ABSTRACT The selection of informative markers has been studied massively as an alternative to reduce genotyping costs for the genomic selection (GS) application. Low-density marker panels are attractive for GS because they decrease computational time-consuming and multicollinearity beyond more individuals can be genotyped with the same cost. Nevertheless, these inferences are usually made empirically using “static” training sets and populations, which are adequate only to predict a breeding program’s initial cycles but might not for long-term cycles. Moreover, to the best of our knowledge, none of these inferences considered the inclusion of dominance into the GS models, which is particularly important to predict cross-pollinated crops. Therefore, that reveals an important and unexplored topic for allogamous long-term breeding. To achieve this goal, we employed two approaches: the former used empirical maize datasets, and the latter simulations of long-term breeding cycles of phenotypic and genomic recurrent selection (intrapopulation and reciprocal). Then, we observed the reducing marker density effect on populations (mean, the best genotypes performance, accuracy, additive variance) over cycles and models (additive, additive-dominance, specific combining ability (SCA)). Our results indicate that the markers reduction based on different linkage disequili brium (LD) levels is viable only within a cycle and brings a significant decrease in predictive ability over generations. Furthermore, in the long-term, regardless of the selection scheme adopted, the more makers, the better because they buffer LD losses caused by recombination over breeding cycles. Finally, regarding the accuracy, the additive-dominant models tend to outperform the additive ones and perform similar to the SCA.

ABSTRACT Envirotyping is an essential technique used to unfold the non-genetic drivers associated with the phenotypic adaptation of living organisms. Here we introduce the EnvRtype R package, a novel toolkit developed to interplay large-scale envirotyping data (enviromics) into quantitative genomics. To start a user-friendly envirotyping pipeline, this package offers: (1) remote sensing tools for collecting (get_weather and extract_GIS functions) and processing ecophysiological variables (processWTH function) from raw environmental data at single locations or worldwide; (2) environmental characterization by typing environments and profiling descriptors of environmental quality (env_typing function), in addition to gathering environmental covariables as quantitative descriptors for predictive purposes (W_matrix function); and (3) identification of environmental similarity that can be used as an enviromic-based kernel (env_typing function) in whole-genome prediction (GP), aimed at increasing ecophysiological knowledge in genomic best-unbiased predictions (GBLUP) and emulating reaction norm effects (get_kernel and kernel_model functions). We highlight literature mining concepts in fine-tuning envirotyping parameters for each plant species and target growing environments. We show that envirotyping for predictive breeding collects raw data and processes it in an eco-physiologically-smart way. Examples of its use for creating global-scale envirotyping networks and integrating reaction-norm modeling in GP are also outlined. We conclude that EnvRtype provides a cost-effective envirotyping pipeline capable of providing high quality enviromic data for a diverse set of genomic-based studies, especially for increasing accuracy in GP across untested growing environments.

Abstract Genomic prediction (GP) success is directly dependent on establishing a training population, where incorporating envirotyping data and correlated traits may increase the GP accuracy. Therefore, we aimed to design optimized training sets for multi-trait for multi-environment trials (MTMET). For that, we evaluated the predictive ability of five GP models using the genomic best linear unbiased predictor model (GBLUP) with additive + dominance effects (M1) as the baseline and then adding genotype by environment interaction (G × E) (M2), enviromic data (W) (M3), W+G × E (M4), and finally W+G × W (M5), where G × W denotes the genotype by enviromic interaction. Moreover, we considered single-trait multi-environment trials (STMET) and MTMET for three traits: grain yield (GY), plant height (PH), and ear height (EH), with two datasets and two cross-validation schemes. Afterward, we built two kernels for genotype by environment by trait interaction (GET) and genotype by enviromic by trait interaction (GWT) to apply genetic algorithms to select genotype:environment:trait combinations that represent 98% of the variation of the whole dataset and composed the optimized training set (OTS). Using OTS based on enviromic data, it was possible to increase the response to selection per amount invested by 142%. Consequently, our results suggested that genetic algorithms of optimization associated with genomic and enviromic data efficiently design optimized training sets for genomic prediction and improve the genetic gains per dollar invested.

The selection of highly productive genotypes with stable performance across environments is a major challenge of plant breeding programs due to genotype-by-environment (GE) interactions. Over the years, different metrics have been proposed that aim at characterizing the superiority and/or stability of genotype performance across environments. However, these metrics are traditionally estimated using phenotypic values only and are not well suited to an unbalanced design in which genotypes are not observed in all environments. The objective of this research was to propose and evaluate new estimators of the following GE metrics: Ecovalence, Environmental Variance, Finlay-Wilkinson regression coefficient, and Lin-Binns superiority measure. Drawing from a multi-environment genomic prediction model, we derived the best linear unbiased prediction for each GE metric. These derivations included both a squared expectation and a variance term. To assess the effectiveness of our new estimators, we conducted simulations that varied in traits and environment parameters. In our results, new estimators consistently outperformed traditional phenotype-based estimators in terms of accuracy. By incorporating a variance term into our new estimators, in addition to the squared expectation term, we were able to improve the precision of our estimates, particularly for Ecovalence in situations where heritability was low and/or sparseness was high. All methods are implemented in a new R-package: GEmetrics. These genomic-based estimators enable estimating GE metrics in unbalanced designs and predicting GE metrics for new genotypes, which should help improve the selection efficiency of high-performance and stable genotypes across environments.