[ad_1]

بانک های بذر در سراسر جهان تنوع ژنتیکی میلیون ها نوع محصول را حفظ و حفظ می کنند. این مجموعه عظیم مواد ژنتیکی به پرورش دهندگان این امکان را می دهد که به بسیاری از ژنتیک ها برای پرورش محصولاتی که میوه بهتر تولید می کنند یا در برابر فشار و بیماری مقاومت می کنند ، دسترسی داشته باشند.

اما با وجود دنیای ژنتیک ذرت ، پرورش دهندگان از کجا می دانند کدام گونه ها ارزش مطالعه دارند و کدام ها نه؟ در بیشتر تاریخ ، این امر مستلزم پرورش انواع و مطالعه نحوه نمایش آنها در دنیای واقعی بود. اما تجزیه و تحلیل داده های نوآورانه و تجزیه و تحلیل ژنومیک می تواند به پرورش دهندگان کمک کند تا نتایج انواع جدید را بدون نیاز به سختی برای رشد آنها پیش بینی کنند.

جیانمین یو ، استاد زراعت در دانشگاه ایالتی آیووا و رئیس عالی انتخاب ذرت پیشگام ، بیشتر تحقیقات خود را به “توربوشارژ” مقدار به ظاهر بی پایان ذخایر ژنتیکی موجود در بانک های بذر جهان اختصاص داده است. یو و همکارانش مقاله ای را در مجله بیوتکنولوژی گیاهی، یک نشریه علمی با جزئیات تلاش های اخیر آنها برای پیش بینی صفات ذرت بر اساس ژنومیک و تجزیه و تحلیل داده ها.

پرورش دهندگان گیاهان که به دنبال انواع آزمایش هستند ممکن است احساس کنند که در دریایی از مواد ژنومی گم شده اند. یو گفت که استفاده از تجزیه و تحلیل داده پیشرفته برای همه این ژنوم ها می تواند به پرورش دهندگان کمک کند تعداد ارقام مورد علاقه خود را بسیار سریعتر و کارآمدتر کاهش دهند.

Xiaoqing Yu (بدون ارتباط) ، عضو فوق دکترا سابق در آزمایشگاه Yu و اولین نویسنده این مطالعه ، گفت: “ما همیشه به دنبال بهترین ترکیبات ژنتیکی هستیم و به دنبال ترکیبات مختلف هستیم تا ببینیم چه گونه هایی را می خواهیم آزمایش کنیم”. “داشتن این پیش بینی ها می تواند روند جستجوی ما را راهنمایی کند.”

این مطالعه بر پیش بینی هشت علامت ذرت بر اساس مریستم آپیکال شاخساره (SAM) متمرکز بود ، یک میکروسکوپ از سلول های بنیادی که تمام اندام های روی زمین گیاه را تولید می کند. محققان از رویکرد تحلیلی خود برای پیش بینی صفات در 2 هزار و 687 رقم مختلف ذرت نژادی بر اساس مدلی که آنها در مطالعه ای روی 369 رقم نژاد رشد کرده و مریستم های انتهایی آنها تصویربرداری و اندازه گیری کردند ، با استفاده از میکروسکوپ استفاده کردند.

محققان سپس پیش بینی های خود را با داده های به دست آمده از 488 نژاد تایید کردند تا صحت پیش آگهی آنها را از 37٪ تا 57٪ برای هشت صفت مورد مطالعه بررسی کنند.

مایک اسکانلون ، استاد زیست شناسی رشد در دانشگاه کرنل و محقق اصلی تیم چند نهادی پشت این مطالعه ، گفت: “ما می خواستیم تحقیق در مورد مکانیسم های اساسی بیولوژیکی رشد و تمایز سلول را با بهبود زراعی در ذرت پیوند دهیم.” “اندازه گیری های مورفومتریک SAM در نهال های ذرت امکان تکمیل سریع چرخه مطالعه را فراهم می کند. این نه تنها این اتصال را امکان پذیر می کند ، بلکه عمل پیش بینی ژنومی را در فضای میکرو فنوتیپی گسترش می دهد.”

جیانمینگ یو گفت: پرورش دهندگان می توانند با افزایش تعداد گیاهان در هر اندازه گیری از نژاد و الگوریتم ها برای بهبود یافته ها ، دقت این پیش بینی های ژنومی را افزایش دهند. از همه مهمتر ، پرورش دهندگان گیاهان می توانند با استفاده از ‘مقادیر U’ ، یک مفهوم آماری که قابلیت اطمینان تخمین ها را در نظر می گیرد ، فرآیند انتخابی را که برای آنها نژاد بررسی می شود از نزدیک بهبود بخشند. یو گفت: این مطالعه نشان می دهد که استفاده از یک فرآیند انتخاب که پیش بینی و قابلیت اطمینان آماری را در نظر می گیرد ، می تواند به پرورش دهندگان کمک کند تا در ژنتیک محصولات مورد نظر سریعتر تنظیم شوند.

به عنوان مثال ، مدلهای تحلیلی می توانند پیش بینی کنند که یک نژاد خاص دارای پتانسیل متوسطی برای یک صفت است ، اما مقدار U یا حد بالای قابلیت اطمینان ممکن است نشان دهنده درجه بالایی از عدم اطمینان در این پیش بینی ها باشد. بنابراین پرورش دهندگان ممکن است انتخاب کنند نژادهای بومی را آزمایش کنند که در مدل پیش بینی عملکرد خوبی ندارند ، فقط به دلیل خاص بودن ژنتیکی آنها ، زیرا ارتباط کمتری با نژادهای مورد استفاده در ساخت مدل های پیش بینی دارند.

Y گفت: “ما فهمیدیم كه می تواند تعادل بین انتخاب بهینه سازی سود كوتاه مدت و تنوع بازده وجود داشته باشد.” “این تعادل پیچیده ای برای پرورش دهندگان است. این ملاحظات گاهی اوقات در جهات مختلفی نشان می دهند. فضا ، خواه مقدار زیادی از مواد ژنتیکی در بانک بذر باشد یا فرزندان بی شماری که به طور مداوم در حال تولید هستند. ما می خواهیم ابزارهای بهتری برای هدایت این تصمیمات در این فرآیند تولید کنیم. “

منبع تاریخچه:

مواد تهیه شده توسط دانشگاه ایالتی آیووا. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.

[ad_2]

منبع: khabar-erfan.ir