ビッグデータによる環境適応品種の予測 | JoVE Visualize

科学分野:

農業科学
遺伝学
植物育種

背景:

従来の育種プログラムは平均遺伝子型パフォーマンスに焦点を当てており、環境特異的適応を見逃している可能性があります。
作物収量を最適化するためには、特定の環境に適した遺伝子型を選択することが重要です。

研究の目的:

個々の環境に合わせて調整された高収量冬小麦遺伝子型を選択するためのゲノム予測フレームワークを開発すること。
遺伝子型と環境の相互作用を考慮に入れることにより、遺伝子型特異的パフォーマンスの予測を改善すること。

主な方法:

2010年から2022年までの中央ヨーロッパの31か所のサイトにわたる13,285の遺伝子型から広範な冬小麦の穀物収量データを収集しました。
遺伝子型パフォーマンスを予測するために、畳み込みニューラルネットワーク（CNN）および従来のゲノム最良線形不偏予測（GBLUP）を利用しました。
機械学習を使用して遺伝子型と環境の相互作用（G×E）をモデル化するために環境データが組み込まれました。

主要な成果:

CNNは、トレーニングデータサイズが増加するにつれて、平均遺伝子型パフォーマンスを予測する上で、GBLUPと比較して競争力のある、またはそれを上回るパフォーマンスを示しました。
G×E相互作用を伴うGBLUPモデルを使用して、環境特異的ハイブリッドパフォーマンスを予測する際に23％の改善が観察されました。
中央ヨーロッパの研究サイト全体で、G×E相互作用と遺伝子型クラスタリングを駆動する主要な環境変数を特定しました。

結論:

ビッグデータ、機械学習、深層学習は、作物育種における遺伝的ボトルネックを克服するための新しいアプローチを提供します。
これらの高度な方法は、農家への改良された作物品種の開発と提供を迅速化します。