Forschungsprojekt

Prädiktive Maiszüchtung mittels genetischer Marker und Biomarker

(Pflanzenbiotechnologie -Verbundvorhaben TRANSFER: OPTIMAL; BMBF)

 

Studien in einem hoch‑diversen Panel von Mais Inzuchtlinien zeigten, dass Metabolitprofile eines frühen Entwicklungsstadiums ausreichend Information enthalten, um den endgültigen Biomasseertrag vorherzusagen und um eine bessere Selektionsantwort zu erzielen als mit konventionellen Methoden (Riedelsheimer et al. 2012). Mit dem Fokus auf die Vorhersage der Hybridleistung an Hand von genetischen Marker- und Biomarker-Daten der Elternlinien sind die Hauptziele von OPTIMAL, (1) die Basis für einen innovativen prädiktiven Hybridzüchtungsansatzes zu schaffen und (2) diesen mit Standardzüchtungsstrategien (phänotypische Selektion, Vorhersage der Hybridleistung mittels GCA) zu vergleichen und zu optimieren.

Für das Projekt wurden 20 hoch‑diverse Inzuchtlinien ausgewählt, die über mehrere Jahre auf dem Feld oder im Gewächshaus evaluiert wurden, und die fast die gesamte Spannweite der Wachstumsvariation in Mais repräsentieren. Diese Inzuchlinien werden einer Serie kontrollierter Anbauregimes in einem Klima-kontrollierten Gewächshaus unterzogen, um die Kulturbedingungen so zu optimieren, dass in den Feldversuchen vergleichbare Pflanzenleistungen erreicht werden. Präzise kontrollierte Variationen in Temperatur, Lichtintensität, mechanischer Stimulation (Simulation von Wind durch einen Besen oder Bewegung der Pflanzen auf einem Förderband), Wasser- und Nährstoffangebot werden durchgeführt. Die erhobenen Daten werden mit den früheren Felddaten verglichen, und das Gewächshausregime mit der höchsten Korrelation zur Pflanzenleistung im Feld wird für alle weiteren Experimente in OPTIMAL übernommen. Anschließend sollen 200 Inzuchtlinien, 200 geschützte Zuchtlinien und 400 Hybride in dem automatisierten LemnaTec‑System phänotypisiert werden. Dabei werden die Pflanzen während der gesamten Kultivierungszeit täglich in drei Scanalyzer 3D Kameraeinheiten bei unterschiedlichen Wellenlängen (RGB‑sichbares Licht, NIR‑nahes Infrarot, und Fluoreszenz) abgebildet, um große, reproduzierbare Datensätze zu allen Aspekten des Pflanzenwachstums zu erstellen. Zusätzlich werden Sprossproben für Metabolitanalysen während eines frühen Entwicklungsstadiums genommen, und das Sprosstrockengewicht bei der Ernte bestimmt. Metabolit-Profile werden in automatisierten Metabolit- und Enzymbestimmungen sowie GC‑MS basierten Technologien erstellt. Darüberhinaus werden Kopienzahlvariationen (CNVs) und/oder Präsenz/Absenz Variationen (PAVs) in den 200 Inzuchtlinien und 200 Zuchtlinien durch komparative genomische Hybridisierung (CGH) bestimmt. Für eine integrative Analyse der erhobenen Daten müssen neue statistische Methoden entwickelt werden, um optimierte Sätze von Prädiktoren aus Metabolit-, Phenom-, SNP- und CGH-Daten zu identifizieren, und um die relative Effizienz der Selektion basierend auf Vorhersage und der phänotypischen Selektion zu bestimmen.

 

Kooperationspartner: Patrick Schable, Iowa State University, USA; M. Ouzanova, KWS, Einbeck; L. Hendrickx, Limagrain, France; A.E. Melchinger, Universität Hohenheim; L. Willmitzer, MPI-MP, Golm; M. Stitt, MPI-MP, Golm; J. Selbig, Universität Potsdam