Published July 1, 2018
| Version v1
Publication
Open
Genomic Prediction in a Multiploid Crop: Genotype by Environment Interaction and Allele Dosage Effects on Predictive Ability in Banana
Creators
- 1. Palacký University Olomouc
- 2. International Institute of Tropical Agriculture
- 3. Czech Academy of Sciences, Institute of Experimental Botany
- 4. KU Leuven
- 5. Bill & Melinda Gates Foundation
Description
Improving the efficiency of selection in conventional crossbreeding is a major priority in banana ( Musa spp.) breeding. Routine application of classical marker assisted selection (MAS) is lagging in banana due to limitations in MAS tools. Genomic selection (GS) based on genomic prediction models can address some limitations of classical MAS, but the use of GS in banana has not been reported to date. The aim of this study was to evaluate the predictive ability of six genomic prediction models for 15 traits in a multi‐ploidy training population. The population consisted of 307 banana genotypes phenotyped under low and high input field management conditions for two crop cycles. The single nucleotide polymorphism (SNP) markers used to fit the models were obtained from genotyping by sequencing (GBS) data. Models that account for additive genetic effects provided better predictions with 12 out of 15 traits. The performance of BayesB model was superior to other models particularly on fruit filling and fruit bunch traits. Models that included averaged environment data were more robust in trait prediction even with a reduced number of markers. Accounting for allele dosage in SNP markers (AD‐SNP) reduced predictive ability relative to traditional bi‐allelic SNP (BA‐SNP), but the prediction trend remained the same across traits. The high predictive values (0.47– 0.75) of fruit filling and fruit bunch traits show the potential of genomic prediction to increase selection efficiency in banana breeding.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد تحسين كفاءة الانتقاء في التهجين التقليدي أولوية رئيسية في تربية الموز (أنواع موسى). يتأخر التطبيق الروتيني للاختيار بمساعدة العلامات الكلاسيكية (MAS) في الموز بسبب القيود المفروضة على أدوات MAS. يمكن أن يعالج الانتقاء الجيني (GS) القائم على نماذج التنبؤ الجيني بعض قيود MAS الكلاسيكية، ولكن لم يتم الإبلاغ عن استخدام GS في الموز حتى الآن. كان الهدف من هذه الدراسة هو تقييم القدرة التنبؤية لستة نماذج للتنبؤ الجيني لـ 15 سمة في مجموعة تدريب متعددة اللدائن. تألف السكان من 307 من الأنماط الوراثية للموز الظاهرية في ظل ظروف إدارة حقول المدخلات المنخفضة والعالية لدورتين من المحاصيل. تم الحصول على علامات تعدد أشكال النوكليوتيدات المفردة (SNP) المستخدمة لتناسب النماذج من التنميط الجيني عن طريق بيانات التسلسل (GBS). قدمت النماذج التي تأخذ في الاعتبار التأثيرات الجينية المضافة تنبؤات أفضل مع 12 من أصل 15 سمة. كان أداء نموذج BayesB متفوقًا على النماذج الأخرى خاصة فيما يتعلق بسمات حشو الفاكهة ومجموعة الفواكه. كانت النماذج التي تضمنت بيانات البيئة المتوسطة أكثر قوة في التنبؤ بالسمات حتى مع انخفاض عدد العلامات. أدى حساب جرعة الأليل في علامات SNP (AD-SNP) إلى تقليل القدرة التنبؤية بالنسبة إلى SNP ثنائي الأليل التقليدي (BA-SNP)، لكن اتجاه التنبؤ ظل كما هو عبر السمات. تُظهر القيم التنبؤية العالية (0.47– 0.75) لحشو الفاكهة وسمات مجموعة الفاكهة إمكانات التنبؤ الجيني لزيادة كفاءة الانتقاء في تربية الموز.Translated Description (French)
L'amélioration de l'efficacité de la sélection dans les croisements conventionnels est une priorité majeure dans l'élevage de bananes ( Musa spp.). L'application systématique de la sélection assistée par marqueur (Mas) classique est à la traîne dans la banane en raison des limitations des outils MAS. La sélection génomique (GS) basée sur des modèles de prédiction génomique peut remédier à certaines limitations de la MAS classique, mais l'utilisation de la GS dans la banane n'a pas été signalée à ce jour. L'objectif de cette étude était d'évaluer la capacité prédictive de six modèles de prédiction génomique pour 15 traits dans une population d'entraînement à la multiploïdie. La population était composée de 307 génotypes de bananes phénotypés dans des conditions de gestion de champ à faible et à fort apport pour deux cycles de culture. Les marqueurs de polymorphisme mononucléotidique (SNP) utilisés pour adapter les modèles ont été obtenus à partir de données de génotypage par séquençage (GBS). Les modèles qui tiennent compte des effets génétiques additifs ont fourni de meilleures prédictions avec 12 traits sur 15. Les performances du modèle BayesB étaient supérieures à celles d'autres modèles, en particulier en ce qui concerne le remplissage des fruits et les traits des grappes de fruits. Les modèles qui comprenaient des données d'environnement moyennées étaient plus robustes dans la prédiction des traits, même avec un nombre réduit de marqueurs. La prise en compte du dosage des allèles dans les marqueurs SNP (AD‐SNP) a réduit la capacité prédictive par rapport au SNP bi‐allélique traditionnel (BA‐SNP), mais la tendance de la prédiction est restée la même pour tous les traits. Les valeurs prédictives élevées (0,47– 0,75) du remplissage des fruits et des traits des grappes de fruits montrent le potentiel de la prédiction génomique pour augmenter l'efficacité de la sélection dans l'élevage de bananes.Translated Description (Spanish)
Mejorar la eficiencia de la selección en el mestizaje convencional es una prioridad importante en la cría de banano ( Musa spp.). La aplicación rutinaria de la selección asistida por marcadores (MAS) clásica se está retrasando en el banano debido a las limitaciones en las herramientas de MAS. La selección genómica (GS) basada en modelos de predicción genómica puede abordar algunas limitaciones del MAS clásico, pero el uso de GS en el banano no se ha informado hasta la fecha. El objetivo de este estudio fue evaluar la capacidad predictiva de seis modelos de predicción genómica para 15 rasgos en una población de entrenamiento multiploidía. La población consistió en 307 genotipos de banano fenotipados en condiciones de manejo de campo de bajo y alto insumo durante dos ciclos de cultivo. Los marcadores de polimorfismo de un solo nucleótido (SNP) utilizados para ajustar los modelos se obtuvieron a partir del genotipado mediante datos de secuenciación (GBS). Los modelos que explican los efectos genéticos aditivos proporcionaron mejores predicciones con 12 de 15 rasgos. El rendimiento del modelo BayesB fue superior a otros modelos, particularmente en el relleno de frutas y los rasgos del racimo de frutas. Los modelos que incluían datos ambientales promediados eran más sólidos en la predicción de rasgos, incluso con un número reducido de marcadores. Tener en cuenta la dosis de alelos en los marcadores de SNP (AD‐SNP) redujo la capacidad predictiva en relación con el SNP bialélico tradicional (BA‐SNP), pero la tendencia de predicción siguió siendo la misma en todos los rasgos. Los altos valores predictivos (0.47– 0.75) de los rasgos de relleno de fruta y racimo de fruta muestran el potencial de la predicción genómica para aumentar la eficiencia de selección en la cría de banano.Files
plantgenome2017.10.0090.pdf
Files
(16.1 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:91d33f18e2936db0dc5491a207fbfaef
|
16.1 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ الجيني في محصول متعدد الصيغة الصبغية: النمط الجيني عن طريق التفاعل البيئي وتأثيرات جرعة الأليل على القدرة التنبؤية في الموز
- Translated title (French)
- Prédiction génomique dans une culture multiploïde : génotype par interaction environnementale et effets du dosage allèle sur la capacité prédictive chez la banane
- Translated title (Spanish)
- Predicción genómica en un cultivo multiploide: genotipo por interacción ambiental y efectos de la dosis de alelos en la capacidad predictiva en el plátano
Identifiers
- Other
- https://openalex.org/W2790747432
- DOI
- 10.3835/plantgenome2017.10.0090
References
- https://openalex.org/W1219574734
- https://openalex.org/W1491037186
- https://openalex.org/W1928998639
- https://openalex.org/W1970149620
- https://openalex.org/W1973166524
- https://openalex.org/W1982652137
- https://openalex.org/W1998447523
- https://openalex.org/W2005393148
- https://openalex.org/W2022589976
- https://openalex.org/W2051733835
- https://openalex.org/W2057306564
- https://openalex.org/W2068888494
- https://openalex.org/W2071878994
- https://openalex.org/W2077418651
- https://openalex.org/W2096470890
- https://openalex.org/W2101166532
- https://openalex.org/W2109781146
- https://openalex.org/W2125066647
- https://openalex.org/W2127463636
- https://openalex.org/W2127843966
- https://openalex.org/W2130916293
- https://openalex.org/W2135046866
- https://openalex.org/W2142727510
- https://openalex.org/W2151391832
- https://openalex.org/W2153634567
- https://openalex.org/W2153707555
- https://openalex.org/W2155143751
- https://openalex.org/W2157291679
- https://openalex.org/W2159474015
- https://openalex.org/W2166033750
- https://openalex.org/W2185248390
- https://openalex.org/W2439742035
- https://openalex.org/W2576704952
- https://openalex.org/W2605612340
- https://openalex.org/W2610324315
- https://openalex.org/W2615378633
- https://openalex.org/W2622193041