A high-quality reference for the sunflower genome (Helianthus annuus L.) and analysis of gene networks involved in flowering time and oil metabolism provide a basis for nutritional exploitation and analyses of adaptation to climate change. Nicolas Langlade and colleagues report the genome sequence of the domesticated sunflower, Helianthus annuus L., a global oil crop that can maintain stable yields across a wide range of environmental conditions. Their comparative analyses provide insights into the evolutionary history of Asterids. They also analysed transcriptomic data from vegetative and floral organs, re-sequenced 80 domesticated lines and performed genome-wide association studies identifying 35 loci associated with flowering time. These resources will be useful in breeding programs as well as ecological and evolutionary studies. The domesticated sunflower, Helianthus annuus L., is a global oil crop that has promise for climate change adaptation, because it can maintain stable yields across a wide variety of environmental conditions, including drought1. Even greater resilience is achievable through the mining of resistance alleles from compatible wild sunflower relatives2,3, including numerous extremophile species4. Here we report a high-quality reference for the sunflower genome (3.6 gigabases), together with extensive transcriptomic data from vegetative and floral organs. The genome mostly consists of highly similar, related sequences5 and required single-molecule real-time sequencing technologies for successful assembly. Genome analyses enabled the reconstruction of the evolutionary history of the Asterids, further establishing the existence of a whole-genome triplication at the base of the Asterids II clade6 and a sunflower-specific whole-genome duplication around 29 million years ago7. An integrative approach combining quantitative genetics, expression and diversity data permitted development of comprehensive gene networks for two major breeding traits, flowering time and oil metabolism, and revealed new candidate genes in these networks. We found that the genomic architecture of flowering time has been shaped by the most recent whole-genome duplication, which suggests that ancient paralogues can remain in the same regulatory networks for dozens of millions of years. This genome represents a cornerstone for future research programs aiming to exploit genetic diversity to improve biotic and abiotic stress resistance and oil production, while also considering agricultural constraints and human nutritional needs8,9.

Breeding programs face the challenge of integrating information from genomics and from quantitative trait loci (QTL) analysis in order to identify genomic sequences controlling the variation of important traits. Despite the development of integrative databases, building a consensus map of genes, QTL and other loci gathered from multiple maps remains a manual and tedious task. Nevertheless, this is a critical step to reveal co-locations between genes and QTL. Another important matter is to determine whether QTL linked to same traits or related ones is detected in independent experiments and located in the same region, and represents a single locus or not. Statistical tools such as meta-analysis can be used to answer this question. BioMercator has been developed to automate map compilation and QTL meta-analysis, and to visualize co-locations between genes and QTL through a graphical interface.Available upon request (http://moulon/~bioinfo/BioMercator/). Free of charge for academic use.

Abstract Crop wild relatives represent valuable sources of alleles for crop improvement, including adaptation to climate change and emerging diseases. However, introgressions from wild relatives might have deleterious effects on desirable traits, including yield, due to linkage drag. Here we comprehensively analyzed the genomic and phenotypic impacts of wild introgressions into cultivated sunflower to estimate the impacts of linkage drag. First, we generated new reference sequences for seven cultivated and one wild sunflower genotype, as well as improved assemblies for two additional cultivars. Next, relying on previously generated sequences from wild donor species, we identified introgressions in the cultivated reference sequences, as well as the sequence and structural variants they contain. We then used a ridge regression model to test the effects of the introgressions on phenotypic traits in the cultivated sunflower association mapping population. We found that introgression has introduced substantial sequence and structural variation into the cultivated sunflower gene pool, including > 3,000 new genes. While introgressions reduced genetic load at protein-coding sequences and positively affected traits associated with abiotic stress resistance, they mostly had negative impacts on yield and quality traits. Introgressions found at high frequency in the cultivated gene pool had larger effects than low frequency introgressions, suggesting that the former likely were targeted by artificial selection. Also, introgressions from more distantly related species were more likely to be maladaptive than those from the wild progenitor of cultivated sunflower. Thus, pre-breeding efforts should focus, as far as possible, on closely related and fully compatible wild relatives.

Heliaphen is an outdoor pot platform designed for high-throughput phenotyping. It allows automated management of drought scenarios and plant monitoring during the whole plant cycle. A robot moving between plants growing in 15L pots monitors plant water status and phenotypes plant or leaf morphology, from which we can compute more complex traits such as the response of leaf expansion (LE) or plant transpiration (TR) to water deficit. Here, we illustrate the platform capabilities for sunflower on two practical cases: a genetic and genomics study for the response to drought of yield-related traits and a simulation study, where we use measured parameters as inputs for a crop simulation model. For the genetic study, classical measurements of thousand-kernel weight (TKW) were done on a sunflower bi-parental population under water stress and control conditions managed automatically. The association study using the TKW drought-response highlighted five genetic markers. A complementary transcriptomic experiment identified closeby candidate genes differentially expressed in the parental backgrounds in drought conditions. For the simulation study, we used the SUNFLO crop simulation model to assess the impact of two traits measured on the platform (LE and TR) on crop yield in a large population of environments. We conducted simulations in 42 contrasted locations across Europe and 21 years of climate data. We defined the pattern of abiotic stresses occurring at this continental scale and identified ideotypes (i.e. genotypes with specific traits values) that are more adapted to specific environment types. This study exemplifies how phenotyping platforms can help with the identification of the genetic architecture of complex response traits and the estimation of eco-physiological model parameters in order to define ideotypes adapted to different environmental conditions.

Genome-wide association studies are a powerful and widely used tool to decipher the genetic control of complex traits. One of the main challenges for hybrid crops, such as maize or sunflower, is to model the hybrid vigor in the linear mixed models, considering the relatedness between individuals. Here, we compared two additive and three non-additive association models for their ability to identify genomic regions associated with flowering time in sunflower hybrids. A panel of 452 sunflower hybrids, corresponding to incomplete crossing between 36 male lines and 36 female lines, was phenotyped in five environments and genotyped for 2,204,423 SNPs. Intra-locus effects were estimated in multi-locus models to detect genomic regions associated with flowering time using the different models. Thirteen quantitative trait loci were identified in total, two with both model categories and one with only non-additive models. A quantitative trait loci on LG09, detected by both the additive and non-additive models, is located near a GAI homolog and is presented in detail. Overall, this study shows the added value of non-additive modeling of allelic effects for identifying genomic regions that control traits of interest and that could participate in the heterosis observed in hybrids.