, el mundo ha sido testigo de un progreso tremendo en las herramientas utilizadas para el análisis genómico. Si bien suele ser más común asociar estas herramientas con los campos de la biología y la medicina, también han demostrado ser muy valiosas en la agricultura. Utilizando numerosos marcadores de ADN obtenidos de tecnologías de secuenciación de próxima generación, los mejoradores pueden realizar predicciones genómicas y seleccionar individuos prometedores en función de sus valores de rasgos predichos.

Varios sistemas y metodologías destinados a mejorar la calidad de las frutas utilizan el análisis genético. Uno de ellos consiste en la selección genética (GS) y la predicción genética (GP). Este enfoque moderno de mejoramiento utiliza modelos estadísticos para evaluar todo el perfil genético de un individuo dado en función de genomas previamente recopilados y sus rasgos asociados. Esto permite a los mejoradores hacer predicciones sobre los rasgos de la fruta que se producirán en el futuro en la etapa de plántula. En contraste, los estudios de asociación de todo el genoma (GWAS) se centran en encontrar las variantes genéticas exactas que son responsables de un rasgo de fruta en particular.

Hasta ahora, GP y GWAS han utilizado predominantemente marcadores de ADN de un solo sistema, y cuando el sistema en uso se volvía obsoleto, tenía que volver a analizarse utilizando un sistema más actualizado. Sin embargo, ha sido difícil volver a analizar poblaciones para su selección en el mejoramiento de árboles frutales que se analizaron en sistemas anteriores, ya que no es posible volver a obtener ADN de individuos descartados durante la selección. Por lo tanto, en un estudio reciente publicado en Horticulture Research el 8 de julio de 2024, un equipo de investigación dirigido por la profesora asociada Mai F. Minamikawa del Instituto de Investigación Académica Avanzada de la Universidad de Chiba, Japón, se propuso aclarar si la combinación de datos de manzanas de diferentes sistemas podría conducir a resultados más precisos al realizar GP y GWAS. Otros miembros del equipo incluyeron a la Dra. Miyuki Kunihisa del Instituto de Ciencia de Árboles Frutales y Té, Organización Nacional de Investigación Agrícola y Alimentaria de Japón, y al profesor Hiroyoshi Iwata de la Escuela de Graduados de Ciencias Agrícolas y de la Vida de la Universidad de Tokio, Japón.

Primero, los investigadores combinaron conjuntos de datos de manzanas adquiridos de dos sistemas de genotipado diferentes, a saber, Infinium y genotipado por secuenciación de amplicones aleatorios directos (GRAS-Di). Luego, utilizaron estos marcadores de genotipo combinados para realizar GP y GWAS para un total de 24 rasgos de fruta diferentes, incluida la acidez, la dulzura, el tiempo de cosecha y el contenido de sólidos solubles. El equipo comparó el rendimiento de las predicciones realizadas utilizando modelos entrenados en cualquiera de los conjuntos de datos por separado o ambos combinados. 

Los resultados fueron muy alentadores; la precisión de las predicciones genómicas y el poder de detección del sistema GWAS aumentaron significativamente cuando se utilizaron los conjuntos de datos combinados de Infinium y GRAS-Di para múltiples rasgos de fruta. Esto sugiere que existen beneficios al combinar datos de diferentes sistemas y aprovechar los datos históricos.

Para ir más allá, los investigadores también entrenaron el modelo GP de tal manera que se consideraran los efectos de la endogamia. Curiosamente, estos resultados también insinuaron que el enfoque combinado funcionaba mejor para ciertos rasgos, incluido Brix y Grado de Harinosidad. Sin embargo, estos hallazgos fueron menos concluyentes, como comenta la Dra. Minamikawa: “Aunque la precisión de la GS para los rasgos de la fruta en las manzanas se puede mejorar con datos sobre la endogamia, se necesitan más estudios para comprender la relación entre los rasgos de la fruta y la endogamia.”

En general, los hallazgos de este estudio insinúan una forma conveniente de mejorar la precisión de la GS y la GWAS al aprovechar los conjuntos de datos existentes. Esto podría tener muchas implicaciones positivas en la agricultura, como destaca la Dra. Minamikawa: “Los desafíos, como el gran tamaño de las plantas y los largos períodos juveniles en los árboles frutales, se pueden abordar identificando genotipos superiores de numerosos individuos utilizando GS de alta precisión como etapa de plántula y detectando variantes genéticas para un rasgo objetivo utilizando GWAS preciso.”

¡Esperemos que el progreso adicional en este campo haga que el mejoramiento de las frutas sea más eficiente y confiable para que podamos seguir disfrutándolas en nuestras dietas!

Acerca de la profesora asociada Mai F. Minamikawa

La Dra. Minamikawa recibió un doctorado de la Escuela de Graduados de Horticultura de la Universidad de Chiba en 2013, donde actualmente ocupa el puesto de profesora asociada de carrera. Se especializa en selección genómica, ciencia de datos y genética estadística y molecular, con particular atención a su aplicación al mejoramiento de frutas. Vale la pena señalar que también es miembro de la Sociedad Japonesa de Mejoramiento y la Sociedad Japonesa de Ciencia Hortícola.