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 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 Recent technological advances in high-throughput phenotyping have created new opportunities for the prediction of complex traits. In particular, phenomic prediction using hyper-spectral reflectance could capture various signals that affect phenotypes genomic prediction might not explain. A total of 360 inbred maize lines with or without plant growth-promoting bacterial inoculation management under nitrogen stress were evaluated using 150 spectral wavelengths ranging from 386 to 1021 nm and 13,826 single-nucleotide polymorphisms. Six prediction models were explored to assess the predictive ability of hyperspectral and genomic data for inoculation status and plant growth-related traits. The best models for hyperspectral prediction were partial least squares and automated machine learning. The Bayesian ridge regression and BayesB were the best performers for genomic prediction. Overall, hyper-spectral prediction showed greater predictive ability for shoot dry mass and stalk diameter, whereas genomic prediction was better for plant height. The prediction models that simultaneously accommodated both hyperspectral and genomic data resulted in a predictive ability as high as that of phenomics or genomics alone. Our results highlight the usefulness of hyperspectral-based phenotyping for management and phenomic prediction studies. Core ideas Hyperspectral reflectance data can classify plant growth-promoting bacteria inoculation status Phenomic prediction performs better than genomic prediction depending on the target phenotype AutoML is a promising approach for automating hyperparameter tuning for classification and prediction

ABSTRACT Quantitative genetics states that phenotypic variation is a consequence of genetic and environmental factors and their subsequent interaction. Here, we present an enviromic assembly approach, which includes the use of ecophysiology knowledge in shaping environmental relatedness into whole-genome predictions (GP) for plant breeding (referred to as E-GP). We propose that the quality of an environment is defined by the core of environmental typologies (envirotype) and their frequencies, which describe different zones of plant adaptation. From that, we derive markers of environmental similarity cost-effectively. Combined with the traditional genomic sources (e.g., additive and dominance effects), this approach may better represent the putative phenotypic variation across diverse growing conditions (i.e., phenotypic plasticity). Additionally, we couple a genetic algorithm scheme to design optimized multi-environment field trials (MET), combining enviromic assembly and genomic kinships to provide in-silico realizations of the future genotype-environment combinations that must be phenotyped in the field. As a proof-of-concept, we highlight E-GP applications: (1) managing the lack of phenotypic information in training accurate GP models across diverse environments and (2) guiding an early screening for yield plasticity using optimized phenotyping efforts. Our approach was tested using two non-conventional cross-validation schemes to better visualize the benefits of enviromic assembly in sparse experimental networks. Results on tropical maize show that E-GP outperforms benchmark GP in all scenarios and cases tested. We show that for training accurate GP models, the genotype-environment combinations’ representativeness is more critical than the MET size. Furthermore, we discuss theoretical backgrounds underlying how the intrinsic envirotype-phenotype covariances within the phenotypic records of (MET) can impact the accuracy of GP and limits the potentialities of predictive breeding approaches. The E-GP is an efficient approach to better use environmental databases to deliver climate-smart solutions, reduce field costs, and anticipate future scenarios.

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 Maize flowering time is an important agronomic trait, which has been associated with variations in the genome size and heterochromatic knobs content. We integrated three steps to show this association. Firstly, we selected inbred lines varying for heterochromatic knob composition at specific sites in the homozygous state. Then, we produced homozygous and heterozygous hybrids for knobs. Second, we measured the genome size and flowering time for all materials. Knob composition did not affect the genome size and flowering time. Finally, we developed an association study and identified a knob marker on chromosome 9 showing the strongest association with flowering time. Indeed, modelling allele substitution and dominance effects could offer only one heterochromatic knob locus that could affect flowering time, making it earlier rather than the knob composition.

Abstract Hevea brasiliensis (rubber tree) is a large tree species of the Euphorbiaceae family with inestimable economic importance. Rubber tree breeding programs currently aim to improve growth and production, and the use of early genotype selection technologies can accelerate such processes, mainly with the incorporation of genomic tools, such as marker-assisted selection (MAS). However, few quantitative trait loci (QTLs) have been used successfully in MAS for complex characteristics. Recent research shows the efficiency of genome-wide association studies (GWAS) for locating QTL regions in different populations. In this way, the integration of GWAS, RNA-sequencing (RNA-Seq) methodologies, coexpression networks and enzyme networks can provide a better understanding of the molecular relationships involved in the definition of the phenotypes of interest, supplying research support for the development of appropriate genomic based strategies for breeding. In this context, this work presents the potential of using combined multiomics to decipher the mechanisms of genotype and phenotype associations involved in the growth of rubber trees. Using GWAS from a genotyping-by-sequencing (GBS) Hevea population, we were able to identify molecular markers in QTL regions with a main effect on rubber tree plant growth under constant water stress. The underlying genes were evaluated and incorporated into a gene coexpression network modelled with an assembled RNA-Seq-based transcriptome of the species, where novel gene relationships were estimated and evaluated through in silico methodologies, including an estimated enzymatic network. From all these analyses, we were able to estimate not only the main genes involved in defining the phenotype but also the interactions between a core of genes related to rubber tree growth at the transcriptional and translational levels. This work was the first to integrate multiomics analysis into the in-depth investigation of rubber tree plant growth, producing useful data for future genetic studies in the species and enhancing the efficiency of the species improvement programs.

Abstract Greenhouse-based high-throughput phenotyping (HTP) presents a useful approach for studying novel plant growth-promoting bacteria (PGPB). Despite the potential of this approach to leverage genetic variability for breeding new maize cultivars exhibiting highly stable symbiosis with PGPB, greenhouse-based HTP platforms are not yet widely used because they are highly expensive; hence, it is challenging to perform HTP studies under a limited budget. In this study, we built a low-cost greenhouse-based HTP platform to collect growth-related image-derived phenotypes. We assessed 360 inbred maize lines with or without PGPB inoculation under nitrogen-limited conditions. Plant height, canopy coverage, and canopy volume obtained from photogrammetry were evaluated five times during early maize development. A plant biomass index was constructed as a function of plant height and canopy coverage. Inoculation with PGPB promoted plant growth. Phenotypic correlations between the image-derived phenotypes and manual measurements were at least 0.6. The genomic heritability estimates of the image-derived phenotypes ranged from 0.23 to 0.54. Moderate-to-strong genomic correlations between the plant biomass index and shoot dry mass (0.24–0.47) and between HTP-based plant height and manually measured plant height (0.55–0.68) across the developmental stages showed the utility of our HTP platform. Collectively, our results demonstrate the usefulness of the low-cost HTP platform for large-scale genetic and management studies to capture plant growth. Core ideas A low-cost greenhouse-based HTP platform was developed. Image-derived phenotypes presented moderate to high genomic heritabilities and correlations. Plant growth-promoting bacteria can improve plant resilience under nitrogen-limited conditions.

Abstract Over the last ten years, global raspberry production has increased by 47.89%, based mainly on the red raspberry species (Rubus idaeus). However, the black raspberry (Rubus occidentalis), although less consumed, is resistant to one of the most important diseases for the crop, the late leaf rust caused by Acculeastrum americanum fungus. In this context, genetic resistance is the most sustainable way to control the disease, mainly because there are no registered fungicides for late leaf rust in Brazil. Therefore, the aim was to understand the genetic architecture that controls resistance to late leaf rust in raspberries. For that, we used an interspecific multi-parental population using the species mentioned above as parents, two different statistical approaches to associate the phenotypes with markers (GWAS and copula graphical models), and two phenotyping methodologies from the first to the seventeenth Day After Inoculation (D.A.I.) (high-throughput phenotyping with a multispectral camera and traditional phenotyping by disease severity scores). Our findings indicate that a locus of higher effect, at position 13.3 Mb on chromosome five, possibly controls late leaf rust resistance, as both GWAS and the network suggested the same marker. Of the twelve genes flanking its region, four were possible receptors, three were likely defense executors, one gene was likely part of signaling cascades, and four were classified as non-defense related. Although the network and GWAS indicated the same higher effect genomic region, the network identified other different candidate regions, potentially complementing the genetic control comprehension.

Abstract Several genomic prediction models incorporating genotype × environment (G×E) interactions have recently been developed and used in genomic selection (GS) in plant breeding programs. G×E interactions decrease selection accuracy and limit genetic gains in plant breeding. Two genomic data sets were used to compare the prediction ability of multi-environment G×E genomic models and two kernel methods (a linear kernel (genomic best linear unbiased predictor, GBLUP) (GB) and a nonlinear kernel (Gaussian kernel, GK)) and prediction accuracy (PA) of five genomic prediction models: (1) one without environmental data (BSG); (2) a single-environment, main genotypic effect model (SM); (3) a multi-environment, main genotypic effect model (MM); (4) a multi-environment, single variance GxE deviation model (MDs); and (5) a multi-environment, environment-specific variance GxE deviation model (MDe). We evaluated the utility of GS with 435 rubber tree individuals in two sites and genotyped the individuals with genotyping-by-sequencing (GBS) of single-nucleotide polymorphisms (SNPs). Prediction models were estimated for diameter (DAP) and height (AP) at different ages, with a heritability ranging from 0.59 to 0.75 for both traits. Applying the model (BSG, SM, MM, MDs, and MDe) and kernel method (GBLUP and GK) combinations to rubber tree data showed that models with the nonlinear GK and linear GBLUP kernel had similar PAs. Multi-environment models were superior to single-environment genomic models regardless the kernel (GBLUP or GK), suggesting that introducing interactions between markers and environmental conditions increases the proportion of variance explained by the model and, more importantly, the PA. In the best scenario (well-watered (WW / GK), an increase of 6.7 and 8.7 fold of genetic gain can be obtained for AP and DAP, respectively, with multi-environment GS (MM, MDe and MDS) than by conventional genetic breeding model (CBM). Furthermore, GS resulted in a more balanced selection response in DAP and AP and if used in conjunction with traditional genetic breeding programs will contribute to a reduction in selection time. With the rapid advances in and declining costs of genotyping methods, balanced against the overall costs of managing large progeny trials and potential increased gains per unit time, we are hopeful that GS can be implemented in rubber tree breeding programs.