Summary In wheat, a lack of genetic diversity between breeding lines has been recognized as a significant block to future yield increases. Species belonging to bread wheat's secondary and tertiary gene pools harbour a much greater level of genetic variability, and are an important source of genes to broaden its genetic base. Introgression of novel genes from progenitors and related species has been widely employed to improve the agronomic characteristics of hexaploid wheat, but this approach has been hampered by a lack of markers that can be used to track introduced chromosome segments. Here, we describe the identification of a large number of single nucleotide polymorphisms that can be used to genotype hexaploid wheat and to identify and track introgressions from a variety of sources. We have validated these markers using an ultra‐high‐density Axiom ® genotyping array to characterize a range of diploid, tetraploid and hexaploid wheat accessions and wheat relatives. To facilitate the use of these, both the markers and the associated sequence and genotype information have been made available through an interactive web site.

Abstract Aegilops tauschii, the diploid wild progenitor of the D-subgenome of bread wheat, constitutes a reservoir of genetic diversity for improving bread wheat performance and environmental resilience. To better define and understand this diversity, we sequenced 242 Ae. tauschii accessions and compared them to the wheat D-subgenome. We characterized a rare, geographically-restricted lineage of Ae. tauschii and discovered that it contributed to the wheat D-subgenome, thereby elucidating the origin of bread wheat from at least two independent hybridizations. We then used k -mer-based association mapping to identify discrete genomic regions with candidate genes for disease and pest resistance and demonstrated their functional transfer into wheat by transgenesis and wide crossing, including the generation of a library of ‘synthetic’ hexaploids incorporating diverse Ae. tauschii genomes. This pipeline permits rapid trait discovery in the diploid ancestor through to functional genetic validation in a hexaploid background amenable to breeding.

ABSTRACT Wheat, the most important food crop, is threatened by a blast disease pandemic. Here, we show that a clonal lineage of the wheat blast fungus recently spread to Asia and Africa following two independent introductions from South America. Through a combination of genome analyses and laboratory experiments, we show that the decade-old blast pandemic lineage can be controlled by the Rmg8 disease resistance gene and is sensitive to strobilurin fungicides. However, we also highlight the potential of the pandemic clone to evolve fungicide-insensitive variants and sexually recombine with African lineages. This underscores the urgent need for genomic surveillance to track and mitigate the spread of wheat blast outside of South America, and to guide pre-emptive wheat breeding for blast resistance.

Abstract Background Breeding has helped improve bread wheat yield significantly over the last century. Understanding the potential for future crop improvement depends on relating segregating genetic variation to agronomic traits. Results We bred NIAB Diverse MAGIC population, comprising over 500 recombinant inbred lines, descended from sixteen bread wheat varieties released between 1935-2004. We sequenced the founders’ exomes and promotors by capture. Despite being highly representative of North-West European wheat and capturing 73% of global polymorphism, we found 89% of genes contained no more than three haplotypes. We sequenced each line with 0.3x coverage whole-genome sequencing, and imputed 1.1M high-quality SNPs that were over 99% concordant with array genotypes. Imputation accuracy remained high at coverage as low as 0.076x, with or without the use of founder genomes as reference panels. We created a genotype-phenotype map for 47 traits over two years. We found 136 genome-wide significant associations, concentrated at 42 genetic loci with large and often pleiotropic effects. Outside of these loci most traits are polygenic, as revealed by multi-locus shrinkage modelling. Conclusions Historically, wheat breeding has reshuffled a limited palette of haplotypes; continued improvement will require selection at dozens of loci of diminishing effect, as most of the major loci we mapped are known. Breeding to optimise one trait generates correlated trait changes, exemplified by the negative trade-off between yield and protein content, unless selection and recombination can break critical unfavourable trait-trait associations. Finally, low coverage whole genome sequencing of bread wheat populations is an economical and accurate genotyping strategy.

ABSTRACT Linking high-throughput environmental data (enviromics) into genomic prediction (GP) is a cost-effective strategy for increasing selection intensity under genotype-by-environment interactions (G×E). This study developed a data-driven approach based on Environment-Phenotype Associations (EPA) aimed at recycling important G×E information from historical breeding data. EPA was developed in two applications: (1) scanning a secondary source of genetic variation, weighted from the shared reaction-norms of past-evaluated genotypes; (2) pinpointing weights of the similarity among trial-sites (locations), given the historical impact of each envirotyping data variable for a given site. Then, the EPA outcomes were integrated into multi-environment GP models through a new single-step GBLUP. The wheat trial data used included 36 locations, 8 years and 3 target populations of environments (TPE) in India. Four prediction scenarios and 6 kernel-models within/across TPEs were tested. Our results suggest that the conventional GBLUP, without enviromic data or when omitting EPA, is inefficient in predicting the performance of wheat lines in future years. However, when EPA was introduced as an intermediary learning step to reduce the dimensionality of the G×E kernels while connecting phenotypic and environmental-wide variation, a significant enhancement of G×E prediction accuracy was evident. EPA revealed that the effect of seasonality makes strategies such as “covariable selection” unfeasible because G×E is year-germplasm specific. We propose that the EPA effectively serves as a “reinforcement learner” algorithm capable of uncovering the effect of seasonality over the reaction-norms, with the benefits of better forecasting the similarities between past and future trialing sites. EPA combines the benefits of dimensionality reduction while reducing the uncertainty of genotype-by-year predictions and increasing the resolution of GP for the genotype-specific level.

Abstract Cereal crop breeders have achieved considerable genetic gain in genetically complex traits, such as grain yield, while maintaining genetic diversity. However, focus on selection for yield has negatively impacted other important traits. To better understand selection within a breeding context, and how it might be optimised, we analysed genotypic and phenotypic data from a diverse, 16-founder wheat multi-parent advanced generation inter-cross (MAGIC) population. Compared to single-trait models, multi-trait ensemble genomic prediction models increased prediction accuracy for almost 90% of traits, improving grain yield prediction accuracy by 3-52%. For complex traits, non-parametric models (Random Forest) also outperformed simplified, additive models (LASSO), increasing grain yield prediction accuracy by 10-36%. Simulations of recurrent genomic selection then showed that sustained greater forward prediction accuracy optimised long-term genetic gains. Simulations of selection on grain yield found indirect responses in related traits, which involved optimisation of antagonistic trait relationships. We found multi-trait selection indices could be used to optimise undesirable relationships, such as the trade-off between grain yield and protein content, or combine traits of interest, such as yield and weed competitive ability. Simulations of phenotypic selection found that including Random Forest rather than LASSO genetic models, and multi-trait rather than single-trait models as the true genetic model, accelerated and extended long-term genetic gain whilst maintaining genetic diversity. These results suggest important roles of pleiotropy and epistasis in the wider context of wheat breeding programmes and provide insights into mechanisms for continued genetic gain in a limited genepool and optimisation of multiple traits for crop improvement.

Abstract There is a strong pressure to reduce nitrogen (N) fertiliser inputs while maintaining or increasing current cereal crop yields. Brassinosteroids, (BR), are a group of phytohormones essential for plant growth and development, that have been demonstrated to regulate several agronomic traits. DWF4 encodes a cytochrome P450 that catalyses a rate-limiting step in BR synthesis. We show that overexpression of the dominant shoot expressed homoeologue TaDWF4-B in wheat can increase plant productivity by up to 105% under a range of N levels on marginal soils, resulting in increased N use efficiency (NUE). We show that a two to four-fold increase in TaDWF4 transcript levels enhances the responsiveness of genes regulated by N. The productivity increases seen were primarily due to the maintenance of photosystem II operating efficiency and carbon assimilation in plants when grown under limiting N conditions and not an overall increase in photosynthesis capacity. The increased biomass production and yield per plant in TaDWF4 OE lines could be linked to modified carbon partitioning and changes in expression pattern of the growth regulator Target Of Rapamycin, offering a route towards breeding for sustained yield and lower N inputs.

Genomic selection offers several routes for increasing genetic gain or efficiency of plant breeding programs. In various species of livestock there is empirical evidence of increased rates of genetic gain from the use of genomic selection to target different aspects of the breeders equation. Accurate predictions of genomic breeding value are central to this and the design of training sets is in turn central to achieving sufficient levels of accuracy. In summary, small numbers of close relatives and very large numbers of distant relatives are expected to enable accurate predictions. To quantify the effect of some of the properties of training sets on the accuracy of genomic selection in crops we performed an extensive field-based winter wheat trial. In summary, this trial involved the construction of 44 F2:4 biparental and triparental populations, from which 2992 lines were grown on four field locations and yield was measured. For each line, genotype data were generated for 25,000 segregating single nucleotide polymorphism markers. The overall heritability of yield was estimated to 0.65, and estimates within individual families ranged between 0.10 and 0.85. Within cross genomic prediction accuracies of yield BLUEs were 0.125 to 0.127 using two different cross-validation approaches, and generally increased with training set size. Using related crosses in training and validation sets generally resulted in higher prediction accuracies than using unrelated crosses. The results of this study emphasize the importance of the training set design in relation to the genetic material to which the resulting prediction model is to be applied.

High throughput genotyping arrays have provided a cost effective, reliable and interoperable system for genotyping hexaploid wheat and its related germplasm pool. Existing, highly cited arrays including our 35K Axiom wheat breeder9s genotyping array and the Illumina 90K iSelect array were designed based on a limited amount of varietal sequence diversity and with imperfect knowledge of SNP positions. Recent progress in sequencing wheat varieties and landraces has given us access to a vast pool of SNP diversity, whilst technological improvements in array design has allowed us to fit significantly more probes onto a 384-well format Axiom array than was previously possible. Here we describe a novel High Density Axiom genotyping array, the Triticum aestivum Next Generation array (TaNG), largely derived from whole genome skim sequencing of 204 elite wheat lines and 111 wheat landraces taken from the Watkins "Core Collection". We use a novel "minimal marker" optimisation approach to select up to six SNPs in each 1.5 MB region of the wheat genome with the highest combined varietal discrimination potential. A design iteration step allowed us to test and replace skim-sequence derived SNPs which failed to convert to reliable Axiom markers, resulting in a final design, designated TaNG1.1 with 43,372 SNPs derived from a haplotype-optimised combination of novel SNPs, DArTAG- derived and legacy wheat Axiom markers. We show that this design has an even distribution of SNPs across chromosomes and sub-genomes compared to previous arrays and can be used to generate genetic maps with a significantly higher number of distinct bins than our previous Axiom array. We also demonstrate the improved performance of TaNG1.1 for Genome Wide Association Studies (GWAS) and its utility for Copy Number Variation (CNV) analysis. The array is commercially available, and the marker annotations, initial genotyping results and software used to generate the optimised marker sets are freely available.

Genetic resistance is the most economic and environmentally sustainable approach for crop disease protection. Disease resistance (R) genes from wild relatives are a valuable resource for breeding resistant crops. However, introgression of R genes into crops is a lengthy process often associated with co-integration of deleterious linked genes and pathogens can rapidly evolve to overcome R genes when deployed singly. Introducing multiple cloned R genes into crops as a stack would avoid linkage drag and delay emergence of resistance-breaking pathogen races. However, current R gene cloning methods require segregating or mutant progenies, which are difficult to generate for many wild relatives due to poor agronomic traits. We exploited natural pan-genome variation in a wild diploid wheat by combining association genetics with R gene enrichment sequencing (AgRenSeq) to clone four stem rust resistance genes in <6 months. RenSeq combined with diversity panels is therefore a major advance in isolating R genes for engineering broad-spectrum resistance in crops.