Abstract Seed traits, such as seed color and seed size, directly impact seed quality, affecting the marketability and value of dry peas [1]. Assessing seed quality is integral to a plant breeding programs to ensure optimal seed standards. This research introduced a phenotyping tool to assess seed quality traits specifically tailored for pulse crops, which integrates image processing with cutting-edge deep learning models. The proposed method is designed for automation, seamlessly processing a sequence of images while minimizing human intervention. The pipeline standardized red-green-blue (RGB) images captured from a color light box and used deep learning models to segment and detect seed features. Our method extracted up to 86 distinct seed characteristics, ranging from basic size metrics to intricate texture details and color nuances. Compared to traditional methods, our pipeline demonstrated a 95 percent similarity in seed quality assessment and increased time efficiency (from 2 weeks to 30 minutes for processing time). Specifically, we observed an improvement in the accuracy of seed trait identification by simply using an RGB value instead of a categorical, non-standard description, which allowed for an increase in the range of detectable seed quality characteristics. By integrating conventional image processing techniques with foundational deep learning models, this approach emerges as a pivotal instrument in pulse breeding programs, guaranteeing the maintenance of superior seed quality standards.

ABSTRACT Phenotypic selection in preliminary yield trials (PYT) is challenged by limited seeds, resulting in trials with few replications and environments. The emergence of multi-trait multi-environment enabled genomic prediction (MTME-GP) offers opportunity for enhancing prediction accuracy and genetic gain across multiple traits and diverse environments. Using a set of 300 advanced breeding lines in the North Dakota State University (NDSU) pulse crop breeding program, we assessed the efficiency of a MTME-GP model for improving seed yield and protein content in field peas in stress and non-stress environments. MTME-GP significantly improved predictive ability, improving up to 2.5-fold, particularly when a significant number of genotypes overlapped across environments. Heritability of the training environments contributed significantly to the overall prediction of the model. Average predictive ability ranged from 3 to 7-folds when environments with low heritability were excluded from the training set. Overall, the Reproducing Kernel Hilbert Spaces (RKHS) model consistently resulted in improved predictive ability across all breeding scenarios considered in our study. Our results lay the groundwork for further exploration, including integration of diverse traits, incorporation of deep learning techniques, and the utilization of multi-omics data in predictive modeling. Core ideas Phenotypic selection in PYT is challenged by limited seeds, resulting to few replications and environments. MTME-GP offers opportunity for enhancing prediction accuracy of multi-trait and diverse environments in PYT. MTME-GP enhances prediction by up to 2.5-fold, especially with numerous overlapping genotypes in various tested environments. RKHS MTME-GP models, excels in low-heritability, negatively correlated traits, like drought-affected conditions.

Abstract Background Effective population size ( N e ) is a pivotal parameter in population genetics as it can provide information on the rate of inbreeding and the contemporary status of genetic diversity in breeding populations. The population with smaller N e can lead to faster inbreeding, with little potential for genetic gain making selections ineffective. The importance of N e has become increasingly recognized in plant breeding, which can help breeders monitor and enhance the genetic variability or redesign their selection protocols. Here, we present the first N e estimates based on linkage disequilibrium (LD) in the pea genome. Results We calculated and compared N e using SNP markers from North Dakota State University (NDSU) modern breeding lines and United States Department of Agriculture (USDA) diversity panel. The extent of LD was highly variable not only between populations but also among different regions and chromosomes of the genome. Overall, NDSU had a higher and longer-range LD than the USDA that could extend up to 500Kb, with a genome-wide average r 2 of 0.57 (vs 0.34), likely due to its lower recombination rates and the selection background. The estimated N e for the USDA was nearly three-fold higher ( N e = 174) than NDSU ( N e = 64), which can be confounded by a high degree of population structure due to the selfing nature of pea. Conclusions Our results provided insights into the genetic diversity of the germplasm studied, which can guide plant breeders to actively monitor N e in successive cycles of breeding to sustain viability of the breeding efforts in the long term.

Abstract The superiority of multi-trait genomic selection (MT-GS) over univariate genomic selection (UNI-GS) can be improved by redesigning the phenotyping strategy. In this study, we used about 300 advanced breeding lines from North Dakota State University (NDSU) pulse breeding program and about 200 USDA accessions evaluated for ten nutritional traits to assess the efficiency of sparse testing in MT-GS. Our results showed that sparse phenotyping using MT-GS consistently outperformed UNI-GS when compared to partially balanced phenotyping using MT-GS. This strategy can be further extended to multi-environment multi-trait GS to improve prediction performance and reduce the cost of phenotyping and time-consuming data collection process. Given that MT-GS relies on borrowing information from genetically correlated traits and relatives, consideration should be given to trait combinations in the training and prediction sets to improve model parameters estimate and ultimately prediction performance. Our results point to heritability and genetic correlation between traits as possible parameters to achieve this objective.

Abstract Phenotypic evaluation and efficient utilization of germplasm collections can be time-intensive, laborious, and expensive. However, with the plummeting costs of next-generation sequencing and the addition of genomic selection to the plant breeder’s toolbox, we now can more efficiently tap the genetic diversity within large germplasm collections. In this study, we applied and evaluated genomic selection’s potential to a set of 482 pea accessions – genotyped with 30,600 single nucleotide polymorphic (SNP) markers and phenotyped for seed yield and yield-related components – for enhancing selection of accessions from the USDA Pea Germplasm Collection. Genomic prediction models and several factors affecting predictive ability were evaluated in a series of cross-validation schemes across complex traits. Different genomic prediction models gave similar results, with predictive ability across traits ranging from 0.23 to 0.60, with no model working best across all traits. Increasing the training population size improved the predictive ability of most traits, including seed yield. Predictive abilities increased and reached a plateau with increasing number of markers presumably due to extensive linkage disequilibrium in the pea genome. Accounting for population structure effects did not significantly boost predictive ability, but we observed a slight improvement in seed yield. By applying the best genomic prediction model (e.g., RR-BLUP), we then examined the distribution of genotyped but nonphenotyped accessions and the reliability of genomic estimated breeding values (GEBV). The distribution of GEBV suggested that none of the nonphenotyped accessions were expected to perform outside the range of the phenotyped accessions. Desirable breeding values with higher reliability can be used to identify and screen favorable germplasm accessions. Expanding the training set and incorporating additional orthogonal information (e.g., transcriptomics, proteomics, metabolomics, physiological traits, etc.) into the genomic prediction framework could enhance prediction accuracy.