Plants respond with changes in their pattern of gene expression and protein products when exposed to low temperatures. Thus ability to adapt has an impact on the distribution and survival of the plant, and on crop yields. Many species of tropical or subtropical origin are injured or killed by non-freezing low temperatures, and exhibit various symptoms of chilling injury such as chlorosis, necrosis, or growth retardation. In contrast, chilling tolerant species are able to grow at such cold temperatures. Conventional breeding methods have met with limited success in improving the cold tolerance of important crop plants involving inter-specific or inter-generic hybridization. Recent studies involving full genome profiling/ sequencing, mutational and transgenic plant analyses, have provided a deep insight of the complex transcriptional mechanism that operates under cold stress. The alterations in expression of genes in response to cold temperatures are followed by increases in the levels of hundreds of metabolites, some of which are known to have protective effects against the damaging effects of cold stress. Various low temperature inducible genes have been isolated from plants. Most appear to be involved in tolerance to cold stress and the expression of some of them is regulated by C-repeat binding factor/ dehydration-responsive element binding (CBF/DREB1) transcription factors. Numerous physiological and molecular changes occur during cold acclimation which reveals that the cold resistance is more complex than perceived and involves more than one pathway. The findings summarized in this review have shown potential practical applications for breeding cold tolerance in crop and horticultural plants suitable to temperate geographical locations.

ABSTRACT Accurate measurement of seed size parameters is essential for both: breeding efforts□aimed at□enhancing yields and basic research□focused on discovering genetic components that regulate seed size. To address this need, we have developed an open-source graphical user interface (GUI) software, SeedExtractor that□determines seed size and shape (including area, perimeter, length, width, circularity, and centroid), and seed color with capability to process a large number of images in a time-efficient manner. In this context, our application takes ∼2 seconds for analyzing an image, i.e. significantly less compared to the other tools. As this software is open-source, it can be modified by users□to serve more specific needs. The adaptability of SeedExtractor was demonstrated by analyzing scanned seeds from multiple crops. We further validated the utility of this application by analyzing mature-rice seeds from 231 accessions in Rice Diversity Panel 1. The derived seed-size traits, such as seed length, width, were subjected to genome-wide association analysis. We identified well-known loci for regulating seed length ( GS3 ) and width ( qSW5/GW5 ) in rice, which demonstrated the accuracy of this application to extract seed phenotypes and accelerate trait discovery. In summary, we present a publicly available application that can be used to determine key yield-related traits in crops. HIGHLIGHT SeedExtractor is an open-source application designed to accurately measure seed size and seed color in a time-efficient manner for a wide variety of plant species.

Global nighttime temperatures are rising at twice the rate of daytime temperatures and pose a challenge for rice (Oryza sativa) production. High nighttime temperature (HNT) stress affects rice yield by reducing grain weight, size, and fertility. Although the genes associated with these yield parameters have been identified and characterized under normal temperatures, the genetic basis of grain weight regulation under HNT stress remains less explored. We examined the natural variation for rice single grain weight (SGW) under HNT stress imposed during grain development. A genome-wide association analysis identified several loci associated with grain weight under HNT stress. A locus, single grain weight 1 (SGW1), specific to HNT conditions resolved to LONELY GUY-Like 1 (LOGL1), which encodes a putative cytokinin activation enzyme. We demonstrated that LOGL1 contributes to allelic variation at SGW1. Accessions with lower LOGL1 transcript abundance had higher grain weight under HNT. This was supported by higher grain weight of logl1 mutants relative to the wild type under HNT. Compared to logl1 mutants, LOGL1 over-expressers showed increased sensitivity to HNT. We showed that LOGL1 regulates the thiamine biosynthesis pathway, which is under circadian regulation, which in turn is likely perturbed by HNT stress. These findings provide a genetic source to enhance rice adaptation to warming night temperatures and improve our mechanistic understanding of HNT stress tolerance pathways.

Abstract Genetic gain is a crucial parameter to check the breeding program’s success and help optimize future breeding strategies for enhanced genetic gains. In this work, IRRI’s historical data from the Philippines and Bangladesh of the salinity breeding program was used to estimate the genetic gains and identify the best lines based on higher breeding values for yield as a future genetic resource. Two-stage mixed-model approach accounting for experimental design factors and pedigrees was adopted to obtain the breeding values for yield and estimate genetic trends under the salinity conditions. A positive genetic trend of 0.1% per annum with a yield advantage of 1.52 kg/ha for the Philippines and 0.31% per annum with a yield advantage of 14.02 kg/ha for Bangladesh datasets was observed. For the released varieties, genetic gain was 0.12% per annum with a yield advantage of 2.2 kg/ha/year and 0.14% per annum with a yield advantage of 5.9 kg/ha/year, respectively. Further, based on higher breeding values for grain yield, a core set of the top 145 genotypes with higher breeding values of >2400 kg/ha in the Philippines and >3500 kg/ha in Bangladesh with a selection accuracy >0.4 were selected for formulating the elite breeding panel as a future breeding resource. Conclusively, higher genetic gains are pivotal in IRRI’s rice salinity breeding program, which requires a holistic breeding approach with a major paradigm shift in breeding strategies to enhance genetic gains. Key Message Estimating genetic gains and formulating a future salinity elite breeding panel for rice pave the way for developing better high-yielding salinity tolerant lines with enhanced genetic gains.

ABSTRACT Prediction of phenotype through genotyping data using the emerging machine or deep learning technology has been proven successful in genomic prediction. We present here a graphical processing unit (GPU) enabled DeepMap configurable deep learning-based python package for the genomic prediction of quantitative phenotype traits. We found that deep learning captures non-linear patterns more efficiently than conventional statistical methods. Furthermore, we suggest an additional module inclusion of epistasis interactions and training of the model on Graphical Processing Units (GPUs) in addition to Central Processing Unit (CPU) to enhance efficiency and increase the model’s performance. We developed and demonstrated the application of DeepMap using a 3K rice genome panel and 1K-Rice Custom Amplicon (1kRiCA) data for several phenotypic traits including days to 50% flowering (DTF), number of productive tillers (NPT), panicle length (PL), plant height (PH), and plot yield (PY). We have found that DeepMap outperformed the best existing state-of-the-art models by giving higher predictive correlation and low mean squared error for the datasets studied. This prediction performance was higher than other compared models in the range of 13-31%. Similarly for Dataset-2, significantly higher predictions were observed than the compared models (16-20% higher prediction ability). On Dataset-3, we have also shown the better and versatile performance of our model across crops (wheat, maize, and soybean) for yield and yield-related traits. This demonstrates the potentiality of the framework and ease of use for future research in crop improvement. The DeepMap is accessible at https://test.pypi.org/project/DeepMap-1.0/ . Short Summary DeepMap is a deep learning-based breeder-friendly python package to perform genomic prediction. It utilizes epistatic interactions for data augmentation and outperforms the existing state-of-the-art machine/deep learning models such as Bayesian LASSO, GBLUP, DeepGS, and dualCNN. DeepMap developed for rice and tested across crops such as maize, wheat, soybean etc.

Abstract Inferring trait networks from a large volume of genetically correlated diverse phenotypes such as yield, architecture, and disease resistance can provide information on the manner in which complex phenotypes are interrelated. However, studies on statistical methods tailored to multi-dimensional phenotypes are limited, whereas numerous methods are available for evaluating the massive number of genetic markers. Factor analysis operates at the level of latent variables predicted to generate observed responses. The objectives of this study were to illustrate the manner in which data-driven exploratory factor analysis can map observed phenotypes into a smaller number of latent variables and infer a genomic latent factor network using 45 agro-morphological, disease, and grain mineral phenotypes measured in synthetic hexaploid wheat lines ( Triticum Aestivum L. ). In total, eight latent factors including grain yield, architecture, flag leaf-related traits, grain minerals, yellow rust, two types of stem rust, and leaf rust were identified as common sources of the observed phenotypes. The genetic component of the factor scores for each latent variable was fed into a Bayesian network to obtain a trait structure reflecting the genetic interdependency among traits. Three directed paths were consistently identified by two Bayesian network algorithms. Flag leaf-related traits influenced leaf rust, and yellow rust and stem rust influenced grain yield. Additional paths that were identified included flag leaf-related traits to minerals and minerals to architecture. This study shows that data-driven exploratory factor analysis can reveal smaller dimensional common latent phenotypes that are likely to give rise to numerous observed field phenotypes without relying on prior biological knowledge. The inferred genomic latent factor structure from the Bayesian network provides insights for plant breeding to simultaneously improve multiple traits, as an intervention on one trait will affect the values of focal phenotypes in an interrelated complex trait system.

Due to advancements in sensor-based, non-destructive phenotyping platforms, researchers are increasingly collecting data with higher temporal resolution. These phenotypes collected over several time points are cataloged as longitudinal traits and used for genome-wide association studies (GWAS). Longitudinal GWAS typically yield a large number of output files, posing a significant challenge for data interpretation and visualization. Efficient, dynamic, and integrative data visualization tools are essential for the interpretation of longitudinal GWAS results for biologists but are not widely available to the community. We have developed a flexible and user-friendly Shiny-based online application, ShinyAIM, to dynamically view and interpret temporal GWAS results. The main features of the application include (i) interactive Manhattan plots for single time points, (ii) grid plot to view Manhattan plots for all time points simultaneously, (iii) dynamic scatter plots for p-value-filtered selected markers to investigate co-localized genomic regions across time points, (iv) and interactive phenotypic data visualization to capture variation and trends in phenotypes. The application is written entirely in the R language and can be used with limited programming experience. ShinyAIM is deployed online as a Shiny web server application at https://chikudaisei.shinyapps.io/shinyaim/, enabling easy access for users without installation.

Genome-wide association mapping identifies quantitative trait loci (QTL) that influence the mean differences between the marker genotypes for a given trait. While most loci influence the mean value of a trait, certain loci, known as variance heterogeneity QTL (vQTL) determine the variability of the trait instead of the mean trait value (mQTL). In the present study, we performed a variance heterogeneity genome-wide association study (vGWAS) for grain cadmium (Cd) concentration in bread wheat. We used double generalized linear model and hierarchical generalized linear model to identify vQTL associated with grain Cd. We identified novel vQTL regions on chromosomes 2A and 2B that contribute to the Cd variation and loci that affect both mean and variance heterogeneity (mvQTL) on chromosome 5A. In addition, our results demonstrated the presence of epistatic interactions between vQTL and mvQTL, which could explain variance heterogeneity. Overall, we provide novel insights into the genetic architecture of grain Cd concentration and report the first application of vGWAS in wheat. Moreover, our findings indicated that epistasis is an important mechanism underlying natural variation for grain Cd concentration.

Abstract For over a decade RNA interference (RNAi) has been an important molecular tool for functional genomics studies in parasitic flatworms. Despite this, our understanding of RNAi dynamics in many flatworm parasites, such as the temperate liver fluke ( Fasciola hepatica ), remains rudimentary. The ability to maintain developing juvenile fluke in vitro provides the opportunity to perform functional studies during development of the key pathogenic life stage. Here, we investigate the RNAi competence of developing juvenile liver fluke. Firstly, all life stages examined possess, and express, core candidate RNAi effectors encouraging the hypothesis that all life stages of F. hepatica are RNAi competent. RNAi effector analyses supported growing evidence that parasitic flatworms have evolved a separate clade of RNAi effectors with unknown function. Secondly, we assessed the impact of growth / development during in vitro culture on RNAi in F. hepatica juveniles and found that during the first week post-excystment liver fluke juveniles exhibit quantitatively lower RNAi mediated transcript knockdown when maintained in growth inducing media. This did not appear to occur in older in vitro juveniles, suggesting that rapidly shifting transcript dynamics over the first week following excystment alters RNAi efficacy after a single 24 hour exposure to double stranded (ds)RNA. Finally, RNAi efficiency was found to be improved through use of a repeated dsRNA exposure methodology that has facilitated silencing of genes in a range of tissues, thereby increasing the utility of RNAi as a functional genomics tool in F. hepatica .