Повышение уровня генетического прогресса в государственных селекционных программах: выводы из уравнения селекционера

Интеграция новых технологий в государственные селекционные программы может привести к значительным изменениям в продуктивности сельского хозяйства, если они будут согласованы с принципами количественной и менделевской генетики.

Уравнение селекционера (breeder’s equation) описывает практическое применение количественной генетики для улучшения сельскохозяйственных культур. Новые технологии селекции могут существенно изменить эффективность государственных селекционных программ, если принимать решение об их использовании руководствуясь переменными, описывающими ответ на отбор (response to selection). Наиболее многообещающие инновации для повышения скорости генетического прогресса (genetic gain) без значительного увеличения размера селекционной программы связаны с сокращением времени селекционного цикла, что, вероятно, потребует осуществления родительского отбора по неинбредному потомству (parent selection on non-inbred progeny), использования системы быстрого развития поколений (rapid generation advance) и геномной селекции. Это сложные процессы, и они потребуют от селекционных организаций принятия культуры постоянной оптимизации и улучшения рабочих процессов, а руководители исследований, в свою очередь, должны будут учитывать и активно управлять подотчетностью, стратегией и распределением ресурсов селекционных групп. Все эти усилия должны сочетаться с продуманным управлением генетической изменчивостью элитного материала (elite genetic variation) и с четким разделением между процессом отбора родителей и процессом разработки и продвижения коммерческого продукта. При всей многочисленности доступных новых технологий селекционным группам следует тщательно оценивать влияние каждой новой технологии на интенсивность отбора (selection intensity), точность отбора (selection accuracy) и продолжительность селекционного цикла по отношению к стоимости ее внедрения. Наконец, системы управления селекционными данными должны быть оптимально спроектированы для поддержки решений по отбору, а инновации для ускорения селекционных циклов должны регулярно оцениваться и внедряться.

Введение

В связи с прогнозируемыми изменением климата, ежегодным сокращением пахотных земель и возникновением локализованного голода важную роль в устойчивом обеспечении питания 9 млрд человек к 2050 г. будет играть селекция растений. Многие государственные селекционные программы как в развитых, так и в развивающихся странах изо всех сил пытались соответствовать технологическим изменениям со времен «зеленой» революции. Опубликовано относительно немного надежных оценок уровня генетического прогресса (genetic gain), обеспечиваемого государственными селекционными программами, которые обслуживают большинство мелких сельхозтоваропроизводителей в развивающихся странах. Эти показатели составляют менее 1% в год и, по-видимому, за последние 30 лет ситуация не изменилась [Lopes et al., 2012; Masuka et al., 2017].

Достижения в области статистики, количественной и популяционной генетики, молекулярной биологии, геномики, феномики, других омиксных технологий, а совсем недавно — и машинного обучения и искусственного интеллекта открывают возможности для трансформации селекционных программ в процесс принятия решений, основанный на фактических данных и ориентированный на команду, в отличие от традиционного подхода, когда отдельный селекционер выступал как автор и создатель. Однако в связи с применением новых технологий для решения проблемы увеличения скорости селекционного прогресса в поле необходимо будет уделять повышенное внимание к их влиянию на параметры уравнения селекционера.

Снижение затрат и повышение пропускной способности сбора данных означает, что ключевой задачей, стоящей перед селекционными группами в 2020-х годах, будет не доступ к современным технологиям (хотя в некоторых развивающихся странах это все еще может иметь место), а, скорее, разработка основы для сборки соответствующих технологических вариантов в оптимизированный процесс разработки продукта (product development pipeline).

Цель данной статьи — представить базу, которая поможет селекционным командам делать оптимальные инвестиции, используя уравнение генетического прогресса (genetic gain equation) в качестве руководства. Это уравнение, известное и как «уравнение селекционера», является полезной отправной точкой, поскольку формулирует параметры, которыми селекционные команды оперируют в процессе улучшения сельскохозяйственных культур. Согласно уравнению, скорость генетического прогресса определяется путем умножения аддитивной генетической изменчивости (additive genetic variation) внутри популяции (σ_a) на интенсивность отбора (i) и точность отбора (r). Позже Эберхарт [Eberhart, 1970] ввел в знаменатель количество лет на цикл (L) для оценки эффективности, выразив ответ на отбор (response to selection) как изменение во времени.

Δ𝐺 = 𝜎_a∙ 𝑖 ∙ 𝑟 / 𝐿.

Уравнение также полезно для оценки инвестиционных приоритетов, поскольку оно сводит теорию к параметрам, которыми селекционная программа стремится оперировать. Повышение сложности селекционных программ с точки зрения генетической и фенотипической информации, получаемой для принятия решений по отбору, имеет важные последствия для управленческих и селекционных команд, которые тоже необходимо учитывать. Поэтому в статье обсудим также некоторые аспекты управления командой.

Профиль продукта как стратегия развития ассортимента

Прежде чем проектировать или оптимизировать процесс разработки продукта (т.е., другими словами, процесс создания сорта), следует обозначить четкие цели в отношении типа продукта, который будет производиться. Многие селекционные проекты фиксируют эти цели в профиле продукта (product profile). Профиль продукта описывает набор признаков, необходимых для замены существующего на рынке эталонного или целевого сорта. Профиль продукта [Ragot et al., 2018], представляет собой «набор целевых характеристик, которым, как ожидается, должен соответствовать новый сорт/гибрид растений для успешного выпуска на определенный сегмент рынка». В отличие от творческого поиска по созданию идеального сорта, в профиле продукта селекционные усилия сосредоточены на ключевых характеристиках (признаках), которые способствуют созданию дополнительной ценности для сельхозтоваропроизводителей. Несмотря на то что профиль продукта может иметь несколько форм, один из упрощенных подходов заключается в создании документа, который: 1) идентифицирует существующий эталонный сорт/гибрид, уже выращиваемый большинством сельхозтоваропроизводителей в регионе/рынке; 2) оценивает, почему сельхозтоваропроизводители, потребители и другие участники цепочки создания стоимости предпочитают этот сорт; 3) формулирует жалобы ключевых заинтересованных сторон на эталонный сорт/гибрид. Мнения и предпочтения заинтересованных сторон могут быть изучены с помощью опросов и обсуждений в фокус-группах и отражены в профиле продукта в понятном списке «обязательных» характеристик и характеристик «добавленной стоимости». Это позволит селекционеру следовать потребностям рынка, добавлять ценность и быстро поставлять постепенно улучшаемый сорт вместо того, чтобы откладывать время выхода на рынок на неопределенный срок в попытке создать идеальный сорт. Например, новый сорт неорошаемого риса для Южной Азии может заменить доминирующий сорт Swarna. В профиле этого нового продукта может быть указано, что его вегетационный период должен быть на 20 дней короче, чем Swarna, он должен обладать устойчивостью к преобладающим пирикуляриозам риса, превосходить Swarna по урожайности на 10% при благоприятных условиях и на 20% при засухе, при этом иметь такие же размер зерна, форму, содержание амилозы и текстуру. Это описание предоставляет селекционным группам бо́льшую часть рекомендаций, необходимых для выстраивания процесса создания сорта и включения нужных признаков. Таким образом, сорт Swarna должен использоваться в качестве контрольного при агрономическом тестировании.

Основываясь на профиле продукта, селекционные группы могут принимать прозрачные решения о выходе на рынок, когда потенциальный новый сорт соответствует всем «обязательным» критериям и обладает хотя бы одним «дополнительным» признаком, который отличает его на рынке. Профиль продукта предоставляет селекционным командам отправную точку для определения инвестиционных приоритетов, которые соответствуют взглядам многочисленных участников цепочки создания стоимости сельскохозяйственной продукции. Обновление профиля продукта должно производиться регулярно, в этот процесс следует вовлекать как можно больше разных заинтересованных сторон, при этом необходимо сосредоточиться на определении эталонного сорта, его атрибутов, которые должны быть сохранены в новом ассортименте, и возможностей для добавления ценности.

В большинстве селекционных программ в частном секторе профиль продукта разрабатывается командой по маркетингу с учетом критических отзывов бизнес-подразделений по продажам, агрономов и отделов маркетинга, чтобы на основе отзывов о характеристиках продукта разработать конкретные целевые показатели. Это стимулирует внедрение и согласование новых сортов с потребностями, выраженными сельхозтоваропроизводителем, переработчиком или потребителем. Государственные селекционные институты традиционно не имели подразделений по развитию бизнеса или отделов маркетинга, поэтому полагались на неформальные отношения с клиентами для достижения правильного понимания ограничений, с которыми сталкиваются сельхозтоваропроизводители в целевом регионе. Без последовательной и точной обратной связи, показывающей, отклоняются ли селекционные цели от намеченного пути, селекционер из государственного сектора обычно применяет в лучшем случае академический подход, а в худшем — спекулятивный подход к определению целей по признакам и селекционной стратегии. В идеале финансируемая государством организация, адекватно формулирующая селекционные цели, должна располагать данными об исследовании рынка, осуществлять тесное и регулярное взаимодействие с ключевыми заинтересованными сторонами и понимать проблемы, связанные с селекцией по различным характеристикам (признакам). Благодаря профессионально составленным и часто обновляемым профилям продуктов, разработанным с сельхозтоваропроизводителями, маркетологами, переработчиками и конечными потребителями, требования всех заинтересованных сторон становятся планом развития сорта/гибрида.

Распределение ресурсов и оптимизация селекционного процесса

После того как цели селекции установлены и профиль продукта разработан при участии ключевых заинтересованных сторон, селекционер несет ответственность за разработку и оптимизацию селекционного процесса для достижения характеристик, отраженных в профиле. Поскольку наиболее важные агротехнические и качественные признаки наследуются полигенно, на каждом этапе селекции можно добиться лишь скромных и постепенных улучшений этих признаков. Селекцию по количественным признакам лучше всего рассматривать как итеративный процесс, в котором каждое поколение постепенно увеличивает частоту благоприятных аллелей (favorable alleles) в селекционном генофонде (gene pool) при отборе, тем самым увеличивается вероятность выделения лучшего сорта. Ниже рассмотрим этапы оптимизации селекционного процесса.

Аддитивная генетическая изменчивость (additive genetic variation)

Управление и поддержание генетической дисперсии (genetic variance)

Первым шагом в запуске селекционного процесса является выбор элитных родителей в качестве основателей программы. Элитная гермоплазма (т.е. элитный селекционный материал) может быть определена как репродуктивно совместимый набор генотипов, непропорционально обогащенный «выгодными» аллелями (favorable alleles), повышающими селекционную ценность (breeding value) (т.е. среднюю производительность потомства данного родителя) в конкретной среде или на рынке. Термин «селекционная ценность» регулярно используется в контексте селекции животных, поскольку продуктом селекции является не сам производитель, а, скорее, его потомство. Для оценки селекционной ценности используются данные родословной, или полногеномные маркерные данные (genome-wide marker data), чтобы получить информацию от фенотипированных родственных линий, необходимую для оценки аддитивного значения (additive value) отдельной особи. В то время как значение BLUP (Best Linear Unbiased Prediction — лучший линейный неискаженный прогноз, метод селекционной и генетической оценки) для фенотипических характеристик учитывает как аддитивные, так и неаддитивные генетические значения линии,  для определения селекционной ценности (breeding value) используется матрица отношений для расчета аддитивного значения (additive value) линии, которая является основным источником генетической дисперсии (genetic variance), передаваемой потомству этой линии [Henderson, 1976]. Это очень важная информация для принятия решений по отбору родителей и определения относительной «элитности» линии, и она недостаточно используется в государственных селекционных программах. Для многих селекционеров термин «элита» используется без конкретного определения цели описания и управления генетическим разнообразием в селекционной программе. «Элита» — это статус, который лучше всего наследуется от элитных родителей или «зарабатывается» путем тщательного тестирования особи как таковой и связанных с ней линий.

Согласно теории селекции (Selection theory) процесс достижения генетического прогресса в исходных популяциях следует рассматривать отдельно от процесса получения конечного продукта (сорта или гибрида). Это позволяет селекционеру управлять генетическим разнообразием, устанавливать желаемый уровень генетического прогресса, быстро увеличивать частоту благоприятных аллелей в исходных популяциях и извлекать продукты (сорта или гибриды) из этих популяций так часто, как это необходимо для удовлетворения потребностей сельхозтоваропроизводителей или для сохранения конкурентоспособности на рынке. В работе [Hickey et al., 2017] рассматривается, как геномная селекция объединяет селекцию растений и животных, но в то же время отмечается, что в селекции растений и животных используются слишком разные теоретические подходы к управлению генетической изменчивостью элиты. Подчеркивается также, что в то время как многие селекционеры растений сосредоточиваются на преднамеренной интрогрессии ценных аллелей в одну линию, селекционеры животных практикуют количественный подход к улучшению популяции, при котором родители каждого поколения выбираются на основе высокой аддитивной селекционной ценности (additive breeding value), определяемой либо родословной, либо геномными методами. В результате селекционеры растений часто имеют тенденцию объединять генетическое улучшение исходных популяций с процессом извлечения коммерческих продуктов из этих популяций в один шаг, который фокусируется на получении определенного сложного гаплотипа путем манипулирования принципами менделевской генетики. Для достижения такого сложного гаплотипа (скажем, комбинации нескольких аллелей устойчивости к болезням и QTL (quantitative trait locus — локусы количественных признаков) устойчивости к абиотическому стрессу) с высокой частотой в сегрегирующей популяции за один шаг могут потребоваться очень большие размеры популяции. Кроме того, многие селекционеры используют сложные схемы скрещивания с экзотическими или другими разнообразными материалами, пытаясь объединить разрозненные интересующие признаки. За это приходится расплачиваться «генетически», поскольку постоянное введение новых аллелей, скрещивание с более старым или экзотическим материалом с низкой селекционной ценностью, а также удлиненные селекционные циклы в результате сложного обратного скрещивания снижают ответ на отбор (response to selection) в год по сравнению с тем, чего можно было бы достичь с помощью селективного скрещивания родителей с высокой селекционной ценностью в закрытой популяции. Таким образом, генетическая дисперсия (genetic variance) экономически важного признака в чисто элитном селекционном материале гораздо более ценна для селекционера, чем генетическая изменчивость (genetic variation) как таковая. Было продемонстрировано, что рекуррентные схемы селекции, направленные на повторное использование лучших генетических материалов в закрытой селекционной системе, обеспечивают высокие показатели генетического прогресса (Breseghello et al. 2009; Shelton et al. 2015), и некоторые из наиболее успешных частных селекционных программ в настоящее время таким образом управляют своим генетическим разнообразием (genetic diversity) [Smith et al., 2015]. Эти программы либо устанавливают строгие правила выбора родителей, либо используют подход закрытого рекуррентного отбора без перекрытия поколений, чтобы гарантировать, что родители каждого нового цикла размножения имеют более высокую аддитивную селекционную ценность, чем предыдущего цикла. Это имеет решающее значение для обеспечения того, чтобы генетический прогресс был достигнут в каждом селекционном цикле.

Одно из опасений селекционеров, сталкивающихся с этим подходом, заключается в том, что генетическая база может быть слишком узкой, и это позволяет получить краткосрочную выгоду от селекции, но за счет долгосрочного прогресса, ведь, несмотря на то что генофонд становится все более элитным, он также становится все более инбредным. К счастью, было показано, что для количественных признаков, регулируемых сложной аддитивной генетической архитектурой [Boyle et al., 2017], даже начиная с относительно небольшого эффективного размера популяции можно достичь многолетнего селекционного прогресса [Guzman, 1998; Bernardo et al., 2006]. Инбридинг, конечно, неизбежен, поскольку благоприятные аллели закрепляются в генофонде. Однако новые мутации восполняют генетическую дисперсию (genetic variance), утраченную в результате фиксации (закрепления) аллелей, и являются важным ее источником для отбора в течение длительного времени.

Во многих экспериментах с рядом видов сельскохозяйственных культур с использованием замкнутых рекуррентных схем отбора отмечены высокие показатели генетического прогресса. Что касается кукурузы, в работе [Coors, 1999] было проанализировано более 90 экспериментов рекуррентного отбора и обнаружено, что ежегодный прогресс от реципрокного рекуррентного отбора превышал прогресс, получаемый селекционерами коммерческих гибридов. Рекуррентный отбор также очень эффективно использовался в селекции риса, особенно в программах EMBRAPA в высокогорных и низинных районах в Бразилии. В исследовании [Breseghello et al., 2009] отмечен прирост урожайности на 3,6% в год в течение трех циклов рекуррентного отбора на возвышенностях. На орошаемом низинном рисе за три цикла средняя скорость прироста урожайности в год составила 1,98% [Junior et al., 2017]. Стратегия рекуррентного отбора для управления генетическим разнообразием элиты не только обеспечивает эволюционные процессы, увеличивающие частоту благоприятных аллелей с течением времени [Falk, 2010], но и допускает применение современных технологий в процессе селекции. Благодаря использованию информации о полной последовательности генома можно делать четкие выводы об элитном селекционном материале (гермоплазме) и систематически отслеживать и оценивать генетическую изменчивость (genetic variation) в последовательных циклах селекции [Beissinger et al., 2014]. Основным этапом для осуществления модернизации является сбор всех доступных данных и строгое определение основного набора высокоэффективных элитных линий. После достижения этого систематическая характеристика полученного материала, включая высокоплотное генотипирование (high-density genotype information), создаст основу для понимания, отслеживания и управления элитным генетическим разнообразием.

Применение маркерных данных в рекуррентной селекционной программе

Данные генотипирования, используемые в селекционной программе, будут включать характеристику генетической изменчивости [Райт, 1931; 1933; Ван и др., 2016; Приер и др., 2017], развитие генетической базы для отслеживания идентичности по происхождению [Vela-Avitúa et al., 2015], базу для проверки точности маркеров признаков для маркер-вспомогательного отбора (marker assisted selection — MAS) [Li et al., 2013; Javid et al., 2015], определение гаплотипа [Hess et al., 2017] и применение метода отбора с оптимальным вкладом (optimum contribution selection  — OCS) при принятии решений о скрещивании [Meuwissen, 1997; Wang et al., 2017]. Для краткости здесь будут рассмотрены только мониторинг и управление генетической дисперсией (genetic variance), а также проверка маркеров признаков. Однако селекционные программы, которые тщательно управляют генетическим разнообразием и быстро повторно используют родителей с высокой селекционной ценностью, имеют хорошие возможности для использования информации из этих наборов данных для надлежащего управления генетическим разнообразием таким образом, чтобы генетический прогресс (genetic gain) был максимальным, а долгосрочное разрушение генетической дисперсии — сведено к минимуму.

Эффективный размер популяции (N_e) — понятие, введенное Wright [Wright, 1931] и уточненное Crow, Kimura [Crow, Kimura, 1970], — является одним из наиболее часто используемых показателей в популяционной генетике и эволюционной биологии для описания уровня инбридинга в популяции и оценки генетического разнообразия. Селекционеры растений должны знать эффективный размер популяции своей программы и активно отслеживать его в последовательных циклах селекции, чтобы обеспечить долгосрочную жизнеспособность достигнутых результатов. Чем меньше эффективный размер популяции, тем быстрее популяция станет инбредной и, таким образом, перестанет реагировать на отбор. Хотя N_e можно оценить как по родословным, так и по маркерным данным [Fernández et al., 2005], последние предпочтительнее [Wang, 2016]. Определение показателя N_e помогает разработать эффективные селекционные схемы как в животноводстве, так и в селекции растений [Caballero et al., 1991]. Таким образом, основываясь на эффективном размере популяции, селекционеры могут изменить (при необходимости) родительские комбинации, чтобы поддерживать достаточную генетическую дисперсию (genetic variance) среди будущих кандидатов на отбор. Одной из стратегий использования маркерных данных для сохранения способности к долгосрочному генетическому прогрессу (genetic gain), широко применяемой в животноводстве, но все еще ограниченно — селекционерами растений, является метод отбора с оптимальным вкладом (optimum contribution selection  — OCS). В отличие от статической стратегии родительского отбора и скрещивания, в которой не учитывается дифференцированный родительский вклад в следующее поколение, OCS стремится сбалансировать выгоду от отбора с предотвращением эрозии генетической дисперсии (genetic variance) при помощи стратегии динамического родительского отбора, направленной на оптимизацию вклада каждого отобранного кандидата в следующем селекционном цикле в соответствии с его прогнозируемым вкладом в уровень инбридинга. В исследовании [Sonesson и Meuwissen, 2000] выдвинуто предположение, что неслучайное спаривание (non-random mating) среди отобранных родителей может улучшить семейную генетическую изменчивость в потомстве следующих поколений и, таким образом, повлиять на результаты последующего отбора. При использовании схем OCS в популяциях неслучайного спаривания можно снизить уровень инбридинга [Caballero et al., 1996], контролировать уровни родства среди потомства [Caballero et al., 1996; Fernández, Toro, 1999; Toro, Pérez-Enciso, 1990], повысить скорость генетического ответа (genetic response) [Caballero et al., 1996, Wang et al., 2017], что, в конечном счете, поможет поддерживать генетическое разнообразие кандидатов для отбора [Wang et al., 2017] за счет ограничения среднего общего родства популяции. По мере перехода программ селекции растений к более количественным подходам активный обмен элитным материалом, а также мониторинг и усиление генетической изменчивости (genetic variation) будут приобретать все большее значение.

Наряду с мониторингом и управлением эффективным размером популяции программы, еще одним основным преимуществом применения маркерной информации в селекционной схеме с рекуррентным отбором является предоставление ею четких данных о гаплотипическом разнообразии (haplotypic diversity), доступном в пределах элитного генофонда (gene pool), и об ассоциативности этого разнообразия с помощью маркеров ключевых признаков для MAS. Эффективность применения MAS в селекционной программе зависит от наличия точных систем маркеров, способных правильно идентифицировать линии с эффектами QTL[+] и QTL[-] [Cobb, 2018]. Идеальным является, пожалуй, использование диагностических маркеров, основанных на функциональном полиморфизме [Barr, 2009], но во многих случаях такие знания недоступны. Необходимым становится использование сцепленных маркеров, но их эффективность зависит от фазы сцепления, частоты аллелей, геномной области и характера интервала QTL. На основе данных о последовательностях, доступных в линиях, представляющих ключевые родословные в рамках селекционной программы, можно легко определить гаплотипы и характерные для программы конкретные частоты ошибок для потенциально ценных маркеров (Рис.1). Показатели качества для оценки ценности маркера в контексте элитной селекционной программы недавно были предложены в работе [Platten et al., 2019].

Улучшение гермоплазмы (селекционного материала) и пребридинг

Управление генетической изменчивостью (genetic variation), каким бы важным оно ни было, не компенсирует ситуацию, когда наследуемая изменчивость просто отсутствует среди элитных линий (например, если в элитном пуле отсутствует главный аллель устойчивости к болезням). В этих случаях необходимы предварительная селекция или улучшение селекционного материала, следует применять осторожные стратегии, чтобы внедрить нужное изменение без загрязнения элитного селекционного генофонда родителями средней или низкой ценности. Важность данной работы с использованием независимых ресурсов обсуждалась выше, однако стоит отметить некоторые тактические соображения для пребридинга.

Наиболее распространенным подходом при пребридинге является использование генетического картирования для идентификации QTL для ключевой фенотипической изменчивости и введения этих QTL в элитный генофонд. Несмотря на то, что генетическое картирование — мощная стратегия для разделения сложных признаков на дискретные менделевские единицы (количественные локусы признаков, или QTL), следует признать, что величина эффекта QTL существенно влияет на стратегию внедрения признака. Затраты на точное картирование и разработку маркеров для QTL с небольшим эффектом редко оправданы, если они составляют небольшую часть генетической изменчивости признака в селекционном материале. Для многих видов основной ценностью экзотической генетической изменчивости является идентификация и развертывание редких аллелей с большим эффектом, которые могут быть введены в элитные селекционные программы посредством продуманной реализации отбора с помощью маркеров.

Интенсивность отбора (Selection intensity)

Новые технологии для повышения интенсивности отбора

С точки зрения уравнения селекционера генерация и тестирование большего количества кандидатов при постоянном количестве отбираемых особей приводят к более высокой интенсивности селекционного отбора (i), что, в свою очередь, увеличивает скорость генетического прогресса (genetic gain). Интенсивность отбора также можно увеличить, выбрав меньше родителей. Однако, как правило, более целесообразно определить количество родителей для отбора в зависимости от того, какова цель селекционной программы — долгосрочный или краткосрочный генетический прогресс. Таким образом, для повышения i за счет возрастания размера популяции необходимо либо увеличение бюджетов, либо снижение стоимости тестирования каждого кандидата для отбора.

Поскольку бюджеты обычно фиксированы, было предложено несколько новых технологий, которые помогут снизить стоимость тестирования, в качестве способа увеличения i и, соответственно, прогресса от отбора. Например, геномную селекцию, предложенную в исследовании [Meuwissen et al., 2001], можно использовать для увеличения числа отобранных кандидатов при фиксированном бюджете, если генотипирование менее затратно (т.е. дешевле), чем фенотипирование. Кроме того, репликацию кандидатов на отбор внутри и между географическими средами могут уменьшить разреженные схемы тестирования (sparse testing designs), в которых отдельные линии не реплицируются или частично реплицируются в разных местах, но их родственники рандомизируются между тестовыми локациями, чтобы можно было оценить эффекты гаплотипа и среды. Это снижает полевые затраты и позволяет протестировать большее количество кандидатов на отбор. При имитационном моделировании, проведенном Лоренцем [Lorenz 2013] и Ридельсхаймером и соавт. [Riedelsheimer и  др., 2013], было обнаружено, что применение геномного прогнозирования (genomic prediction) обычно приводило к большему ответу на отбор (response to selection), поскольку фенотипирование всех кандидатов на отбор даже при сниженных уровнях репликации повышало как его точность, так и интенсивность.

Помимо геномной селекции, недорогой скрининг больших размеров популяции перед тестированием урожайности на основе обычного MAS и/или фенотипирования остается полезным и может демонстрировать высокое значение i для конкретных признаков, например таких как устойчивость к болезням. Тем не менее, возможно, что отбор, применяемый в ранних поколениях или до более обширного фенотипирования, может снизить прогресс (gain) от отбора по признакам, оцениваемым на более поздних стадиях тестирования (например, урожайность и качество зерна), из-за неблагоприятных генетических корреляций между признаками, оцениваемыми в ранних поколениях, и признаками, оцениваемых впоследствии. Например, интенсивный отбор на раннее цветение в ранних поколениях привел бы к меньшему ответу на отбор (response to selection) по урожайности зерна на последующих стадиях из-за влияния прямого и косвенного отбора на уменьшение генетической дисперсии [Bulmer, 1971] до опыления. Кроме того, интенсивный отбор, основанный на признаках или маркерах до расширенного тестирования, может сократить популяцию кандидатов для отбора с тысяч до сотен, существенно снижая i и прогресс (gain) от отбора по признакам, тестируемым на более поздних стадиях. Таким образом, крупномасштабный скрининг перед расширенным тестированием следует проводить, тщательно оценив то влияние, которое он окажет на общий прогресс от отбора по всем интересующим признакам. Следует отметить, что в некоторых селекционных программах, где высокоприоритетные «обязательные» признаки имеют низкую частоту среди элитных линий, возможно, стоит пожертвовать наиболее продуктивными (урожайными) особями, чтобы увеличить частоту таких признаков в краткосрочной перспективе, прежде чем переориентироваться на агрономические показатели.

В дополнение к основанным на маркерах решениям для повышения интенсивности отбора одной из новых технологий, которая может обеспечить больший прогресс от отбора за счет повышения i, является высокопроизводительное фенотипирование (high-throughput phenotyping, HTP). Быстрый и недорогой сбор данных с помощью датчиков можно преобразовать в переменные, которые полезны в качестве вторичных признаков для непрямого отбора либо сами по себе, либо как часть схем прогнозирования по родословной, или геномного прогнозирования. В исследованиях [Rutkoski et al., 2016; Sun et al., 2017] отмечается, что точность прогнозирования по родословной и геному для урожайности зерна пшеницы приближается к точности прямого фенотипического отбора, когда использовались данные о вторичных признаках, измеренные с помощью воздушной платформы HTP. Таким образом, можно повысить прогресс (gain) от отбора при фиксированном бюджете за счет увеличения количества кандидатов, высаженных в испытаниях урожайности, фенотипирования вторичных признаков с использованием HTP и сбора только части урожая c испытаний. Такой подход может быть особенно выгодным, когда затраты на сбор урожая высоки (например, испытания проводятся в удаленных местах и/или сбор урожая должен производиться вручную).

Следует отметить, однако, что генетический прогресс не связан линейно с количеством отобранных кандидатов. Десятикратное увеличение числа селекционных кандидатов (с 10 из 100 до 10 из 1000) увеличивает стандартизированный селекционный дифференциал (selection differential) и, следовательно, генетический прогресс только на 52% (табл. 1).

Эффективный размер популяции (Ne) / Effective population size	Отобранная пропорция / Proportion selected	Общий размер популяции / Total population	Стандартизированный селекционный дифференциал / Standardized selection differential	Генетический прогресс по отношению к N=100 / Genetic gain relative to N = 100
10	0.1	100	1.75	1
10	0.05	200	2.063	1.18
10	0.01	1000	2.665	1.52
10	0.005	2000	2.892	1.65
10	0.001	10,000	3.367	1.92

Сложность и стоимость попыток увеличить генетический прогресс (genetic gain) за счет повышения интенсивности отбора по сравнению с сокращением времени цикла более подробно обсуждаются ниже.

Точность отбора (Selection accuracy)

В настоящее время фенотипирование является (и, вероятно, останется) самым дорогостоящим компонентом селекционной работы. HTP может применяться как для увеличения интенсивности отбора, так и для повышения точности отбора. Ценность улучшений в фенотипировании обычно выражается в увеличении показателя наследуемости «в широком смысле» (H² — broad sense heritability). Хотя этот показатель полезен для сравнения двух стратегий фенотипирования, важно помнить, что генетический прогресс пропорционален генетической точности (genetic accuracy), которая представляет собой квадратный корень из наследуемости «в узком смысле» (h² — narrow sense heritability). Это имеет большое значение для принятия решения о том, как распределять ограниченные ресурсы селекционной программы. Для большинства селекционных программ лучший способ повысить наследуемость — качественный выбор целевого набора географических сред (targeted population of environments — TPE) при увеличении количества локаций для испытаний урожайности. На практике такая стратегия оказывается очень дорогим вариантом и зависит от наличия хороших партнерских отношений, от физических возможностей и бюджета. Таким образом, большинство инноваций в фенотипировании были сосредоточены на извлечении дополнительной информации из существующих испытаний урожайности. Внедрение технологий для HTP может привести к серьезным затратам на капитальное оборудование и/или цифровые устройства, поэтому необходимо тщательно продумать стратегию фенотипирования для селекционной программы.

HTP и оцифровка сбора данных

В последние годы при разработке программ селекции для увеличения производительности фенотипирования внедрялись такие инженерные решения, как робототехника, системы визуализации и беспилотные транспортные средства. Благодаря этим решениям были достигнуты значительная экономия средств и повышение эффективности селекционных программ за счет автоматизации рутинных процессов, добавления новых типов данных для более объективного отбора и увеличения масштаба процессов сбора данных. Несмотря на то, что эти технологии находятся в центре внимания нескольких научных обзоров, один из объединяющих их принципов, который редко обсуждается, — это ценность оцифровки собранных данных. Оцифровка селекционных данных — как фенотипических, так и генотипических — имеет важное значение для масштабирования селекционных программ в XXI в. Поскольку стоимость вычислительных мощностей снижается экспоненциально, стало легче использовать данные генотипирования (уже в цифровой форме) и с минимальным ручным курированием. Однако это не относится к фенотипическим данным, поскольку сегодня многие государственные программы селекции растений по-прежнему полагаются традиционный вариант ручной записи с последующим преобразованием данных в пригодные для использования форматы. Стратегии ручного сбора данных делают этот процесс дорогим, трудоемким и подверженным ошибкам. В исследовании [Mackay, Caligari, 1999] было смоделировано влияние обычных опечаток на скорость генетического прогресса (genetic gain), при этом обнаружено значительное снижение ответа на отбор (response to selection) при частоте ошибок всего 1%. Как это ни парадоксально, во многих случаях реакция на отбор фактически увеличилась бы, если бы интенсивность отбора снизилась просто потому, что среди отобранных кандидатов непропорционально много искаженных данных. Идея оцифровать сбор фенотипических данных в селекции растений обсуждалась еще в 1990-х годах Берке и Баензигером [Berke and Baenziger, 1992], но из-за высокой стоимости электронных устройств в то время и отсутствия технических навыков для их использования темпы сбора цифровых полевых данных оставались низкими до появления смартфонов в 2010-х годах. В связи с выпуском высокопроизводительных вычислительных устройств размером с ладонь многие команды стали разрабатывать программное обеспечение, позволяющее осуществлять цифровой сбор фенотипических данных в полевых условиях. Одним из таких решений является PhenoApps (http://phenoapps.org/apps/). Инструменты PhenoApps — это приложения на базе Android с полностью открытым исходным кодом, которые помогают селекционерам оцифровывать сбор данных [Rife, Poland, 2015]. Дополнительные программные инструменты включают Phenobook [Crescente et al., 2017] и PhenoTyper [Köhl, Jürgen, 2015].

Управление селекционными данными

Следует отметить, что оцифровка сбора данных — более простая проблема по сравнению с важной задачей объединения всех источников селекционных данных для обоснования решений по отбору. Необходимо создавать платформы, объединяющие данные о фенотипе, о генотипе, о родословных и, в конечном счете, данные о климате и погоде совместимыми способами, которые позволяют анализировать многолетнюю и многомерную информацию о поколениях родственных линий. Следует создавать сложные информационные системы и включать их в рабочие селекционные процессы, чтобы обеспечить более точные прогнозы производительности разных генотипов в различных географических средах. Эти системы должны быть надежными по своей архитектуре, мощными в вычислительном отношении, доступными даже в удаленных местах и удобными для пользователя. На момент написания данной статьи существует очень мало систем, доступных для государственных селекционных программ, которые способны полностью выполнить эту задачу, и ни одна система широко не используется в государственных организациях. Однако в работе [Rathore et al., 2018] приведен подробный обзор некоторых из удачных систем.

Полнофункциональная и интегрированная система должна беспрепятственно:

          1) определять, отображать и разрешать пересмотр отдельных селекционных зон, их целевых рынков и соответствующих профилей продуктов для более точного отбора и улучшения селекционного материла, классификации тестовых локаций и продвижения выбранных кандидатов в соответствии с определенными критериями;

         2) разрешить упрощенные рабочие процессы для планирования и управления испытаниями и процедурами фенотипирования, которые позволяют селекционным группам быстро и легко внедрять надежные статистические схемы;

          3) использовать аналитику испытаний урожайности с фенотипической пространственной коррекцией (spatial correction), оценкой качества данных о тестовых локациях, аналитическими возможностями для нескольких локаций, а также генерировать и отображать селекционную ценность по родословной (pedigree estimated breeding value — pEBV) и геномную селекционную ценность (genomic estimated breeding value — gEBV);

        4) интуитивно интегрировать информацию о родословной, генотипе, фенотипе и климате по годам, географическим регионам и поколениям для более точного прогнозирования, обобщения и интерпретации компонентов дисперсии (variance) — таких, как генотип, местоположение, год, агрономические режимы управления и условия их взаимодействия;

         5) просто, интуитивно и эффективно создавать и отслеживать развитие селекционного материала в рамках селекционной программы;

         6) эффективно отслеживать селекционные операции, бюджеты и деятельность в различных временных масштабах.

Такие системы стали бы определяющими для селекционных групп, стремящихся эффективно вести свою деятельность, принимать решения по отбору, оптимизировать ресурсы, подводить итоги и исследовать генетические последствия селекционных решений. Чтобы поддерживать гибкость, избегать устаревания и использовать расширяемость, эти системы должны иметь модульную конструкцию с усовершенствованными моделями данных, универсальной, расширяемой и масштабируемой программной логикой. На рис. 2 показаны некоторые предлагаемые модули данных и анализа, которые вместе могут полностью сопровождать селекционные операции.

Продолжительность селекционного цикла

Исходя из сложности параметров в уравнении селекционера, продолжительность (время) цикла является самым простым для понимания, самым дешевым в управлении и самым действенным параметром для увеличения генетического прогресса (genetic gain). Продолжительность цикла (или интервал поколений) включает повторное использование (рециркуляцию) селекционного материала снова в блоке скрещивания после того, как селекционер определит, что генотип желаемого количественного признака выше среднего по селекционной ценности. Несмотря на простоту данного параметра, управление продолжительностью цикла требует тщательного планирования и анализа селекционной стратегии, потому что селекционная команда может так же быстро двигаться в неправильном направлении, как и в правильном.

Система быстрого развития поколений (Rapid generation advance или rapid generation-advancement system) для инбредных и гибридных культур

Для многих инбредных и гибридных культур государственные селекционные программы продолжают использовать стратегии племенной селекции, ориентированные на тщательный визуальный отбор в сегрегирующихся (расщепляющихся) поколениях. Несмотря на то, что визуальный отбор во время инбридинга был эффективен для идентификации потомства полукарликов во время «зеленой революции», но он больше не эффективен, если тип растения зафиксирован в инбредном состоянии [Атлин и др., 2017]. В случае самоопыляемых культур подходы к быстрому созданию линий с фиксированным генотипом — такие как метод удвоенных гаплоидов [Maluszynski et al., 2003; Asif, 2013] или односемянного происхождения (single seed descent) [Collard et al., 2017] — эффективно распределяют генетическую изменчивость (genetic variation) исключительно между линиями, что позволяет проводить быструю оценку и продвижение высокопроизводительного материала. В целом современные методы селекции самоопыляемых культур должны быть направлены на создание фиксированных (инбредных) линий с минимально возможными затратами и за минимально возможное время.

Техника Rapid generation advance (RGA) была впервые предложена Гоулденом [Goulden, 1939], а затем модифицирована Графиусом [Grafius, 1965]. Ее последняя итерация была в форме «скоростной селекции» («speed breeding») [Watson et al., 2018]. Система RGA сокращает цикл создания последующих поколений за счет модифицированной окружающей среды и раннего сбора семян в поколениях F₂ — F₆ [Collard et al., 2017]. Эти методы регулярно пересматриваются, и часто публикуются новые модификации [Choo et al., 1985; Snape, 1989; Maluszynski et al., 2003; Forster et al., 2007; Touraev et al., 2009; Tadesse et al., 2012; Dwivedi et al., 2015; Humphreys, Knox, 2015; van Ginkel, Ortiz, 2018; Watson et al., 2018]. В зависимости от культуры, стратегии, вегетационного периода и бюджета иногда требуются специализированные помещения, чтобы иметь возможность ускорить производство и достичь желаемого времени цикла. Конкретная биология культуры диктует наиболее успешные подходы. Многие методы описаны в статьях, в том числе сбор незрелых семян сои [Carandang et al., 2006] и голубиного гороха [Saxena et al., 2017], световые манипуляции с нутом [Gaur и др., 2007], сорго [Ризал и др., 2014] и рисом [Танака и др., 2016]. Совсем недавно семь поколений овса и тритикале были выведены за 1 год с помощью RGA [Liu et al., 2016] с использованием стресса для индукции цветения с последующим спасением эмбрионов. Исследователям [Watson et al., 2018] также недавно удалось получить шесть поколений пшеницы, ячменя и нута в год.

Помимо скорости, одним из основных преимуществ RGA может быть снижение стоимости получения нового рекомбинанта по сравнению с методом педигри, который требует очень больших земельных и трудовых ресурсов для каждой созданной фиксированной (инбредной) линии. Спасение эмбрионов (embryo rescue), ростовые камеры и другие технологии с высокой начальной стоимостью или потребностью в квалифицированной рабочей силе будут наиболее успешными там, где за счет больших объемов и экономии за счет масштаба затраты могут распределяться между несколькими селекционными программами. Для индивидуальных селекционных программ, использующих RGA в качестве единственного метода получения семян, обычно достаточно тепличного помещения или даже полевого RGA. Такая установка была разработана в Международном научно-исследовательском институте риса (IRRI), в результате чего снизилась стоимость фиксации линии с сотен долларов (при отборе по родословной) до 0,74 доллара при использовании RGA в теплице и 0,29 доллара при использовании полевого RGA (рис. 3; см. [Коллард и др., 2017]).

Приоритет сокращения продолжительности селекционного цикла над другими параметрами отбора

Ускорение селекционных циклов может быть наиболее эффективным способом увеличения скорости генетического прогресса (genetic gain), однако он недостаточно используется в большинстве селекционных программ, которые больше сосредоточены на других трех параметрах уравнения селекционера, а именно на наследуемости, интенсивности отбора и аддитивной генетической дисперсии (additive genetic variance). Несмотря на то, что манипулирование этими переменными изначально эффективно, они подвержены быстрому снижению коэффициента возврата инвестиций (return on investment), и, таким образом, предлагают дорогостоящий путь к увеличению скорости генетического прогресса (genetic gain). После достижения умеренных уровней (в диапазоне 0,5–0,7) наследуемость редко стоит значительных инвестиций, необходимых для обеспечения дополнительных локаций полевого тестирования для ее дальнейшего увеличения. Наследуемость не зависит линейно от количества репликации (т.е. удвоение количества локаций для испытаний урожайности не удвоит наследуемость). Генетический прогресс пропорционален показателю точности отбора, который определяется как квадратный корень наследуемости, и, таким образом, масштабируется в соответствии с функцией квадратного корня от наследуемости (рис. 4). Таким образом, увеличение наследуемости с 0,6 до 0,8 требует значительных затрат, но повышает темп генетического прогресса (genetic gain) только на √(0,8/0,6), или на 15%. Еще более крайняя форма, уменьшающая доходность программы, влияет на усилия по повышению скорости генетического прогресса за счет увеличения размера популяции и давления отбора (selection pressure). Десятикратное повышение интенсивности отбора (т.е. требование десятикратного увеличения размера генерируемой и подвергаемой скринингу популяции, если эффективный размер популяции (N_e) остается постоянным) увеличит стандартизированный селекционный дифференциал (selection differential) (и, следовательно, генетический прогресс) только на 52%, если предположить, что наследуемость одинаковая (см. табл. 1). Рост генетической выгоды на 52% при десятикратном увеличении размера и стоимости программы является неэффективным решением для большинства селекционных программ.

Сокращение продолжительности селекционного цикла для большинства программ потенциально гораздо выгоднее, чем повышение наследуемости выше 0,6 или снижение отобранной пропорции ниже 5%. В то время как методы RGA, описанные выше, позволяют сократить селекционные циклы до трех или четырех лет по сравнению с племенным отбором, существует возможность значительного сокращения селекционных циклов — потенциально всего до 1 года для многих однолетних зерновых, масличных и бобовых культур, которые не очень чувствительны к фотопериоду. Большинство селекционных программ самоопыляемых культур излишне удлиняют селекционный цикл, инициируя отбор по селекционной ценности (breeding value) (т.е. отбор родителей) только среди высокогомозиготных линий. Это значительно увеличивает время по сравнению со схемами, которые оценивают селекционную ценность и отбирают неинбредных кандидатов. Большинство программ улучшают линии два сезона в год, поэтому им потребуется 3 года для создания фиксированной (инбредной) линии с достаточным количеством семян, чтобы войти в испытание урожайности, прежде чем выбрать, какие линии повторно использовать в качестве родительских. (*Речь идет о программах в странах CIGAR, где из-за особенностей климата существует возможность проводить скрещивания и, соответственно, собирать урожай потомства 2 раза в год.)

Селекционный цикл можно значительно ускорить, отобрав линии F_2.3 (или S_0.1) для использования в качестве родителей в программе рекуррентной селекции с быстрым циклом для повышения селекционной ценности (breeding value) популяции вместо отбора линий с высоким уровнем инбредности, которые можно выпускать непосредственно как сорта. Это равносильно частичному отделению родительского отбора от элитных племенных популяций и извлечению коммерческих линий из них. Это не новая идея. Большинство традиционных программ фенотипической рекуррентной селекции были основаны на рекомбинации родителей из первого или второго поколения самоопыления, а не на линиях с высокой степенью инбредности, которые можно напрямую коммерциализировать. В последние годы разработка и моделирование протоколов геномной селекции показали, что селекционные циклы могут быть полностью отделены от развития коммерческих линий путем выбора родителей исключительно на основе геномной селекционной ценности (genomic estimated breeding value — gEBV) [Heffner et al., 2009; Gaynor et al., 2016], но еще не было широко экспериментально продемонстрировано, что такое крайнее отделение увеличения численности популяции от фенотипирования позволит эффективно оценить селекционную ценность в программах селекции сельскохозяйственных культур. Рекуррентная селекция, включающая скрещивание, полевые испытания неинбредного потомства и рекомбинацию в течение одного года, поддается геномному отбору по селекционной ценности, особенно после завершения нескольких циклов и увеличения неравновесного сцепления (linkage disequilibrium) генов среди кандидатов-родителей из-за повышения родства исходной элитной популяции.

Агрессивная, но эффективная программа однолетней рекуррентной селекции, применимая к большинству самоопыляемых видов, включая рис, была разработана К.Дж. Фреем и его учениками в 1970-х годах [Frey et al., 1988]. Она состояла из следующих шагов:

1. Закрытая популяция создается путем скрещивания набора линий, отобранных по высокой селекционной ценности (breeding value) и дополнительным качественным признакам; исходная популяция должна пройти два раунда промежуточных скрещиваний, чтобы произвести расщепляющееся потомство S₀.
2. Линии S_0.1 создаются путем самоопыления растений S₀.
3. Линии S_0.1 фенотипируют по урожайности и другим признакам в агрономических испытаниях. В то время как у некоторых видов количество семян на этом этапе может быть ограничено, у многих видов злаков с высокой способностью к кущению от одного растения потенциально может быть получено достаточно семян для нескольких повторов полевых испытаний.
4. Наиболее эффективные (успешные) линии S_0.1 скрещиваются между собой.
5. Затем шаги со 2-го по 4-й повторяются в течение нескольких циклов.

Генетическое моделирование может быть использовано для того, чтобы показать, что радикальное сокращение селекционного цикла с четырех лет до одного года значительно повысит реакцию на отбор (selection response), даже если интенсивность отбора и наследуемость снизятся. С помощью детерминистского инструмента моделирования генетического прогресса, разработанного Руткоски [Rutkoski, 2018], были смоделированы различные сценарии с использованием диапазона фенотипических значений урожайности, полученных в ходе наблюдательного испытания урожайности IRRI 2016 г. на засухоустойчивость. Несколько сценариев демонстрируют жизнеспособность ультракоротких селекционных циклов для увеличения генетического прогресса (genetic gain).

1. Традиционная селекционная программа, включающая отбор среди 1000 линий F_5.6, оцененных при h²=0,3, с N = 10 родителей, отобранных за цикл, и продолжительностью селекционного цикла 4 года. Этот сценарий представляет собой типичную, хотя и довольно агрессивную программу селекции самоопыляемых культур, основанную на выборе родителей из числа высокогомозиготных селекционных кандидатов.
2. Программа рекуррентного отбора с быстрым циклом (1 год на цикл), включающая отбор среди 100 S_0.1 линий за цикл, с N = 10, оцененным при h² = 0,2, в течение 4 циклов. Это самая быстрая рекуррентная программа селекции, возможная для риса, которая по-прежнему позволяет проводить фенотипическую оценку в каждом цикле. Предполагается, что наследуемость «в узком смысле» (narrow scenes heritability) ниже, чем в более большой традиционной программе, изложенной в п. 1, потому что количество семян на линию S_0.1, доступное для полевого фенотипирования, вероятно, будет меньше, чем количество, доступное для линий F_5.6 (это ограничивает репликации в разных локациях), а также потому, что аддитивная генетическая дисперсия (additive genetic variance) среди линий F_5:6 несколько больше, чем среди линий S_0:1 (F_2:3).
3. Программа рекуррентного отбора с быстрым циклом (1 год на цикл), включающая отбор среди 100 S_0.1 линий за цикл, с N = 10, оцененными при h² = 0,15, в течение 4 циклов. Этот сценарий идентичен изложенному в п. 2, но с еще более сильным уменьшением h².

Результаты показывают, что рекуррентный отбор с быстрым циклом в популяции на 10% больше в каждом цикле, чем в обычной программе; это приведет к значительно большему генетическому прогрессу, даже если предположить, что наследуемость существенно снижена (табл. 2). Даже при наследуемости всего на 50% выше, чем в обычной четырехлетней программе одного цикла отбора в полностью инбредном потомстве, программа рекуррентной селекции (RS) с быстрым циклом в течение 4 лет привела к увеличению темпов прогресса на 50% в год по сравнению с обычной программой.

Метрика	Один цикл, 4 года/цикл, h2 = 0,3	Четыре цикла, 1 год/цикл, h2 = 0,2	Четыре цикла, 1 год/цикл, h2 = 0,15
Количество фенотипированных линий за цикл	1000	100	100
Общий генетический прогресс (кг га-1) / Total genetic gain (kg ha−1)	455	954	686
Годовой генетический прогресс (кг га-1 год-1) / Annual genetic gain (kg ha−1 yr−1)	113.75	238.5	171.5
Генетическое стандартное отклонение, единицы в год / Genetic standard deviation units per year	0.32	0.82	0.68
% генетического прогресса в год / % genetic gain per year	2.22	4.66	3.35

Ключевой и недооцененный эффект рекуррентной селекции с быстрым циклом заключается в том, что она обеспечивает более высокие результаты, чем при длительном цикле, размножение большой популяции при гораздо меньших затратах, поскольку в каждом цикле и в целом оцениваются гораздо меньшие популяции. В данном примере обычная программа требует генерации и фенотипирования 1000 кандидатов отбора в течение одного четырехлетнего цикла. В программах рекуррентной селекции с быстрым циклом генерируются и фенотипируются 100 кандидатов в год, всего 400. Возможно, по 10 линий будет выделено от каждого из 10 отобранных родителей во втором и четвертом циклах, чтобы вывести 100 фиксированных (инбредных) линий в качестве сортов-кандидатов для потенциальной коммерциализации каждый второй год. В общей сложности за 4 года повторяющейся селекции будет создано и протестировано 600 линий по сравнению с 1000 линий по обычной программе, что обеспечит более высокие показатели генетического прогресса. Что касается овса, авторы исследования [Frey et al., 1988] добились повышения урожайности на 5,4% за цикл и, следовательно, за год, используя этот протокол. Менее агрессивные схемы, требующие 2 или 3 года на цикл, широко использовались для самоопыляемых культур, обычно давая ежегодный прирост, по крайней мере, такой же высокий, как и при программах племенной (педигри) селекции. Например, авторы исследования [Пейн и др., 1986] добились прироста 3,8% за цикл, или 1,28% в год, в течение 3 циклов, используя протокол, требующий 3 лет на цикл для овса. Для сои в работе [Kenworthy, Brim, 1979] оценен план, идентичный тому, который использовали для овса исследователи [Frey et al., 1988], но с циклами более 2 лет. За 3 цикла достигнут средний прирост урожая зерна 5% за цикл, или 2,5% в год.

Переход от длинных циклов, присущих стратегиям племенной селекции, к более ускоренному 3–4-летнему циклу, основанному на системе быстрого развития поколений RGA (rapid generation advance) (для инбредных и гибридных культур), может привести к резкому изменению скорости, с которой происходит улучшение сортов. Дальнейшее ускорение этого процесса за счет отказа от инбридинга к «почти» фиксации генотипа перед отбором на селекционную ценность и повторного развертывания сверхбыстрых однолетних рекуррентных циклов отбора еще на один шаг повысит продуктивность селекционных программ.

Менеджмент селекционных программ

Успешные современные селекционные программы представляют собой сложные и умеренно дорогостоящие научные предприятия, в которых продукты разрабатываются и поставляются командами, отвечающими за постоянный поток улучшаемых сортов, отвечающих требованиям рынка и сельхозтоваропроизводителей согласно профилю продукта. Важнейшми функциями руководства селекционных организаций являются надлежащее стимулирование, поддержка и мониторинг эффективности этих команд, а также привитие культуры постоянного совершенствования (culture of continuous improvement), когда селекционный процесс постоянно оценивается и новые методы интегрируются по мере их появления.

Составление схемы селекционного процесса

Одним из важных этапов работы селекционной команды по инициированию процесса постоянного улучшения, является четкое и формальное описание селекционной стратегии и доведение ее до сведения всех участников процесса. Однако это делается редко, особенно в государственных программах, где детали селекционной стратегии часто не сформулированы и могут быть изменены по желанию селекционера. На рис. 5 приведен пример того, как можно наметить многолетнюю селекционную стратегию на основе RGA с точки зрения активности, ответственности, потоков информации и генетического материала. Представленная схема является обобщенной и может быть неприменима ни к одной существующей программе, но она служит моделью для визуализации того, кто в селекционной группе отвечает за какие действия и когда они происходят. Такая диаграмма позволяет селекционерам, фитопатологам, физиологам, агрономам, генетикам и другим членам селекционной группы понять, где они взаимодействуют со стратегией, как селекционная деятельность различных участников сочетается друг с другом, выявлять и устранять узкие места и, самое главное, оценить, где могут быть применены инновации.

Ответственность и показатели успеха

Схема стратегии селекционного процесса также обеспечивает прозрачность и подотчетность, помогает командам, занимающимся управлением селекцией, разрабатывать ключевые показатели эффективности для оценки деятельности по достижению генетического прогресса (genetic gains). В рамках культуры постоянного совершенствования все селекционные программы должны быть направлены на увеличение скорости генетического прогресса за счет оптимизации процесса разработки и демонстрации улучшений путем регулярного измерения результатов по надежным и актуальным показателям. Часто селекционные программы оцениваются по количеству сортов, номинированных или выпущенных за год в рамках системы регистрации сортов местными органами власти. Этот показатель часто завышает показатели успеха, потому что многие выпущенные сорта никогда не используются сельхозтоваропроизводителями [Maredia, Raitzer 2010]. В частных селекционных программах количество проданных посевных единиц или доля рынка являются стандартными метриками успеха, но такую информацию трудно получить для организаций государственного сектора, особенно в развивающихся странах. Это сопряжено с дополнительной социально-экономической сложностью расчета того, кто получает выгоду и насколько справедливо распределяется прибыль. В работе [Ceccarelli, 2015] приводится хороший обзор этой темы и предлагается использовать соотношение затрат и выгод для измерения эффективности селекционного процесса. В программах государственного сектора прямая оценка генетической тенденции (тренда) [Piepho et al., 2014], проводимая под руководством сельхозтоваропроизводителей, вероятно, является лучшим методом оценки долгосрочной эффективности селекционной программы. Эту метрику можно относительно легко зафиксировать, если селекционная организация постоянно оценивает вновь выпущенные материалы в ходе агрономических испытаний на сельскохозяйственных предприятиях. Роль руководителей высшего звена и спонсоров в обеспечении эффективности государственных программ селекции растений невозможно переоценить. Оптимизация селекционной программы, скорее всего, не произойдет без руководства и направления, стимулирующего инновации, эффективность и получение генетического прогресса (genetic gain). Кроме того, очень важно, чтобы высшее руководство и финансово заинтересованные стороны были осведомлены о производительности по основным показателям, таким как средний возраст родительского материала, интенсивность отбора (т.е. количество родителей в блоке скрещивания), точность отбора (наследуемость в мультилокационных испытаниях), количество линий, прошедших каждую стадию, продолжительность селекционного цикла и доля гермоплазмы из внешних источников, используемая в качестве родительского материала. Кроме того, следует отметить необходимость долгосрочного стабильного финансирования для поддержки государственных селекционных программ по достижению намеченных целей. Фрагментированные, ограниченные и краткосрочные модели финансирования, которые преобладают в большинстве государственных селекционных грантов (особенно в развивающихся странах), несут риск снижения эффективности селекции в связи с частой перестройкой целей селекции или изменением интенсивности и точности отбора из-за непредсказуемых и изменчивых бюджетов.

Предложения на будущее

Селекционеры и руководители государственного сектора несут большую ответственность перед миром, поскольку этот сектор часто обслуживает сообщества, наиболее нуждающиеся в повышении уровня генетического прогресса (genetic gains). Во многих случаях государственные селекционные программы являются единственным источником улучшенного семенного материала для сельхозтоваропроизваодителей, которых они обслуживают [Lopez-Pereira, Filippello 1995]. Несмотря на важность повышения уровня генетического прогресса (genetic gain) в государственных программах, это может быть чрезвычайно сложной задачей. Внесение изменений в селекционный процесс для повышения скорости генетического прогресса часто считается очень рискованным. Селекционеры в большинстве случаев рассматривают свои текущие R&D процессы как близкие к оптимальным и опасаются, что, если изменения окажутся неудачными, а селекционная программа, в свою очередь, потерпит крах, это повлечет катастрофические последствия для самых уязвимых сообществ в мире. Это приводит к такому уровню консерватизма, который может препятствовать вообще всем изменениям. Однако, без корректировки процессов трудно достичь улушений. Фактически темпы генетического прогресса и замены сортов в большинстве развивающихся стран были очень низкими после окончания периода «зеленой революции». Потенциальное положительное влияние оптимизации селекционных процессов на небольшое повышение селекционного дифференциала, точность отбора и существенное сокращение времени селекционного цикла значительно перевешивает риск, связанный с тем, что в устаревших схемах племенной селекции будут полагаться на визуальный отбор.

Усиление государственных селекционных программ за счет сотрудничества и целенаправленных инноваций

В начале XXI в. следует внести несколько ключевых изменений в политический и социальный ландшафт, чтобы обеспечить дальнейший успех селекционных команд. Во-первых, необходимо обозначить финансирование модернизации государственных селекционных программ в качестве специального вида деятельности. Учитывая проблемы внедрения современных подходов в государственных селекционных программах, можно привести аргумент в пользу того, чтобы доноры (инвесторы) финансировали сам процесс модернизации как отдельную и целенаправленную деятельность. Во-вторых, в отличие от организаций частного сектора, государственные селекционные программы могут получать выгоду от использования коллективных инвестиций, навыков и опыта в области выращивания культур, которыми располагают крупные транснациональные селекционные компании. В результате государственные селекционные программы должны формировать интерактивные сообщества практиков, что позволит агрегировать спрос и стимулировать разработку недорогих генотипирования, фенотипирования и ИТ-систем с открытым доступом для хранения, управления, анализа и обмена данными [Шпиндель, Маккауч, 2016]. Примеры проектов, реализованных при поддержке Фонда Билла и Мелинды Гейтс: «Проект высокопроизводительного генотипирования» («High Throughput Genotyping Project») (http://cegsb.icrisat.org/high-throughput-genotyping-project-htpg/) и «Инициатива по информатике геномной селекции с открытым исходным кодом» («Genomic Open-source Breeding informatics initiative») (GOBii; http://gobiiproject.org/). Чтобы не зависеть от сокращения финансирования исследований и роста затрат, многие государственные селекционные программы, нацеленные на одну и ту же агроэкологию, должны будут работать вместе в скоординированных селекционных сетях. Благодаря этому процессу и другим совместным мероприятиям государственные селекционные сообщества помогут друг другу достичь более высокого уровня работ. Объединившись в ближайшие несколько десятилетий, государственные селекционные сообщества получат возможность выработать общий способ понимания проблем, возможностей и прогресса в сравнении со стандартизированными наборами показателей. Им нужно будет утвердить общеотраслевые стандарты, разработать единые словарь и протоколы для интеграции новых технологий в селекционный процесс. И команды по селекционной работе, и высшее руководство селекционных институтов будут оптимистично оценивать возможности внедрения новых технологий и усовершенствованных методов работы, а также повышения уровня генетического прогресса (genetic gain) на каждый вложенный доллар.  Благодаря грамотному и последовательному применению новых технологий в селекционных стратегиях организации-спонсоры государственных селекционных программ получат бОльшую уверенность в том, что эти программы удовлетворят потребности сельхозтоваропроизводителей несмотря сложную мировую обстановку.

Заключение

Государственные селекционные программы, создающие продукты для сельхозтоваропроизводителей в развивающихся странах, могут обеспечить более высокие показатели генетического прогресса, если эти программы оптимизированы для отбора по количественным признакам. Традиционные методы племенной селекции, основанные на визуальном отборе, не работают должным образом после того, как тип растения определен (зафиксирован), поэтому селекционные процессы, должны быть модернизированы для оптимизации основных компонентов уравнения селекционера. Точностьотбора по урожайности и другим количественным признакам должна быть повышена за счет тестирования большего числа кандидатов в испытаниях в нескольких локациях на более ранних этапах процесса селекции, с использованием экспериментальных планов, которые эффективно контролируют полевой шум (ошибку) при низких уровнях повторения (репликации) опыта (например, схемы p-rep). Интенсивность селекции можно повысить, заменив медленный и неэффективный отбор по родословной (педигри), который требует визуального отбора растений, расположенных на большом расстоянии друг от друга, в каждом инбридинговом поколении и, следовательно, очень затратен с точки зрения времени и труда, методами односемянного происхождения (single seed descent) и продвижения массового поколения (bulk generation advancement), которые быстро способствуют фиксации (инбридингу) линий, полагаясь на MAS и один этап визуального отбора, чтобы гарантировать, что только линии с соответствующим типом растения, фенологией и гаплотипами с высокой ценностью для устойчивости к болезням, стрессоустойчивости и качества проходят дорогостоящие испытания в нескольких локациях. Следует, однако, отметить, что окупаемость инвестиций как в точность, так и в интенсивность отбора предполагает дорогостоящие пути к повышению генетического прогресса. Инвестиции в точность за счет увеличения репликации быстро приводят к уменьшению отдачи от финансовых вложений, как только наследуемость превышает 0,5, а взаимосвязь между генетическим прогрессом (genetic gain) и интенсивностью отбора (т.е. размером популяции) похожа на логарифмическую, а не на линейную. Это означает, что для удвоения генетического прогресса (genetic gain) требуется десятикратное увеличение размера программы. Умеренно масштабные селекционные программы могут обеспечить хороший генетический прогресс (genetic gain) с помощью испытаний урожайности на первом этапе, состоящих из четырех или пяти оптимально организованных предварительных тестирований в местах, представляющих TPE (target population of environments), примерно с 200 растениями, зафиксированными по фенологии, типу растения и обязательному наличию качественных признаков; при этом интенсивность отбора должна составлять 5% для поддержания эффективного размера популяции не менее 10 особей за цикл.

Наиболее редко используемый способ увеличения генетических преимуществ, вероятно, заключается в сокращении времени цикла. Циклы размножения можно ускорить за счет немедленного продвижения родителей, выбранных на первом этапе тестирования, для использования в качестве родителей в следующем цикле. Дополнительные годы испытаний вряд ли повысят точность оценки селекционной ценности настолько, чтобы компенсировать более медленные селекционные циклы (конечно, перед коммерциализацией необходимы дополнительные испытания). Значительно большего сокращения продолжительности цикла можно добиться, отобрав родителей на основе селекционной ценности (breeding value) до того, как они станут инбредными. Эффективность такого подхода была подтверждена в большом количестве экспериментов рекуррентного отбора в программах кукурузы, мелкозерновых и бобовых культур в 1960–1990-х годах. Классические, замкнутые планы рекуррентной селекции можно сделать более эффективными за счет интеграции геномной селекции. Ускорение селекционного цикла в таких схемах может обеспечить генетический прогресс, эквивалентный тому, который достигается в более крупных и дорогих программах, имеющих более медленный цикл и применяющих более высокую интенсивность отбора в каждом цикле. Наибольшего сокращения времени цикла можно достичь с помощью исключительно геномной селекции (см., например, [Gaynor et al., 2016]), при которой инбридинг или фенотипирование не проводятся между циклами рекомбинации. Однако для выполнения таких планов необходимы очень большие и дорогостоящие тренинговые (обучающие) популяции для точности отбора, и вряд ли они будут осуществимы для многих видов сельскохозяйственных культур в ближайшее время. Изменения, изложенные данной статье, потребуют некоторых первоначальных инвестиций со стороны большинства селекционных программ, но приведут к большему генетическому прогрессу на единицу вложенных средств. Более важно, чем дополнительные инвестиции, то, что модернизация государственных селекционных программ потребует существенной поддержки и сопровождения со стороны руководителей исследований. Руководители исследований в CGIAR и национальных селекционных программах должны четко донести до селекционных групп, что они будут получать поддержку и нести ответственность за обеспечение генетических улучшений в профилях продуктов, которые ценятся сельхозтоваропроизводителями, переработчиками и потребителями. Чтобы помочь программам разработать и внедрить эти изменения, могут потребоваться внешняя оценка и консультации, поскольку программы часто не обладают всеми необходимыми навыками внутри компании.

Важным изменением, которое должны поддерживать руководители исследований, является переход от систем оценки эффективности, учитывающих количество опубликованных журнальных статей или зарегистрированных сортов, к вкладу членов команды в достижение общей цели создания генетического прогресса в профиле продукта. Это потребует определения того, какой вклад каждый член команды вносит в общий процесс, и соответствующей разработки показателей производительности. В совокупности улучшения, сфокусированные на продукте, точности отбора, интенсивности отбора и продолжительности цикла, обусловленные эффективным применением новых технологий генотипирования, фенотипирования и поддержки принятия решений, могут повысить скорость генетического прогресса в основных сельскохозяйственных культурах, производимых сельхозтоваропроизводителями в развивающихся странах, с текущей ставки, которая, вероятно, намного ниже 1% в год (и во многих случаях незначительно отличается от нуля) до как минимум 2%. При этом сельхозтоваропроизводители будут лучше защищены от постоянного изменения климата и смогут лучше адаптироваться к быстро коммерциализируемым производственным системам.

С полным списком литературы можно ознакомиться в тексте оригинальной статьи.