Genetische Entdeckung könnte Düngemitteleinsatz bei Mais reduzieren

Wissenschaftler der New York University, der Taiwan University und des US-Landwirtschaftsministeriums haben einen neuartigen Ansatz zur Identifizierung von Genen entwickelt, die die Stickstoffnutzungseffizienz (NUE) bei Mais regulieren. Mithilfe von Genregulationsnetzwerken (GRNs) und künstlicher Intelligenz haben Forscher eine Reihe von Genen validiert, mit denen sie genauer vorhersagen können, wie die Pflanze auf Stickstoff im Feld reagiert. Die Methode offenbarte auch potenzielle Ziele für Programme zur Genomeditierung und -zucht.

Eine effiziente Stickstoffnutzung ist von entscheidender Bedeutung, um die landwirtschaftliche Produktivität zu steigern und die Umweltauswirkungen von überschüssigen Düngemitteln zu verringern. Allerdings sind die genetischen Mechanismen, die diesen Prozess bei Nutzpflanzen wie Mais steuern, noch immer unzureichend erforscht.

Das Team führte ein Experiment mit Stickstoffanwendung an B73-Maissetzlingen durch und überwachte die Expression von Tausenden von Genen zu 10 Zeitpunkten im Zeitraum von 0 bis 120 Minuten. Die Analyse ergab eine zeitliche Reaktionskaskade auf Stickstoff, bei der Gene in geordneter Weise aktiviert wurden – vom Nitrattransport bis hin zu Stoffwechselprozessen wie der Glutaminsynthese.

Mithilfe dieser Daten wendeten Wissenschaftler das Just-In-Time-Modell (JIT) an, um Gene nach dem Zeitpunkt ihrer Aktivierung zu gruppieren. Dies ermöglichte die Identifizierung von 4.600 stickstoffreaktiven Genen, von denen 50 % in früheren Einzelstudien noch nicht beschrieben worden waren. Die zeitliche Reaktion zeigte auch eine Korrelation mit der Stickstoffansammlung in Pflanzen, was durch ¹⁵N-Isotopenuntersuchungen bestätigt wurde.

Unter den identifizierten Genen stechen 453 mit gleichzeitiger Reaktion in Wurzeln und Blättern hervor, darunter 55 Transkriptionsfaktoren. Diese Faktoren koordinieren die Aktivierung komplexer Gennetzwerke. Um ihre Funktionen zu validieren, testeten die Autoren 23 dieser Faktoren in einem für Maiszellen angepassten Protoplasten-basierten Genstörungstest (TARGET). Im Durchschnitt regulierte jeder Faktor etwa 4.000 Gene.

Die meisten dieser validierten Ziele entsprechen Genen, die im Experiment mit ganzen Pflanzen identifiziert wurden, was die Relevanz des In-vitro-Modells unterstreicht. Eine Überlappungsanalyse ergab, dass die Faktoren MYB34 und MYBR3 die Hauptregulatoren in Blättern sind. Seine Versionen in Arabidopsis (AtDIV1) sind auch an der Regulierung der Reaktion auf Stickstoff beteiligt. Mutierte Pflanzen mit Verlust der AtDIV1-Funktion weisen eine erhöhte Stickstoffverwertungseffizienz auf.

Auf der Grundlage dieser Validierungen bauten die Forscher regulatorische Netzwerke mit hoher Zuverlässigkeit auf und wandten dabei Inferenzmethoden auf der Basis von Zeitreihen an (Dynamic Factor Graphs – DFG). Die Netzwerke wurden mithilfe einer Präzisions-/Recall-Analyse verfeinert, wobei robuste Interaktionen zwischen etwa 200 Faktoren und 700 Genen erhalten blieben.

Diese Netzwerke zeigten beispielsweise, dass das Gen Knotted1 (KN1), das für seine Rolle bei der Blattentwicklung bekannt ist, auch schnell auf Stickstoffzufuhr reagiert und 63 % seiner Ziele indirekt über andere Faktoren reguliert. Die „Network Walk“-Analyse ergab, dass KN1 mit Genen verknüpft ist, die mit der Zellproliferation und dem Stickstoffstoffwechsel in Zusammenhang stehen.

Im nächsten Schritt wurde maschinelles Lernen mit dem XGBoost-Algorithmus eingesetzt, um die Genexpression mit der Feldleistung zu verknüpfen. Es wurden Daten von 331 zwischen Mais und Arabidopsis konservierten Genen verwendet, deren Reaktionen auf Stickstoff bei beiden Arten parallel auftraten. Modelle, die auf diesen Genen basieren, übertrafen Modelle mit zufälligen Genen bei der Vorhersage von Merkmalen der Stickstoffnutzungseffizienz statistisch signifikant.

Um die relevantesten Module zu identifizieren, berechneten die Autoren einen „NUE-Regulon-Score“, indem sie die Gewichte der Lernmodelle mit den Gennetzwerken kombinierten. Auch hier führten MYB34 und MYBR3 das Ranking an. Die Zielgene dieser Faktoren wurden mit ihren durch AtDIV1 regulierten Orthologen verglichen. Dabei wurden 24 Gene in Mais und 23 in Arabidopsis identifiziert, deren Expression in der Lage ist, die Stickstoffnutzungseffizienz genau vorherzusagen.

Die praktische Anwendung wurde anhand eines zweiten Datensatzes von 137 Elite-Maislinien aus China validiert. Dabei zeigte sich, dass die MYB34/MYBR3-Regulon-Gene Merkmale wie Kolbendurchmesser und -länge effektiv vorhersagen.

Diese Studie zeigt, dass die Kombination von zeitlicher Analyse, funktionaler Validierung und maschinellem Lernen die Entdeckung von Genen zur Verbesserung der Landwirtschaft beschleunigen kann. Die entwickelte Methodik ermöglicht die Übertragung von Erkenntnissen von Modellarten auf landwirtschaftliche Nutzpflanzen, selbst wenn zwischen Arabidopsis und Mais eine evolutionäre Divergenz von 160 Millionen Jahren besteht.

Weitere Informationen erhalten Sie unter doi.org/10.1093/plcell/koaf093