Integración de la resecuenciación de todo el genoma y el aprendizaje automático para refinar el análisis QTL de los...

Área de la Ciencia:

• Genética de las plantas
• La genómica
• La bioinformática

Sus antecedentes:

• Los mapas genéticos de alta densidad son cruciales para el análisis genético eficiente y el descubrimiento de rasgos en los cultivos.
• La investigación genética del melocotón (Prunus persica) se beneficia de estrategias avanzadas de mapeo para comprender los complejos rasgos de calidad de la fruta.

Objetivo del estudio:

• Construir mapas genéticos de ultra-alta densidad para el melocotón utilizando una gran población de progenie F1 y amplios datos SNP.
• Identificar los genes principales y los loci de rasgos cuantitativos (QTL) que controlan los rasgos clave de las frutas.
• Desarrollar y evaluar modelos de aprendizaje automático para el fenotipo de rasgos de calidad de las frutas.

Principales métodos:

• Secuenciación de 235 descendientes de F1 de un cruce entre "Zhongyou Pan #9" y "September Free".
• Construcción de dos mapas genéticos parentales y uno combinado de alta densidad utilizando 134.277 polimorfismos de nucleótido único (SNP).
• Enlazamiento de marcadores e inferencia de genotipos únicos para gestionar la complejidad de los datos.
• Análisis de ocho rasgos relacionados con la fruta durante dos años, incluida la forma de la fruta, la adherencia de la carne, los sólidos solubles, la acidez, el peso, la madurez y el color de la carne.
• Desarrollo de un modelo lineal basado en el aprendizaje automático para la evaluación del color de la carne.

Principales resultados:

• Se han generado mapas de melocotón de densidad ultraalta con distancias genéticas totales de 431,9 cM y 594,2 cM, con una distancia media de 0,9 cM entre contenedores contiguos.
• Se logró una alta colinealidad entre los mapas construidos y el genoma del melocotón.
• Se localizaron dos genes principales (forma de la fruta "S", adhesión de la carne "F") y nueve QTL para varios rasgos cuantitativos de la fruta.
• Eficiencia superior demostrada del modelo de aprendizaje automático para el fenotipo del color de la carne en comparación con los parámetros colorimétricos tradicionales.
• Identificación de genes candidatos para los rasgos de calidad de las frutas basados en la posición del mapa, la expresión génica y la función.

Conclusiones:

• El estudio presenta nuevos mapas de melocotón de densidad ultra alta derivados de los datos de resecuenciación, lo que mejora significativamente la resolución del mapeo.
• Las estrategias de fenotipo basadas en el aprendizaje automático mejoran la precisión de la medición cuantitativa para el análisis de rasgos.
• Estos avances proporcionan valiosos recursos para comprender la base genética de los principales rasgos de calidad de la fruta en el melocotón.