利用历史农学数据开发基因组预测策略,在路易斯安那州的甘品种开发计划中进行早期克隆选择

科学领域:

• 植物育种 植物育种
• 遗传学 是一个遗传学.
• 农业科学 农业科学

背景情况:

• 甘 (Saccharum L.) 是糖和生物燃料生产的全球重要作物.
• 加快遗传收益对于提高甘和糖在甘育种计划中的产量至关重要.
• 基因组选择 (GS) 提供了一种强大的方法来提高繁殖效率.

研究的目的:

• 评估基因组选择对多种甘特征的预测能力 (PA).
• 为了比较各种统计和机器学习模型对基因组预测的性能.
• 评估早期选择和标记物密度对育种计划结果的影响.

主要方法:

• 从567种甘基因型中利用了20451个单核酸多态 (SNP) 和基因组估计的繁殖值 (GEBV).
• 应用了22个统计和机器学习模型,包括随机森林和支持矢量机 (SVM).
• 分析了路易斯安那州甘育种计划五个阶段的数据,包括阶段内和跨阶段的预测.

主要成果:

• 具有高遗传性的特征 (例如,理论可回收糖 - TRS,茎重 - SW) 显示出更高的PA.
• 机器学习方法在预测具有低遗传性的特征以及TRS和糖产量 (SY) 的跨阶段预测方面表现出色.
• 考虑早期可用的特征 (茎数 - NS,TRS) 的多特征选择在后期阶段显著改善了SY的PA.

结论:

• 基因组选择,特别是机器学习模型,提高了甘关键特征的预测准确度.
• 使用多特征模型的早期选择可以大大提高对SY等重要的繁殖目标的预测能力.
• 优化的标记物密度 (约9091个SNP) 足以在甘育种中进行有效的基因组预测.