Genomic prediction in practical breeding program : a case study in oat and barley

Show full item record



Permalink

http://urn.fi/URN:ISBN:978-951-51-6836-8
Title: Genomic prediction in practical breeding program : a case study in oat and barley
Author: Haikka, Hanna
Contributor: University of Helsinki, Faculty of Agriculture and Forestry
Doctoral Program in Plant Sciences
Publisher: Helsingin yliopisto
Date: 2021-04-23
Language: en
URI: http://urn.fi/URN:ISBN:978-951-51-6836-8
http://hdl.handle.net/10138/327405
Thesis level: Doctoral dissertation (article-based)
Abstract: The aim of this study was to detect usability of genomic prediction for different breeding dilemmas. In order to achieve this aim, breeding data sets from oat and barley were used in the study. The studied lines were genotyped with genome-wide markers. Meanwhile, phenotypes were collected from multiple years and locations of historical breeding data. Together, the data of the line genotypic and phenotypic information formed the training population used in the analysis. The separate studies concerned genomic prediction, genome-wide association study (GWAS) and analysis on genotype by environment (GE) interaction. The studies had in common that they present ‘difficult’ topics within the breeding process. The original publication I concentrated on improving grain yield prediction for oat and barley. Grain yield presents one of the most important traits in breeding, but has low predictability due to low heritability. The prediction of genomic estimated breeding values (GEBVs) was improved by using multi-trait prediction. For this purpose, grain yield was predicted simultaneously with correlated traits. In addition, benefit of trait-assisted prediction was examined. In conclusion for oat and barley, prediction of grain yield was improved by 4% and 9% with multi-trait prediction, and by 9-14% and 11-28% with trait-assisted prediction compared to prediction of grain yield alone, respectively. The original publication II focused on Fusarium head blight (FHB) resistance in oat. FHB resistance is a troublesome trait to breed, since the disease cannot be reliably scored visually, but extensive laboratory analysis is needed to obtain resistance phenotypes. In addition, FHB resistance consists of multiple components. In the study, the correlations between FHB resistance related traits were high. Much lower correlations were seen between FHB resistance related and agronomic traits. No significant associations between FHB related traits and genetic markers were discovered with reasonable correction of population structure and genetic relationship between the studied oat lines. For this reason, using genome-wide marker information to promote resistance breeding should be done solely with genomic selection (GS), where all the marker effects are used to enrich resistance alleles within the breeding population. The original publication III explored the extent of GE interaction within breeding data sets of oat and barley. At first, the genetic correlations between trial locations within year were calculated and used to compute mean across the years. The correlations suggested that data set of oat was not as sufficient as the data set for barley to explore the quantity of GE interaction. The second step of the analysis contained genomic prediction with six different models. The prediction models contained effects due to lines, genetic, environmental covariates, GE interaction and genotype by environmental covariates interaction. The prediction accuracy was increased for both crops when GE interaction was added into the prediction model. The results from the analysis imply that GE interaction exists within the breeding data sets, and should be taken into account upon prediction. All of the conducted studies proved the usability of genomic prediction in solving principal questions in the breeding process. The studies improved prediction of central traits simultaneously enabling the prediction in the early breeding generations, and showed the significance of GE interaction, and most of all, showed that historical breeding data can be used to predict the important traits. These studies present tools for practical breeding in order to meet the demand to accelerate crop improvement.Yksi jalostuksen keskeisistä termeistä on jalostusarvo. Se määrittää kuinka hyvä lajikekandidaatti on ja miten hyvin se siirtää haluttuja ominaisuuksia eteenpäin. Perinteisesti jalostusarvo saadaan selville lajikkeen jälkeläisiä tarkastelemalla. Genomisella ennustamisella jalostusarvo saadaan selville nopeammin eikä jälkeläisten tarkastelua enää tarvita. Genomista ennustamista on hyödynnetty eläinjalostuksessa jo pidemmän aikaa, missä eläimen jalostusarvo saadaan selville jo syntymässä eikä sen tuottamien jälkeläisten tuloksia tarvitse enää odottaa. Kasvinjalostuksessa genomisen ennustamisen mahdollisuuksia vasta tutkitaan laajemmin. Tämän väitöskirjan ensisijainen tavoite oli selvittää genomisten ennusteiden käytettävyyttä kasvinjalostuksessa. Kasvinjalostuksessa tuotetaan paljon tietoa vuosittain. Jalostusprosessissa lajikekandidaatteja testataan erilaisissa ympäristöissä useina vuosina. Tämän väitöskirjan tutkimusaineisto koostuikin kauran ja ohran jalostusohjelmissa kerätyistä tiedoista. Tutkimukset keskittyivät jalostusprosessin "hankaliin” aiheisiin, kuten sadon ennustamiseen, punahomeen kestävyyteen sekä genotyypin ja ympäristön yhdysvaikutukseen. Väitöksen ensimmäinen julkaisussa tarkasteltiin kauran ja ohran sadon genomista ennustamista. Satotason nostaminen on yksi jalostuksen tärkeimmistä tavoitteista, mutta sen ennustettavuus on heikko alhaisen periytyvyyden vuoksi. Sadon genomisten jalostusarvojen (GEBV) ennustamista parannettiin käyttämällä monimuuttujamenetelmiä, joissa hyödynnettiin sadon kanssa korreloivia ominaisuuksia, kuten kasvuaikaa ja valkuaispitoisuutta. Kauralla onnistuttiin parantamaan sadon ennustamiskykyä 4% ja ohralla 9% monimuuttujamenetelmän avulla. Lisäksi tutkittiin ominaisuusavusteisen ennustamisen hyötyjä, missä linjasta jo olemassa olevia tietoja käytettiin ennustamishetkellä. Kauralla ominaisuusavusteinen ennustaminen paransi ennustamiskykyä 9-14% ja ohralla 11-28% verrattuna sadon ennustamiseen yksittäisenä ominaisuutena. Tulokset olivat merkittäviä parannuksia ennustamiskykyyn ja ennen kaikkea ennustamiskyky ei huonontunut monimuuttujamenetelmiä käytettäessä. Väitöksen toisessa julkaisussa keskityttiin punahomeen kestävyyteen kauralla. Punahomeet (Fusarium-sienet) voivat muodostaa viljojen jyviin myrkyllisiä yhdisteitä (hometoksiineja), joille on määritetty EU:ssa raja-arvot. Saastuneet viljaerät aiheuttavat taloudellisia tappioita viljelijöille. Punahomeen kestävyys kauralla on haastava ominaisuus jalostaa, koska tautia ei voida luotettavasti havaita pellolla, vaan kestävyyden selvittäminen vaatii laboratorioanalyyseja. Lisäksi punahomeen kestävyys ei ole vain yksi ominaisuus vaan koostuu useammasta toisiinsa liittyneestä ominaisuudesta. Tutkimuksessa tehdyssä assosiaatiokartoituksessa ei löytynyt punahomeen kestävyyteen vaikuttavia geenialueita. Tuloksista voitiin päätellä, että kestävyyden nostamiseksi tulisi hyödyntää genomisia ennusteita, joissa ei hyödynnetä niinkään yksittäisiä kestävyyteen liittyviä geenialueita vaan rikastetaan kestävyyttä hyödyntäen kaikkia olemassa olevia kestävyysgeenialueita. Väitöksen kolmannessa julkaisussa tutkittiin genotyypin ja ympäristön yhdysvaikutuksen laajuutta kauran ja ohran jalostusohjelmissa. Yhdysvaikutus ilmenee, kun eri testauspaikoilla tai vuosina, tutkitut lajikkeet eivät järjesty samalla tavalla vaan järjestys vaihtelee huomattavasti. Yksi lajikekandidaatti ei ole paras jokaisella testauspaikalla. Tutkimuksen tulokset viittasivat siihen, että kauran tutkimusaineisto ei ollut yhtä riittävä aiheen tutkimiseen kuin ohralla. Tutkimuksessa myös ennustettiin satoa kuudella tilastollisella mallilla, joilla selvitettiin ennustamiskyvyn parantumista. Edistyneemmissä malleissa hyödynnettiin yhdysvaikutusta ja ympäristöä kuvaavia muuttujia, kuten koepaikkojen säätietoja. Ennustamiskyky parani molemmilla viljoilla, kun yhdysvaikutus lisättiin ennustemalliin. Tutkimuksen tulokset viittasivat siihen, että yhdysvaikutusta esiintyy molemmissa jalostusohjelmissa, ja se tulisi ottaa huomioon satoa ennustettaessa. Väitöksessä tehdyt tutkimukset osoittivat genomisen ennustamisen käyttökelpoisuuden jalostuksessa. Tutkimuksissa onnistuttiin parantamaan keskeisten jalostusominaisuuksien ennustamiskykyä, mikä potentiaalisesti mahdollistaa jalostuksen nopeutumisen ja tarkentumisen. Lisäksi tutkimuksessa osoitettiin yhdysvaikutuksen merkitys jalostusohjelmissa, ja ennen kaikkea todettiin, että historiallista jalostusohjelmassa kerättyä tietoa voidaan käyttää tärkeiden ominaisuuksien genomiseen ennustamiseen. Tutkimukset antavat käytännöllisiä työkaluja jalostukseen. Nämä työkalut ovat ensijaisen arvokkaita, kun halutaan vastata lisääntyvään ruoantuotannon tavoitteisiin, parantaa viljelyn tuottavuutta sekä tehostaa jalostusprosessia.
Subject: kasvinjalostus
Rights: This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.


Files in this item

Total number of downloads: Loading...

Files Size Format View
haikka_hanna_dissertation_2021.pdf 467.4Kb PDF View/Open

This item appears in the following Collection(s)

Show full item record