Los avances en las plataformas de fenotipado de alto rendimiento (HTP) junto con las tecnologías de genotipado han revolucionado el mejoramiento de variedades con rasgos deseados basados en la predicción genómica. Sin embargo, hasta hace poco, los científicos carecían de comprensión de la influencia de múltiples rasgos en diferentes momentos a lo largo del período de crecimiento de una planta. Un grupo de investigación que incluye el Instituto Leibniz de Genética Vegetal e Investigación de Cultivos y el Instituto Leibniz de Fisiología Molecular de Plantas Max Planck desarrolló un enfoque computacional para resolver este problema.
Un fenoma vegetal abarca la totalidad de caracteres expresados en un momento dado y es el resultado integrado de la influencia de factores genéticos, condiciones ambientales y sus complejas interacciones.
Comprender cómo cambia el fenomeno de un cultivo a lo largo del tiempo puede ayudar a predecir rasgos individuales en puntos particulares del desarrollo de un cultivo. Sin embargo, esto es problemático no sólo por las complejas relaciones entre los rasgos individuales, sino también por las diferencias en cómo cambian los fenomas de genotipos específicos durante el ciclo de vida de la planta.
El enfoque clásico de predicción genómica (PG) en cultivos entrena modelos de aprendizaje automático utilizando datos sobre rasgos medidos en una población de genotipos en un momento determinado en función de marcadores genéticos. Sin embargo, los enfoques GP existentes aún no han resuelto el problema de predecir la dinámica de múltiples rasgos, es decir, la expresión de múltiples rasgos en diferentes puntos del tiempo durante todo el período de crecimiento de una planta.
El equipo de investigación presentó dynamicGP, un enfoque computacional que facilita la predicción de la dinámica de rasgos a lo largo del desarrollo del cultivo para el cual hay series temporales de mediciones fenotípicas para múltiples genotipos disponibles en plataformas de fenotipado de alto rendimiento (HTP). Los resultados fueron publicados en la revista Nature Plants.
Demostramos que dynamicGP es un método computacional eficiente para predecir la dinámica específica del genotipo para diversos rasgos. Esto se logra combinando la predicción genómica con la descomposición dinámica de modos (DMD), afirma David Hobby, investigador del Instituto Max Planck de Fisiología Molecular de Plantas y uno de los primeros autores del estudio.
Utilizando marcadores genéticos y datos de fenotipado de alto rendimiento de una población de híbridos de maíz multiparentales de generación avanzada y un panel de diversidad de la planta modelo Arabidopsis thaliana , los investigadores demostraron que dynamicGP supera un enfoque de predicción genómica de última generación para múltiples rasgos.
Representación esquemática de dynamicGP. Fuente: Nature Plants (2025). DOI: 10.1038/s41477-025-01986-y
«Descubrimos que la dinámica de desarrollo de los rasgos cuya heredabilidad varía menos con el tiempo se puede predecir con mayor precisión, lo que arroja luz sobre el factor que influye en la predictibilidad de los rasgos a lo largo de su trayectoria de desarrollo», afirma el Dr. Marc Heuermann, investigador del Instituto Leibniz de Genética Vegetal e Investigación de Cultivos y uno de los primeros autores del estudio.
De esta forma, dynamicGP abre el camino para la exploración e integración de interacciones dinámicas genotipo-fenotipo durante el desarrollo del cultivo para mejorar la precisión de la predicción de rasgos agronómicamente importantes.
Los desarrollos futuros de dynamicGP pueden depender de extensiones de DMD para tener en cuenta la influencia de los factores ambientales. Esto facilitará una mejora adicional del enfoque propuesto, que se espera que tenga un impacto muy significativo en el mejoramiento de variedades de cultivos adaptadas a regiones específicas, así como en la agricultura de precisión.
Fuente: Instituto Leibniz de Genética Vegetal e Investigación de Plantas Cultivas.
