Trong bài viết này, chúng tôi tóm lược lại nội dung của bài báo review của Lee và cộng sự đăng trên tạp chí Molecular Breeding năm 2024 (DOI: https://doi.org/10.1007/s11032-024-01497-2). Bài báo này là một đánh giá có hệ thống về chọn lọc gen (GS) và ứng dụng của nó trong việc cải thiện cây ăn quả và rau củ.
Mục tiêu chính của bài báo là khám phá tiềm năng của GS trong việc tối ưu hóa khả năng sinh trưởng và giá trị nhân giống của các loại cây trồng này, nhằm đáp ứng nhu cầu dinh dưỡng ngày càng tăng của dân số toàn cầu.
- Bài báo đã xem xét 63 nghiên cứu về GS được công bố trong thập kỷ qua, bao gồm 25 loại cây ăn quả và rau củ khác nhau.
- Các nghiên cứu chủ yếu tập trung vào các tính trạng liên quan trực tiếp đến phần ăn được của cây trồng và có ý nghĩa kinh tế quan trọng, chẳng hạn như năng suất, chất lượng quả (ví dụ: độ cứng, hàm lượng chất rắn hòa tan) và khả năng kháng bệnh.
- Phân tích so sánh với dữ liệu của WHO/FAO cho thấy tiềm năng kinh tế của một số loại cây trồng nhất định và làm nổi bật những loại cây trồng có tiềm năng cho nghiên cứu và ứng dụng GS hơn nữa.
Bài báo thảo luận về các yếu tố ảnh hưởng đến độ chính xác của GS trong các nghiên cứu về cây ăn quả và rau củ.
Một số yếu tố quan trọng bao gồm:
- Kích thước quần thể huấn luyện: Độ chính xác của mô hình GS thường tương quan tốt với kích thước mẫu của quần thể huấn luyện. Tuy nhiên, việc thêm nhiều mẫu sau một điểm nhất định có thể không hiệu quả về chi phí. Xác định điểm hiệu quả tối thiểu này là rất quan trọng để tối ưu hóa hiệu quả huấn luyện mô hình.
- Tính di truyền của tính trạng: Các tính trạng chủ yếu do biến dị di truyền đóng góp sẽ được dự đoán chính xác hơn bằng cách sử dụng các dấu hiệu di truyền. Tính di truyền của tính trạng cũng có thể ảnh hưởng đến kích thước mẫu tối ưu cần thiết cho việc huấn luyện mô hình.
- Mật độ dấu hiệu: Độ chính xác của mô hình GS thường tăng lên khi mật độ dấu hiệu tăng lên, trước khi đạt đến điểm hiệu quả tối thiểu. Việc xác định điểm này có thể giúp các nhà chọn giống xác định số lượng dấu hiệu tối thiểu cần thiết để giảm chi phí.
- Lựa chọn và lọc dấu hiệu: Các kỹ thuật như cắt tỉa LD, lọc liên kết tính trạng và lấy mẫu ngẫu nhiên có thể được sử dụng để giảm mật độ dấu hiệu và tăng cường hiệu quả huấn luyện mô hình.
Bài báo cũng đề xuất các chiến lược để tích hợp GS vào các chương trình nhân giống cây trồng.
- GS có thể được sử dụng để cải thiện cường độ chọn lọc, độ chính xác và tích hợp biến dị di truyền, từ đó dẫn đến tăng lợi ích di truyền ở cây ăn quả và rau củ.
- Chọn lọc trong silico sử dụng dữ liệu di truyền và mô phỏng lai tạo, kết hợp với các mô hình GS để lựa chọn bố mẹ lý tưởng và dự đoán giá trị nhân giống ước tính di truyền (GEBV) của con lai.
- Thử nghiệm con lai có thể được thực hiện để xác nhận thực nghiệm kết quả của các phép lai mô phỏng.
Bài báo kết luận bằng cách nhấn mạnh sự cần thiết phải tích hợp các phương pháp GS vào các chương trình nhân giống đang diễn ra và đánh giá GEBV thực tế của con lai so với các mô hình dự đoán..
Tham khảo từ:
Lee, A.M.J., Foong, M.Y.M., Song, B.K. et al. Genomic selection for crop improvement in fruits and vegetables: a systematic scoping review. Mol Breeding 44, 60 (2024). https://doi.org/10.1007/s11032-024-01497-2
LOBI Vietnam là công ty tiên phong trong lĩnh vực Đọc trình tự gen thế hệ mới NGS (Next Generation Sequencing) và Phân tích Tin sinh học. Liên hệ hotline/Zalo 092.510.8899 để biết thêm chi tiết.
