Integración de rasgos fisiológicos y de teledetección para una mejor predicción genómica del rendimiento del trigo

Área de la Ciencia:

• Agronomía y Ciencia de los Cultivos
• Genética y genómica
• Fisiología vegetal

Sus antecedentes:

• La selección genómica (GS) mejora la selección asistida por marcadores utilizando marcadores de todo el genoma para capturar la varianza genética de rasgos complejos.
• La predicción del rendimiento del trigo de pan (Triticum aestivum L.) es crucial para la seguridad alimentaria, especialmente en condiciones ambientales variables.

Objetivo del estudio:

• Desarrollar y evaluar modelos de predicción genómica para el rendimiento del grano de trigo de pan.
• Evaluar el impacto de la integración de rasgos fenológicos, fisiológicos y de fenotipo de alto rendimiento en condiciones de riego, sequía y estrés térmico terminal.

Principales métodos:

• Se han desarrollado modelos de predicción genómica utilizando esquemas de validación cruzada cinco veces y de exclusión de un entorno (LOEO).
• Integró varios rasgos fenómicos, incluidos los índices de vegetación de los datos espectrales, los días hasta el encabezado y el genotipo por interacción con el medio ambiente.
• Evaluación del rendimiento del modelo en tres condiciones ambientales distintas.

Principales resultados:

• El modelo que incorpora los índices de vegetación de la fase de relleno de granos mostró la mayor precisión en la validación cruzada.
• En caso de riego, la predicción de los días hasta la partida mejoró; en caso de sequía, los índices de vegetación de la etapa vegetativa fueron óptimos.
• Los modelos de estrés térmico terminal se beneficiaron del genotipo por interacción con el medio ambiente o los datos espectrales de las etapas vegetativa y de relleno de granos.

Conclusiones:

• La adaptación de los insumos fenómicos a contextos ambientales específicos es esencial para optimizar la predicción genómica del rendimiento del trigo.
• Si bien la integración de múltiples covariables puede mejorar la precisión, no se recomiendan modelos complejos con todos los datos debido a la disminución de los rendimientos y el aumento de los costos.