Einleitung: Warum diese Frage relevant ist
Die genomische Selektion (GS) gilt als vielversprechender Ansatz für die forstliche Baumzüchtung: Durch die Vorhersage von Zuchtwerten anhand genetischer Marker können Züchter bereits in jungen Jahren die besten Bäume identifizieren, ohne lange phänotypische Tests abzuwarten. Bisherige Bewertungen der GS-Effizienz basierten jedoch fast ausschließlich auf sogenannten Kreuzvalidierungen – dabei wird eine Population in Training- und Validierungsgruppe aufgeteilt, die aus derselben Generation stammen. Ob diese Ergebnisse auf Multi-Generations-Zuchtprogramme übertragbar sind, war bisher unklar. Forscher der Universität Alberta und des Canadian Forest Service untersuchten nun erstmals, wie zuverlässig genomische Vorhersagen über Generationen hinweg funktionieren – und fanden erhebliche Diskrepanzen zu den bisherigen Validierungsansätzen.
So wurde geforscht
Die Studie nutzte ein norwegisches Fichten-Zuchtprogramm (Picea abies) mit zwei vollständig dokumentierten Generationen: Eine Trainingspopulation von 733 Klonen aus einer Vollgeschwisterfamilie sowie eine Validierungspopulation von 249 Klonen aus einer separaten Vollgeschwisterfamilie. Insgesamt wurden 982 Individuen mit 41.253 SNPs genotypisiert. Gemessen wurden Holzdichte (WD), Elastizitätsmodul (MOE), Mikrofibrillenwinkel (MFA), Durchmesser auf Brusthöhe (DBH), Baumhöhe (H) und Volumen (V). Die Vorhersage der genomischen Zuchtwerte erfolgte mittels GBLUP (Genomic Best Linear Unbiased Prediction). Die Korrelation zwischen vorhergesagten genomischen Zuchtwerten und tatsächlichen Phänotypen wurde als Maß für die Vorhersagegüte verwendet.
Die wichtigsten Ergebnisse
Die Studie lieferte sechs konkrete Resultate: Die korrelationsbasierten Vorhersagefähigkeiten für die cross-generationale Vorhersage betrugen 0,43 für Holzdichte, 0,41 für das Elastizitätsmodul, 0,39 für den Mikrofibrillenwinkel, 0,37 für den Durchmesser, 0,36 für die Höhe und 0,34 für das Volumen. Diese Werte liegen deutlich unter den innerhalb-generationalen Vorhersagewerten von 0,51 bis 0,68 – was einem Unterschied von 30 bis 50 Prozent entspricht. Die Holzdichte zeigte dabei die höchste Vorhersagbarkeit, während das Volumen am schwersten vorherzusagen war. Das bedeutet: Die in bisherigen Studien berichteten hohen GS-Effizienzwerte werden durch die cross-generationale Validierung nicht bestätigt. Innerhalb einer Generation funktioniert die Vorhersage deutlich besser als über Generationen hinweg.
Was das für die Praxis bedeutet
Für Züchter und Forstwirte ergeben sich konkrete Handlungsempfehlungen: Erstens sollten Kreuzvalidierungsergebnisse aus einer einzelnen Generation nicht unkritisch auf Multi-Generations-Programme übertragen werden – die Überschätzung der Vorhersagegüte um bis zu 50 Prozent hat erhebliche praktische Konsequenzen für die Selektionsentscheidung. Zweitens empfiehlt die Studie, Validierungspopulationen aus separaten Vollgeschwisterfamilien zu verwenden, um realistischere Vorhersagewerte zu erhalten. Drittens sind die erzielten Korrelationen von 0,34 bis 0,43 über die Generationen hinweg für die meisten Zuchtziele noch immer ausreichend, um GS sinnvoll in die Zuchtprogramme zu integrieren – lediglich bei Volumen sollte man zurückhaltend sein. In Kombination mit klassischer Phänotypisierung kann GS die Selektionsintensität in frühen Lebensstadien dennoch deutlich erhöhen.
Limitations & offene Fragen
Die Studie beschränkt sich auf eine einzige norwegische Fichten-Population innerhalb eines kontrollierten Zuchtprogramms. Wie die Ergebnisse auf natürliche, variable Bestände oder andere Baumarten übertragbar sind, bleibt offen. Zudem fehlen Langzeitdaten dazu, ob die einmal berechneten genomischen Zuchtwerte über mehr als zwei Generationen hinweg stabil bleiben. Auch der Einfluss unterschiedlicher Zuchtstrategien (Offenbestäubung versus kontrollierte Kreuzung) auf die Vorhersagegüte wurde nicht untersucht. Der nächste Forschungsschritt wäre die Validierung mit datierten Multi-Generations-Daten aus kommerziellen Zuchtprogrammen.
Dieser Artikel wurde mit Hilfe von KI erstellt und dient der allgemeinen Information.