Genomic selection

유전자 정보를 이용해서 형질을 미리 예측하는 기술

1. 전통육종 방식의 한계

전통 육종은 부모 세대를 교배하여 만든 자식 세대에서 우수한 형질을 가진 개체를 선발하는 과정을 반복하여 원하는 형질을 가진 개체를 얻는다. 어떤 형질은 자식 세대의 성장이 완료된 이후에 나타나기 때문에 선발하기까지 많은 시간과 자원이 소모된다. 그 뿐만 아니라 형질은 환경의 영향을 받기 때문에 우수한 형질을 가졌더라도 유전변이에 의한 것인지 환경변이에 의한 것인지 알 수 없다..

2. 분자육종

전통 육종의 한계를 극복하기 위해 유전체와 marker를 이용한 분자육종 기술이 발전되었다. 이 기술은 우수한 형질을 만드는 유전자를 분자생물학으로 발견한다. 그 후 marker를 통해 자손 세대에서 표현형이 발현될 때까지 기다릴 필요 없이 유년 단계에서 유전자의 존재 여부를 빠르게 확인할 수 있다. 따라서 분자육종 기술은 육종 속도를 빠르게 할 수 있다. 그러나 우수한 형질을 만드는 유전자를 미리 알아야 한다는 한계가 있으면 양적 형질에 대해서는 효과적이지 않다는 단점이 있다.

3. Genomic selection (GS)

양적 형질에 대해서 분자육종 방식을 적용하기 위해 개발되었으며, 우수한 형질을 만드는 유전자를 미리 발견할 필요가 없다. 오직 유전형 정보와 표현형만을 이용해서 개체의 표현형을 예측한다.

기본적인 아이디어는 marker의 수가 많으면 우수한 형질에 관여하는 유전자와 연관되어 교차가 일어나지 않는 marker가 존재한다는 것이다.

1. 각 개체에서 유전체 전체에서 marker를 이용해서 유전형 데이터를 확보한다.
2. 각 개체의 표현형을 측정한다.
3. 1로부터 2를 예측하는 인공지능 모델을 개발한다.
4. 3에서 만든 인공지능 모델을 통해 유전형만을 알고 있는 개체의 표현형을 예측한다.

형질에 관여하는 유전자를 찾을 필요 없이 marker 정보만을 이용해서 표현형을 예측할 수 있으며, 양적 형질에 대해서도 효과적으로 적용할 수 있다.

최소 1000개 이상의 marker를 사용한다. Marker의 수가 많을수록 예측의 정확도가 높아진다.

4. Genomic best linear unbiased prediction (GBLUP)

표현형 예측 모델로 전통적으로 많이 사용된 것은 GBLUP이다.

최근에는 MLP, CNN 등 neural network 모델과 GBLUP를 비교한 연구 결과가 나오고 있으며, 어느 정도 성능 향상을 기대할 수 있다고 한다.

**Genomic Selection for Prediction of Fruit-Related Traits in Pepper (Capsicum spp.)

Ju-Pyo Hong et al.