Een nieuwe veredelingsaanpak kan helpen om sneller klimaatbestendige gewassen te ontwikkelen. Denk aan gewassen die ook bij droogte en hitte goed kiemen en snel groeien. Onderzoeksprogramma TRITON, dat wordt gecoördineerd door Wageningen University & Research, krijgt 50 miljoen dollar (ongeveer 44 miljoen euro) van de Gates Foundation en de Novo Nordisk Foundation om deze aanpak de komende vier jaar verder te ontwikkelen.
De behoefte aan klimaatbestendige gewassen is groot. Door klimaatverandering neemt wereldwijd het risico toe op mislukte oogsten en sterk wisselende opbrengsten. Onder meer hogere temperaturen en watertekorten spelen daarbij een belangrijke rol. Ook geopolitieke instabiliteit kan de handel verstoren en bijvoorbeeld de aanvoer van meststoffen bemoeilijken.
Moderne gewasveredeling
Moderne gewasveredeling heeft de afgelopen decennia al tot grote opbrengstverbeteringen geleid. Toch zijn sommige eigenschappen nog altijd moeilijk snel te verbeteren, doordat veel genen samen zo’n eigenschap bepalen. Traditionele veredeling kan veel tijd kosten en is afhankelijk van de genetische variatie die beschikbaar is. Bij het kruisen van planten worden gewenste eigenschappen bovendien niet altijd los van ongewenste eigenschappen doorgegeven. Daardoor kunnen ook minder gunstige kenmerken meekomen. Met de huidige technieken is het daarom moeilijk om snel in te spelen op veranderende lokale omstandigheden en op de behoeften van boeren en andere partijen in de keten.
Agnieszka Golicz, hoogleraar en leerstoelhouder Plantenveredeling bij Wageningen University & Research, is wetenschappelijk leider van TRITON, en speelde een centrale rol bij de opzet van het programma. Zij legt uit waar de uitdaging zit: “Tolerantie voor abiotische stress, zoals hitte of droogte, is een van de moeilijkste eigenschappen om te verbeteren. Dat komt doordat veel genen daarbij een rol spelen. Door wereldwijd experts in modellering en moleculaire biologie samen te brengen, kunnen we met gerichte DNA-aanpassing de meest kansrijke genen aanpassen en die veranderingen rechtstreeks aanbrengen in goed presterende plantenlijnen. Zo kunnen we uiteindelijk veel sneller verbeterde rassen bij telers krijgen.”
Kunstmatige intelligentie
Binnen TRITON (Traits for Resilience Initiative for Transformative Outcomes for Novel Crops) gebruiken onderzoekers kunstmatige intelligentie om genen te vinden die belangrijk zijn voor gewenste eigenschappen van gewassen. Computermodellen helpen voorspellen hoe genen en omgevingsomstandigheden samen bepalen hoe een plant groeit en presteert. Met geavanceerde technieken zoals CRISPR kan het DNA vervolgens gericht worden aangepast. De best presterende rassen worden getest in veldproeven op verschillende continenten.
Wereldwijde toegang tot kennis en technologie
Het onderzoeksprogramma wil de kennis en technologie die worden ontwikkeld breed toegankelijk maken. Daarom werken de onderzoekers aan een vrij toegankelijke set hulpmiddelen waarmee onderzoekers en veredelaars overal ter wereld gewassen sneller kunnen verbeteren.
Daarbij gaat het onder meer om open datasets, computermodellen die met elkaar te combineren zijn en breed toegankelijke technologie voor gerichte DNA-aanpassing. Zo wil TRITON de drempel voor innovatie verlagen, ook voor kleine en middelgrote veredelingsbedrijven, ngo’s en organisaties in lage- en middeninkomenslanden.
Het programma brengt vooraanstaande kennisinstellingen uit Europa, Noord-Amerika, India en Afrika samen. Zo wil het programma ervoor zorgen dat zoveel mogelijk partijen van nieuwe veredelingstechnologieën kunnen profiteren en bijdragen aan een voedselvoorziening die beter tegen verstoringen bestand is.
Richard Harrison, directeur van de Plant Sciences Group in Wageningen, ziet het initiatief als onderdeel van WUR’s inzet om nieuwe technologie breed toegankelijk te maken. “Wageningen University & Research zet zich sinds 2021 in voor eerlijke toegang tot de technologieën die hiervoor nodig zijn, voor vertrouwde partners. Door drempels voor innovatie te verlagen en binnen dit wereldwijde partnerschap samen te werken, kunnen partners sneller profiteren van de nieuwste technologieën voor de ontwikkeling van klimaatbestendige en duurzame gewassen. Dat kan brede maatschappelijke voordelen opleveren.”
Van boerenbehoefte naar gewaseigenschap
De behoeften van boeren en andere partijen in de voedselketen zijn een belangrijk vertrekpunt voor TRITON. Het programma ontwikkelt een enquêteplatform op basis van grote taalmodellen om bij tienduizenden boeren en andere partijen in de keten op te halen wat zij nodig hebben. Met ontwerpgerichte methoden brengen onderzoekers vervolgens verschillende mogelijke oplossingen in beeld. De informatie van boeren en ketenpartijen helpt bepalen waarop de veredeling zich richt.
Uiteindelijk kunnen de hulpmiddelen uit TRITON boeren overal ter wereld helpen aan klimaatbestendige gewassen die passen bij de omstandigheden waarin zij werken en bij de markten waarvoor zij produceren.
Eerste tests met maïs, rijst en sorghum
TRITON richt zich in eerste instantie op maïs, rijst en sorghum. Dit zijn drie belangrijke voedselgewassen die wereldwijd worden geteeld. In een eerste proef kijken onderzoekers hoe goed zaden onder stress kiemen en hoe snel en sterk jonge planten zich daarna ontwikkelen.
Het programma brengt kennisinstellingen samen in drie regio’s. In Noordwest-Europa gaat het om WUR, Universiteit Utrecht, University of Copenhagen, Justus Liebig University Giessen en Aarhus University. In Californië werken UC Davis en het Innovative Genomics Institute mee en in Kenia Kenyatta University. Samen werken zij aan open wetenschap en veredelingstechnologieën die wereldwijd beschikbaar kunnen komen. Start-ups en onderzoeksinstituten in Europa en Noord-Amerika werken aan de verdere ontwikkeling van nieuwe technologie voor gerichte DNA-aanpassing en kunstmatige intelligentie. CGIAR-centra, nationale landbouwonderzoeksorganisaties en veredelingsnetwerken testen deze innovaties binnen bestaande veredelingsprogramma’s. Zo moeten boeren wereldwijd uiteindelijk van deze innovaties kunnen profiteren.
Bron: WUR
