Если ваше представление о селекции — это школьные таблицы со скрещиванием гороха, то у нас для вас новости. Сегодня селекционеры работают не с отдельными растениями или животными, а с компьютерными моделями и генетическими картами. Так быстрее.
Стремление улучшать и ускорять процесс создания сортов и пород было движущей силой с самого начала, но сейчас это нужно миру как никогда: растущее население и меняющийся климат требуют новых решений. Но как эта наука пришла к использованию таких технологий?
От интуиции к науке
История селекции начинается с древности — тогда это было делом интуиции. Древний человек отбирал самого послушного волчонка, самое плодовитое растение или овцу с самой густой шерстью. Это была селекция на глазок: медленная и неточная, методом проб и ошибок. Чтобы увидеть результат, приходилось ждать годы — до нового урожая или следующего поколения животных. В таком виде селекция существовала тысячелетиями и вроде бы работала. Однако такой подход не позволял отбирать сложные признаки, которые невозможно определить «на глаз»: как предсказать, какое растение переживет засуху или у какого животного будет самое нежное мясо?
Революция в биологии случилась благодаря точным вычислениям. В середине XIX века монах-садовод Грегор Мендель, скрещивая горох, открыл универсальные законы, объясняющие принципы наследования. Он показал, что признаки наследуются не случайно, а по четким правилам, которые можно описать формулами. Согласно Менделю, невидимые наследственные факторы, которые мы называем генами, передаются от родителей потомкам, определяя конкретные черты организма.
Интересно, что открытию Менделя в значительной степени способствовала удача: семь пар признаков гороха, которые он изучал, вели себя в его опытах с идеальной математической предсказуемостью. Современная наука объясняет этот успех: гены этих признаков либо находились на разных хромосомах, либо были настолько далеко друг от друга, что наследовались независимо.
Стоит заметить, что понятие гена как элементарной единицы наследственности было введено в науку значительно позже открытий Менделя. Это сделал в начале XX века Вильгельм Йоханнсен, предложивший три фундаментальных термина: «ген», «генотип» (совокупность всех генов организма) и «фенотип» (совокупность всех его наблюдаемых признаков).
В XX веке абстрактный ген превратился в реальный объект для изучения. Сама биология кардинально изменилась: появление точных приборов, а также методов, заимствованных из физики и химии, превратили ее из описательной науки в точную. Ученые доказали, что гены расположены в хромосомах (Томас Морган), выяснили, что носителем наследственной информации является ДНК (Освальд Эвери), а затем расшифровали ее двойную спиральную структуру (Джеймс Уотсон и Фрэнсис Крик).
Чтение генетической инструкции
Следующий прорыв произошел на рубеже XX–XXI веков благодаря геномной революции — переходу от изучения отдельных генов к анализу полных геномов. Ее основой стало секвенирование — технология прочтения последовательности нуклеотидов (A, T, G, C) в ДНК.
Это привело к развитию маркер-опосредованной селекции (Marker-Assisted Selection, MAS). Ее суть — косвенный отбор: вместо оценки сложного признака можно проверить наличие сцепленного с ним маркера. Маркером может служить любой различимый наследственный признак. Это может быть внешняя, морфологическая особенность (например, цвет или форма), биохимическая характеристика (например, состав ферментов) или характеристика хромосом. Золотым стандартом стали ДНК-маркеры — их точность и независимость от внешних условий позволяет сэкономить годы селекционной работы. В селекции томатов, например, MAS применяют для быстрого скрининга селекционного материала на устойчивость к болезням и качество плодов. С помощью панелей маркеров можно отслеживать окраску, содержание каротиноидов (ликопина и β-каротина), особенности созревания и удлиненный срок хранения [3].
Однако маркер-опосредованная селекция имеет фундаментальное ограничение: она эффективна только для признаков, контролируемых одним или несколькими генами. Но важные для сельского хозяйства признаки — урожайность, устойчивость к абиотическим стрессам, качество продукции — являются количественными (полигенными). Они определяются совместным действием многих генов, каждый из которых вносит очень небольшой эффект. Отделить и отследить такое количество генов с помощью ограниченного набора маркеров невозможно.
Этот барьер был преодолен с появлением концепции геномной селекции (Genomic Selection, GS). Ее ключевая идея в том, что влияние на сложный признак (вроде урожайности) распределено по всему геному. Поэтому вместо поиска отдельных генов метод одновременно анализирует сотни тысяч молекулярных маркеров, равномерно покрывающих все хромосомы.
Суть метода — в построении прогностической математической модели. Это означает, что реальная, практическая часть селекции теперь направляется решением математической задачи. Для решения нужна обучающая популяция — большая группа особей (растений или животных), для которых есть два типа данных: полный генотип и детальные фенотипические данные (например, реальные удои коров или урожайность пшеницы). Алгоритмы находят связи между генетическими вариантами и продуктивностью. Однако важно учитывать, что найденные закономерности могут оказаться ложными из-за статистических случайностей, а сложное взаимодействие генов друг с другом и со средой требует применения продвинутых, нелинейных алгоритмов для построения точной модели.
После валидации модель применяется к новому поколению — селекционной популяции. Эти особи (например, эмбрионы или проростки) проходят только генотипирование. На основе этих данных модель вычисляет для каждого геномную оценку племенной ценности — прогноз будущей хозяйственной полезности. Отбираются особи с наивысшими показателями прогнозируемой ценности — больше нет необходимости ждать, пока они вырастут и проявят свои качества [4].
Этот метод, впервые предложенный в 2001 году, активно используется до сих пор и постоянно совершенствуется с развитием алгоритмов искусственного интеллекта.
От прогноза к проектированию
Новым прорывом в начале 2010-х годов стало появление технологий точного редактирования генома, среди которых система CRISPR-Cas9 стала самой распространенной. Эта технология была создана на основе системы адаптивного иммунитета бактерий, которая защищает их от вирусов, записывая фрагменты чужеродной ДНК в собственный геном.
Система работает по принципу поиска и замены. Ее нацеливают на конкретную последовательность ДНК, которую нужно изменить. Достигнув цели, белок Cas9 делает точный разрыв в обеих цепях ДНК. Далее собственные механизмы репарации (починки последовательности ДНК) клетки используют специальную предоставленную последовательность как образец для внесения целевого изменения — удаления, исправления или вставки новой последовательности ДНК.
Практическим результатом этого прорыва стало появление первых коммерческих линий сельскохозяйственных культур и животных, созданных с помощью редактирования генома. Например, были выведены свиньи, устойчивые к вирусу репродуктивно-респираторного синдрома (PRRS) — одной из самых дорогостоящих болезней в свиноводстве [5]. В растениеводстве созданы линии сои с измененным составом масла (с повышенным содержанием олеиновой кислоты) и пшеницы, устойчивой к мучнистой росе [6].
Технологии редактирования генома создали серьезный правовой вызов (что считать или не считать ГМО-продуктом) и разделили мир на два лагеря. Одни страны используют продукто-ориентированный подход, с точки зрения которого важен лишь конечный результат. Если в геноме нет чужеродной ДНК, а изменения могли возникнуть естественным путем, такой продукт не считается классическим генетически-модифицированным организмом (ГМО). Другие страны руководствуются процессо-ориентированным подходом и фокусируются на самом методе — любое лабораторное редактирование автоматически делает организм ГМО независимо от результата.
Измерение жизни в реальном времени
Сейчас параллельно с генетическими технологиями развивается феномика — высокопроизводительное, автоматизированное фенотипирование (измерение и анализ всех наблюдаемых признаков организма — от цвета и формы до физиологических показателей). Оно играет решающую роль в двух ключевых направлениях: оценке устойчивости к стрессам и прогнозировании продуктивности.
В растениеводстве мультиспектральная, тепловизионная и гиперспектральная съемка с беспилотных платформ позволяет количественно оценивать тысячи признаков в полевых условиях. Эти технологии не просто фиксируют видимые симптомы: анализируя отражение света в спектральных диапазонах, недоступных человеческому глазу, они также выявляют ранние стадии болезней, водного дефицита или засоления почвы. А если комбинацию феномных данных с геномной информацией обработать методами машинного обучения, можно не только диагностировать проблемы, но и моделировать реакцию различных генотипов на стресс, чтобы выявить наиболее устойчивые сорта.
С практической точки зрения лидером тут является Китай, где технологии дистанционного зондирования для сельского хозяйства массово внедряются на государственном уровне. Крупнейшие мировые агрохимические корпорации, такие как Bayer (Climate FieldView) и Syngenta, используют флотилии дронов и аналитические платформы для оценки состояния посевов.
В животноводстве в Германии, Нидерландах и Израиле системы вроде DeLaval и Lely уже больше десятилетия используют датчики для мониторинга здоровья и продуктивности коров. В России также внедряются системы умных ошейников и видеоаналитики для управления поголовьем.
Роботы уже в деле, но не везде
Роботизация затрагивает в первую очередь рутинные и трудоемкие задачи. Однако наиболее сложные операции пока остаются за людьми или находятся в стадии пилотных проектов. Полностью автономные роботы для уборки уникального селекционного материала с опытных участков существуют лишь как прототипы. Роботизированные системы для микроинъекций эмбрионов или высокоточного редактирования генома широко используются в биомедицинских лабораториях, но в коммерческой селекционной практике это пока единичные эксперименты, а не массовый процесс.
Современная селекция завершила переход от интуиции к точному инжинирингу. Теперь новые сорта и породы проектируются цифровыми методами (геномная селекция), создаются инструментами генного редактирования (CRISPR) и выращиваются с помощью роботизированных систем. Завтрашний урожай рождается сегодня на стыке биологии, информатики и робототехники.
Источники
- Fu J. Zheng S., Fan L. et al. Breeding 5.0: Artificial intelligence (AI)-decoded germplasm for accelerated crop innovation // Journal of Integrative Plant Biology. 2025. DOI: 10.1111/jipb.70008.
- Carr S. M. Pisum linkage map // Memorial University of Newfoundland. 2021. URL: https://www.mun.ca/biology/scarr/Pisum_linkage_map.html.
- Osei M. K., Prempeh R., Adjebeng-Danquah J. et al. Marker-Assisted Selection (MAS): A Fast-Track Tool in Tomato Breeding // Recent Advances in Tomato Breeding and Production. 2018. DOI: 10.5772/intechopen.76007.
- Charan S., Krishna V., Ramesh et al. Next-generation genomics in plant breeding: Integrating genomic selection, high-throughput phenotyping, and gene editing // International Journal of Advanced Biochemistry Research. 2025. Vol. 9. Special Issue 7. Part B. P. 108–120. DOI: 10.33545/26174693.2025.v9.i7Sb.4753.
- Burger B. T., Beaton B. P., Campbell M. A. et al. Generation of a Commercial-Scale Founder Population of Porcine Reproductive and Respiratory Syndrome Virus Resistant Pigs Using CRISPR-Cas // The CRISPR Journal. 2024. Vol. 7. N. 1. DOI: 10.1089/crispr.2023.0061.
- Yao D., Zhou J., Zhang A. et al. Advances in CRISPR/Cas9-based research related to soybean [Glycine max (Linn.) Merr] molecular breeding // Frontiers in Plant Science. 2023. Vol. 14. P. 1247707. DOI: 10.3389/fpls.2023.1247707.
- Li S., Lin D., Zhang Y. et al. Genome-edited powdery mildew resistance in wheat without growth penalties // Nature. 2022. Vol. 602. P. 455–460. DOI: 10.1038/s41586-022-04395-9.
- Shaheen N., Ahmad S., Alghamdi S. S. et al. CRISPR-Cas System, a Possible “Savior” of Rice Threatened by Climate Change: An Updated Review // Rice. 2023. Vol. 16. P. 39. DOI: 10.1186/s12284-023-00652-1.
- Nautiyal M., Joshi S., Hussain I. et al. Revolutionizing agriculture: A comprehensive review on artificial intelligence applications in enhancing properties of agricultural produce // Food Chemistry: X. 2025. Vol. 29. P. 102748. DOI: 10.1016/j.fochx.2025.102748.
