Genome-wide prediction models that incorporate de novo GWAS are a powerful new tool for tropical rice improvement

Abstract

To address the multiple challenges to food security posed by global climate change, population growth and rising incomes, plant breeders are developing new crop varieties that can enhance both agricultural productivity and environmental sustainability. Current breeding practices, however, are unable to keep pace with demand. Genomic selection (GS) is a new technique that helps accelerate the rate of genetic gain in breeding by using whole-genome data to predict the breeding value of offspring. Here, we describe a new GS model that combines RR-BLUP with markers fit as fixed effects selected from the results of a genome-wide-association study (GWAS) on the RR-BLUP training data. We term this model GS + de novo GWAS. In a breeding population of tropical rice, GS + de novo GWAS outperformed six other models for a variety of traits and in multiple environments. On the basis of these results, we propose an extended, two-part breeding design that can be used to efficiently integrate novel variation into elite breeding populations, thus expanding genetic diversity and enhancing the potential for sustainable productivity gains.

Genomic innovation for crop improvement

“…It also differs from genomic selection, which uses genome-wide markers as anonymous features that are statistically related to phenotypes in only a subset of the breeding population 82 . Spindel et al 83 describe how genome-selection approaches can be integrated successfully with association studies to accelerate genetic gain in rice-breeding programmes, which indicates that the integration of genome-wide haplotype information may provide breeding programmes with an even greater specificity and predictability.…”

Predição genômica de híbridos de milho para caracteres de arquitetura oligogênica e sob diferentes parâmetros de penalização e correção de fenótipo

“…Como mencionado, a GS pode ser aplicada sobre populações de tamanho efetivo grandes, e nestas situações a eliminação de genótipos inferiores é tão importante quanto a seleção sob moderadas intensidades. A utilização desta característica em programas de melhoramento pode evitar gastos com a avaliação de genótipos que seriam inevitavelmente descartados em gerações avançadas (SPINDEL et al, 2015(SPINDEL et al, , 2016. Dessa forma, pode-se gerar populações sintéticas muito maiores e conduzir para avaliações somente os genótipos mais promissores escolhidos com base em seu padrão genômico.…”

“…Considerar marcadores significativos como de efeito fixo resultou em capacidade preditiva semelhante à do LASSO Bayesiano e do BayesB e maiores que a do G-BLUP convencional para as duas características estudadas. Spindel et al (2016) notaram que existe vantagem preditiva no uso de marcadores significativos como fator fixo. Estes autores indicam que a identificação destes genes na própria população de treinamento, como aqui realizado, resulta em maiores capacidades preditivas do que o uso de informações obtidas em experimentos em populações distintas.…”

“…Estas pesquisas demonstram que essa técnica é eficiente na descoberta de genes candidatos com efeito significativo sobre o fenótipo, os quais podem ser utilizados no processo de melhoramento. Assim, existe a possibilidade de integração direta entre GS e GWAS (SPINDEL et al, 2016), visando melhorar a seleção baseada em marcadores.…”

“…Essa modelagem específica de genes conhecidos e poligenes tem sido favorável em algumas situações, proporcionando predições mais acuradas (BERNARDO, 2014;HENGDE;BAO, 2015;SPINDEL et al, 2016;ZHAO et al, 2014). Diante do exposto, objetivou-se avaliar a eficiência da modelagem diferencial de SNPs de efeito significativo na capacidade preditiva da metodologia G-BLUP (VANRADEN, 2008), compondo uma metodologia aqui denominada GWAS|GS e comparando-a ao LASSO Bayesiano, BayesB e G-BLUP convencional nas predições em uma população real de híbridos simples de milho.…”