Forschung

Durch Insekten übertragbare Getreidevirosen gelten als ‚Gewinner‘ des Klimawandels. Wintergetreide, insbesondere Wintergerste und Winterweizen, sind einem verstärktem Druck für eine Infektion mit Weizen-Verzwergungsvirus (Wheat dwarf virus, WDV), sowie Gerstengelbverzwergungsvirus [Barley yellow dwarf virus, BYDV] und Getreidegelbverzwergungsvirus [Cereal yellow dwarf virus, CYDV]) ausgesetzt. Getreidepflanzen sind im Jugendstadium am empfindlichsten gegenüber diese Viren. Die Viren werden durch saugende Insekten (Vektoren) übertragen: WDV wird durch eine Zwergzikade (Psammotettix alienus), BYDY und CYDV durch mehrere Blattlausarten. Die Aktivität der Vektoren ist temperatur- und damit witterungsabhängig. Steigende Temperaturen erhöhen die Mobilität der Vektoren. Insbesondere längere Perioden mit warmer Temperatur im Herbst, in manchen Jahren bis in den Frühwinter, wie sie zunehmend vorkommen, bewirken eine höhere Gefährdung unserer Getreidebestände durch Virosen. Das Schadausmaß variiert je nach Befallsgrad, stark befallene Bestände können zum Totalausfall führen. Im Projekt werden erforderlichen Vorarbeiten (pre-breeding) zur Züchtung von 1) neuen resistenten Zuchtlinien durchgeführt und 2) wirksamen Selektionsverfahren entwickelt, wobei der Schwerpunkt auf Resistenz geben WDV gelegt wird, weil WDV in der Praxis bei Weizen in Mitteleuropa von zunehmender Bedeutung ist. In Arbeitspaket 1 wird die genetische Variation im aktuellen Zuchtmaterial in mehrortigen Feldversuchen überprüft und Selektionsmarker für quantitative Resistenz werden gesucht. Im Arbeitspaket 2 wird ein von uns in einer alten osteuropäischen Sorte kürzlich entdeckter, hoch wirksamer Resistenzfaktor auf Chromosom 6A in regional angepasste Winterweizen-Sortenkandidaten eingebracht. Insgesamt stellen die zu erwartenden neuen Erkenntnisse zur Vererbung der Virusresistenz und das neu entwickelte pre-breeding Zuchtmaterial mit verbesserter Virusresistenz einen essentiellen Schritt in Richtung zukunfts-fitter Weizensorten und nachhaltiger Absicherung des Weizenanbaues in Österreich dar.

Die globale Ernährungssicherheit wird durch Pflanzenkrankheiten ernsthaft bedroht, wobei eine der gefährlichsten epidemischen Pilzkrankheiten in der Getreideproduktion der Befall mit Fusarium ist. Einerseits wird der Ertrag reduziert, andererseits die Qualität der Ernte drastisch geschädigt. Im schlimmsten Fall besteht eine ernsthafte Gesundheitsgefährdung durch die aus dem Pilzbefall resultierenden Mykotoxine im Getreide. Daher ist das Ziel, resistente Sorten zu entwickeln, um die von dieser Krankheit ausgehenden Probleme abzuwenden. In der Pflanzenzüchtung müssen so diejenigen Sorten und neuen Zuchtlinien erkannt und selektiert werden, die gegen die Krankheit resistent sind, wobei diese Aufgabe in der Regel von geschulten Personen übernommen wird. Da die klassische Selektion sehr zeitaufwendig, teuer und durch den Faktor Mensch fehleranfällig ist, ist eine derartige Vorgehensweise bei größeren Selektionsprogrammen in der Praxis enorm aufwändig: ein automatischer Ansatz ist erforderlich. Um diese Probleme zu vermeiden, ist das Ziel des Projekts, mithilfe einer Drohne automatisch hochauflösende Bilder der Feldparzellen aufzunehmen und die unterschiedlichen Versuchslinien zu klassifizieren. Da es für die konkrete Aufgabenstellung (hochaufgelöste Bilder, extreme Flughöhe, schräge Bildaufnahmen) keine geeignete Technologie gibt, muss hierzu ein neues System für die Bildaufnahme entwickelt werden. Zudem sind existierende Verfahren zur Bildanalyse aufgrund der stark wechselnden Umgebungsbedingungen im vorliegenden Setup nicht geeignet. Ein neuer robuster und allgemein anwendbarer Ansatz ist erforderlich. Darüber hinaus muss der Aufwand für das Labeln der Daten reduziert werden, um ein praktisch anwendbares und in der Pflanzenzucht akzeptiertes System zu gewährleisten. Dazu ist eine enge Zusammenarbeit zwischen Züchter:innen (aus pflanzenwissenschaftlicher Sicht) und Informatiker:innen (aus technischer Sicht) erforderlich.

Trockenstress ist derzeit weltweit ein großes Hindernis für die pflanzliche Erzeugung und wird in Zukunft voraussichtlich zu einer noch größeren Herausforderung für die landwirtschaftliche Produktion werden. Die Züchtung und der Anbau angepasster Pflanzensorten, die gegen Trockenstress resistent sind, sind daher ein wichtiger Pfeiler, um die Auswirkungen der laufenden Veränderungen der regionalen und globalen Klimabedingungen abzufedern. Prädiktive Züchtungsmethoden haben neue Wege für die Erforschung und Züchtung von Weizen mit komplexen Eigenschaften wie Trockenstresstoleranz eröffnet. Die Verwendung genomweit verteilter Marker zur Durchführung einer genomischen Selektion hat dadurch in angewandten Züchtungsprogrammen große Popularität erlangt. Die phänomische Selektion hingegen ist eine kürzlich entwickelte Methode, die der genomischen Selektion ähnelt, aber molekulare Marker durch Informationen aus der Nahinfrarotspektroskopie (NIRS) ersetzt. NIRS wird von Getreidezüchtern bereits routinemäßig zur Vorhersage von Qualitätsmerkmalen wie dem Kornproteingehalt eingesetzt. Da die NIR-Spektren von der molekularen Zusammensetzung der analysierten Proben beeinflusst werden, können sie darüber hinaus die genetische Ähnlichkeit zwischen Genotypen erfassen. Daher haben sie das Potenzial, eine kostengünstige Ergänzung oder Alternative zu molekularen Markern mit hohem Durchsatz zu sein. In diesem Projekt werden wir einen omics-basierten prädiktiven Züchtungsansatz für die Züchtung von ertragreicheren, trockenstresstoleranten Brotweizensorten unter Verwendung von SNP-Markern und NIRS-Fingerprints entwickeln. Zu diesem Zweck werden wir spezielle Trockenstressversuche an mehreren Standorten und in mehreren Jahren durchführen, die zur Entwicklung von Multi-Kern-omik-basierten Vorhersagemodellen verwendet werden, die die Informationen aus NIRS-Spektren mit Genotypisierungsinformationen aus SNP-Arrays sowie meteorologischen Daten für die Umgebungstypisierung von Versuchsstandorten verbinden. Dies wird nach Abschluss des Projekts eine gezieltere Selektion auf Trockenstresstoleranz und folglich Merkmalsstabilität durch prädiktive Züchtungstechnologien erleichtern.