Wetterschwankungen führen zu stabileren Ergebnissen bei der Untersuchung der Anpassungsfähigkeit von Nutzpflanzen

Laut einem Forschungsteam unter der Leitung eines Professors der Iowa State University profitieren Bemühungen, anpassungsfähigere Pflanzen zu züchten, von Teststandorten mit unterschiedlichen Wetterbedingungen.

Die aktuelle Studie veröffentlicht im Zeitschrift für experimentelle Botanik ist die neueste Arbeit des Agronomieprofessors Jianming Yu, die sich mit der phänotypischen Plastizität beschäftigt, also mit der unterschiedlichen Art und Weise, wie Pflanzen in verschiedenen Umgebungen reagieren. Ein besseres Verständnis der genetischen und umweltbedingten Grundlagen der Plastizität kann Wissenschaftlern und Züchtern dabei helfen, Hybriden zu schaffen, die auf ihren Standort zugeschnitten sind und sich an schwierige Bedingungen anpassen können.

„Unsere Forschung hat wirklich weitreichende Auswirkungen auf den Klimawandel, die Nachhaltigkeit und die Präzisionslandwirtschaft“, sagte Yu, Pioneer Distinguished Chair in Maize Breeding und Direktor des Raymond F. Baker Center for Plant Breeding.

Die Studie bestätigte bis zu einem gewissen Grad, dass der Mittlere Westen eine ideale Region für Experimente mit neuen Sorten ist, was teilweise auf das unregelmäßige Wetter zurückzuführen ist, sagte Yu.

„Saatgutunternehmen haben Zuchtstandorte im gesamten Maisgürtel, und historisch gesehen wissen wir, dass einige Teststandorte erfolgreicher zu sein scheinen und nicht auf dem Hackklotz landeten, als Unternehmen fusionierten. Es gibt nicht viel tatsächliche Forschung dazu. Das stimmt.“ „Das war nur eine Annahme“, sagte er. „Aber wenn Sie die größtmögliche Variabilität wünschen, ist dies ein guter Ort, um Daten abzurufen. Der Standort ist wichtig.“

Die Studie untersuchte Daten von 174 Reispflanzen, die von 2007 bis 2009 an neun verschiedenen Standort- und Vegetationsperiodenkombinationen in ganz Asien angebaut wurden, sowie von 237 Sorghumpflanzen an neun verschiedenen Standort- und Jahreszeitenumgebungen in Iowa, Kansas und Puerto Rico von 2011 bis 2016.

In früheren Analysen derselben Daten, einschließlich Studien aus den Jahren 2018, 2020 und 2022, suchten Yu und seine Kollegen nach Umweltsignalen, die mit Pflanzenmerkmalen verbunden sind. Beispielsweise erstellten die Forscher für beide Nutzpflanzen einen Umweltindex, der die Blütezeit vorhersagt, eine Analyse, auf der die neue Arbeit aufbaut.

„Dieses Mal haben wir den Schwerpunkt darauf gelegt, ob das, was Sie beobachten, von den spezifischen Beispielen abhängen könnte, denen Sie in Bezug auf die Umgebung begegnen“, sagte Yu.

Durch den Vergleich kleiner Teilmengen von Daten mit der Gesamtstichprobe – eine Analyse, die viele Simulationen umfasste – stellten die Forscher fest, dass sie mit vier oder mehr Umgebungen genaue Extrapolationen durchführen konnten. Aber der mittlere Umweltbereich, ein Maß für die Variabilität der Bedingungen, diente als noch besserer Indikator.

„Obwohl beide Faktoren von entscheidender Bedeutung sind, deuten unsere Ergebnisse darauf hin, dass Überlegungen, die zu einer Erhöhung des mittleren Umweltbereichs führen, bei der Studiengestaltung Vorrang haben sollten“, sagte Tingting Guo, Professorin an der Huazhong Agricultural University und Co-Leiterin der Studie.

Sogar zwei Teststandorte könnten genaue Vorhersagen liefern, wenn ihre Umweltbedingungen unterschiedlich und extrem seien, fanden die Forscher. Zusätzliche Simulationen auf der Grundlage historischer Wetteraufzeichnungen und unterschiedlicher Pflanzdaten wurden verwendet, um die Verteilungen potenzieller Umweltvariabilität für jeden Standort darzustellen.

„Dies bietet Züchtern einige praktische Anleitungen für die Ressourcenzuteilung und die Optimierung von Teststandorten“, sagte Yu.

Yu sagte, seine Forschungsgruppe werde die phänotypische Plastizität weiterhin untersuchen, vor allem durch eine weitere Untersuchung vorhandener Feldtestergebnisse. Er sieht die Nutzung der Plastizität als wesentlich an, um die Landwirtschaft angesichts des Klimawandels widerstandsfähiger zu machen.

„Wir analysieren Daten auf unterschiedliche Weise und aus unterschiedlichen Perspektiven, um Wissen zu generieren, das für die Entscheidungsfindung in der realen Welt gilt“, sagte er.