Abstract Developing methodologies in the fields of phenomics and genomic prediction have the potential to increase the production of crop species by accelerating germplasm improvement. The integration of these technologies into germplasm improvement and breeding programs requires evidence that there will be a direct economic benefit to the program. We determined a basic set of parameters, such as prediction accuracy greater than 0.3, the ability to genotype over 7 lines for the cost of one phenotypic evaluation, and heritability levels below 0.4, at which the use of genomic selection would be of economic benefit in terms of genetic gain and operational costs to the Kansas State University (KSU) winter wheat breeding program. The breeding program was then examined to determine whether the parameters benefitting genomic selection were observed or achievable in a practical sense. Our results show that the KSU winter wheat breeding program is at a decision point with regards to their primary means of selection. A few operational changes to increase prediction accuracy would place the program in the parameter space where genomic selection is expected to outpace the current phenotypic selection methodology at a parity of the operation cost and would be of greatest benefit to the program.

Abstract The A-genome diploid wheats represent the earliest domesticated and cultivated wheat species in the Fertile Crescent and the donor of the wheat A sub-genome. The A-genome species encompass the cultivated einkorn ( Triticum . monococcum L. subsp. monococcum ), wild einkorn ( T. monococcum L. subsp. aegilopoides (Link) Thell.) and T. urartu . We evaluated the collection of 930 accessions in the Wheat Genetics Resource Center (WGRC), using genotyping-by-sequencing (GBS) and identified 13,089 curated SNPs. Genomic analysis detected misclassified and duplicated accessions with most duplicates originated from the same or a nearby locations. About 56% (n = 520) of the WGRC A-genome species collections were duplicates supporting the need for genomic characterization for effective curation and maintenance of these collections. Population structure analysis confirmed the morphology-based classifications of the accessions and reflected the species geographic distributions. We also showed that the T. urartu as the closest A-genome diploid to wheat through phylogenetic analysis. Population analysis within the wild einkorn group showed three genetically distinct clusters, which corresponded with wild einkorn races α, β, and γ described previously. The T. monococcum genome-wide F ST scan identified candidate genomic regions harboring domestication selection signature ( Btr1 ) on the short arm of chromosome 3A m at ~ 70 Mb. We established A-genome core set (79 accessions) based on allelic diversity, geographical distribution, and available phenotypic data. The individual species core set maintained at least 80% of allelic variants in the A-genome collection and constitute a valuable genetic resource to improve wheat and domesticated einkorn in breeding programs. One-sentence summary Genotyping of gene bank collections of diploid A-genome relatives of wheat uncovered relatively higher genetic diversity and unique evolutionary relationships which gives insight to the effective use of these germplasm for wheat improvement.

Background: Precise measurement of plant traits with precision and speed on large populations has emerged as a critical bottleneck in connecting genotype to phenotype in genetics and breeding. This bottleneck limits advancements in understanding plant genomes and the development of improved, high-yielding crop varieties. Results: Here we demonstrate the application of deep learning on proximal imaging from a mobile field vehicle to directly score plant morphology and developmental stages in wheat under field conditions. We developed and trained a convolutional neural network with image datasets labeled from expert visual scores and used this "breeder-trained" network to directly score wheat morphology and developmental stages. For both morphological (awned) and phenological (flowering time) traits, we demonstrate high heritability and extremely high accuracy against the "ground-truth" values from visual scoring. Using the traits scored by the network, we tested genotype-to-phenotype association using the deep learning phenotypes and uncovered novel epistatic interactions for flowering time. Enabled by the time-series high- throughput phenotyping, we describe a new phenotype as the rate of flowering and show heritable genetic control. Conclusions: We demonstrated a field-based high-throughput phenotyping approach using deep learning that can directly score morphological and developmental phenotypes in genetic populations. Most powerfully, the deep learning approach presented here gives a conceptual advancement in high-throughput plant phenotyping as it can potentially score any trait in any plant species through leveraging expert knowledge from breeders, geneticist, pathologists and physiologists.

Abstract Barley yellow dwarf (BYD) is one of the major viral diseases of cereals. Phenotyping BYD in wheat is extremely challenging due to similarities to other biotic and abiotic stresses. Breeding for resistance is additionally challenging as the wheat primary germplasm pool lacks genetic resistance, with most of the few resistance genes named to date originating from a wild relative species. The objectives of this study were to, i) evaluate the use of high-throughput phenotyping (HTP) from unmanned aerial systems to improve BYD assessment and selection, ii) identify genomic regions associated with BYD resistance, and iii) evaluate genomic prediction models ability to predict BYD resistance. Up to 107 wheat lines were phenotyped during each of five field seasons under both insecticide treated and untreated plots. Across all seasons, BYD severity was lower with the insecticide treatment and plant height (PTHTM) and grain yield (GY) showed increased values relative to untreated entries. Only 9.2% of the lines were positive for the presence of the translocated segment carrying resistance gene Bdv2 on chromosome 7DL. Despite the low frequency, this region was identified through association mapping. Furthermore, we mapped a potentially novel genomic region for resistance on chromosome 5AS. Given the variable heritability of the trait (0.211 – 0.806), we obtained relatively good predictive ability for BYD severity ranging between 0.06 – 0.26. Including Bdv2 on the predictive model had a large effect for predicting BYD but almost no effect for PTHTM and GY. This study was the first attempt to characterize BYD using field-HTP and apply GS to predict the disease severity. These methods have the potential to improve BYD characterization and identifying new sources of resistance will be crucial for delivering BYD resistant germplasm.