Mejorar la precisión de la predicción del rendimiento del cacahuete mediante la integración de marcadores...

Área de la Ciencia:

• Mejoramiento vegetal
• La genética
• Ciencias agrícolas

Sus antecedentes:

• Los ensayos de múltiples entornos son cruciales para el mejoramiento de plantas para comprender la interacción genotipo por entorno (G × E).
• Los efectos G × E significativos pueden alterar las clasificaciones de rendimiento del genotipo, complicando la selección.
• La predicción precisa del rendimiento del genotipo en todos los entornos es vital para los programas de cría eficientes.

Objetivo del estudio:

• Evaluar la eficacia de cuatro modelos de predicción genómica (GP) para predecir los rasgos relacionados con el rendimiento de las cacahuetes.
• Evaluar el impacto de la incorporación de datos genómicos y G × E en la capacidad predictiva.
• Determinar la estrategia óptima de modelado de GP para diferentes escenarios de cría, en particular aquellos con datos fenotípicos limitados.

Principales métodos:

• Se compararon cuatro modelos de GP (fenotípico, genómico, genómico + G × E, genómico + G × E + marcadores significativos).
• Los modelos se probaron a través de tres rasgos de cacahuete (rendimiento de vaina, peso de la semilla, 100 peso de la semilla) en cuatro ambientes.
• Se utilizaron cuatro esquemas de validación cruzada que simulaban varios escenarios de cría.

Principales resultados:

• Los modelos GP (M2, M3, M4) que incorporan datos de marcadores superaron constantemente al modelo fenotípico (M1).
• Incluyendo G × E (M3, M4) mejoró aún más la capacidad predictiva y redujo las variaciones.
• La estrategia de incluir marcadores significativos y G × E fue más ventajosa en escenarios de validación cruzada con datos fenotípicos limitados (CV1, CV00).

Conclusiones:

• La integración de marcadores significativos y el modelado G × E en modelos GP mejora la precisión predictiva en el mejoramiento de cacahuetes.
• Este enfoque es particularmente valioso para seleccionar genotipos superiores cuando los datos fenotípicos son escasos.
• Los modelos de GP optimizados pueden acelerar las ganancias genéticas y mejorar la eficiencia de los programas de mejoramiento de cacahuetes.