Desenredar los efectos GxE de la soja en un flujo de trabajo integrado de predicción genómica y aprendizaje...

Área de la Ciencia:

• Genética vegetal
• Ciencias agrícolas
• La bioinformática

Sus antecedentes:

• Los modelos de predicción genómica tienen como objetivo mejorar la cría de cultivos prediciendo el rendimiento basado en marcadores genéticos.
• La integración de las interacciones de genotipo por entorno (GxE) puede mejorar la precisión de la predicción, especialmente en diversas condiciones ambientales.
• Los modelos clásicos de mejor predicción lineal imparcial genómica (GBLUP) se utilizan ampliamente, pero los modelos de aprendizaje automático (ML) se exploran cada vez más para la predicción genómica.

Objetivo del estudio:

• Comparar el rendimiento de los modelos GBLUP y ML para la predicción genómica en la soja.
• Investigar la utilidad de la descomposición de los efectos GxE en los principales componentes genéticos e interactivos.
• Desarrollar un enfoque ML-GWAS integrado para la detección de marcadores y la predicción genómica mejorada.

Principales métodos:

• Comparación de los modelos GBLUP de efectos mixtos lineales, GBLUP bayesiano, bosque aleatorio y aumento de gradiente extremo.
• Datos fenotípicos del conjunto de genotipos de soja EUCLEG de Bélgica y Serbia.
• Descomposición de los BLUP y ML-GWAS específicos del medio ambiente en los componentes genéticos y GxE.

Principales resultados:

• Los modelos bayesianos GBLUP y ML mostraron un rendimiento similar al GBLUP clásico.
• Los efectos de descomposición de GxE revelaron una mayor capacidad predictiva para el componente de interacción.
• El ML-GWAS identificó marcadores importantes tanto para los principales efectos genéticos como para las interacciones específicas del medio ambiente.
• Un modelo parsimonioso que utiliza 50 marcadores clave logró una capacidad predictiva comparable a los modelos que utilizan todos los marcadores.

Conclusiones:

• Un enfoque integrado de predicción genómica y ML-GWAS ofrece una alta capacidad predictiva y una detección eficaz de marcadores en la soja.
• La descomposición de los efectos GxE y la utilización de ML-GWAS proporciona información sobre la arquitectura genética en todos los entornos.
• Este enfoque facilita el mejoramiento asistido por marcadores para mejorar el rendimiento de los cultivos en condiciones ambientales variables.