ABSTRACT Community association populations are composed of phenotypically and genetically diverse accessions. Once these populations are genotyped, the resulting marker data can be reused by different groups investigating the genetic basis of different traits. Because the same genotypes are observed and scored for a wide range of traits in different environments, these populations represent a unique resource to investigate both pleiotropy and genotype by environment interactions. Here we assembled a set of 234 separate trait datasets for the Sorghum Association Panel, a group of 406 sorghum genotypes widely employed by the sorghum genetics community. Comparison of genome wide association studies conducted with two independently generated marker sets for this population demonstrate that existing genetic marker sets do not saturate the genome and likely capture only 35-43% of potentially detectable loci controlling variation for traits scored in this population. While limited evidence for pleiotropy was apparent in cross-GWAS comparisons, a multivariate adaptive shrinkage approach recovered both known pleiotropic effects of existing loci and new pleiotropic effects, particularly significant impacts of known dwarfing genes on root architecture. In addition, we identified new loci with pleiotropic effects consistent with known trade-offs in sorghum development. These results demonstrate the potential for mining existing trait datasets from widely used community association populations to enable new discoveries from existing trait datasets as new, denser genetic marker datasets are generated for existing community association populations.

Abstract Association mapping panels represent foundational resources for understanding the genetic basis of phenotypic diversity and serve to advance plant breeding by exploring genetic variation across diverse accessions with distinct histories of evolutionary divergence and local adaptation. We report the whole-genome sequencing (WGS) of 400 sorghum [ Sorghum bicolor (L.) Moench] accessions from the Sorghum Association Panel (SAP) at an average coverage of 38X (25X-72X), enabling the development of a high-density genomic-marker set of 43,983,694 variants including SNPs (~ 38 million), indels (~ 5 million), and CNVs (170,000). We observe slightly more deletions among indels and a much higher prevalence of deletions among copy number variants compared to insertions. This new marker set enabled the identification of several putatively novel genomic associations for plant height and tannin content, which were not identified when using previous lower-density marker sets. WGS identified and scored variants in 5 kb bins where available genotyping-by-sequencing (GBS) data captured no variants, with half of all bins in the genome falling into this category. The predictive ability of genomic best unbiased linear predictor (GBLUP) models was increased by an average of 30% by using WGS markers rather than GBS markers. We identified 18 selection peaks across subpopulations that formed due to evolutionary divergence during domestication, and we found six F st peaks resulting from comparisons between converted lines and breeding lines within the SAP that were distinct from the peaks associated with historic selection. This population has been and continues to serve as a significant public resource for sorghum research and demonstrates the value of improving upon existing genomic resources. Author summary

Abstract The presence or absence of awns – whether wheat heads are ”bearded” or ”smooth”– is the most visible phenotype distinguishing wheat cultivars. Previous studies suggest that awns may improve yields in heat or water-stressed environments, but the exact contribution of awns to yield differences remains unclear. Here we leverage historical phenotypic, genotypic, and climate data to estimate the yield effects of awns under different environmental conditions over a 12-year period in the Southeast US. Lines were classified as awned or awnless based on sequence data, and observed heading dates were used to associate grain fill periods of each line in each environment with climatic data and grain yield. In most environments, awn suppression was associated with higher yields, but awns were associated with better performance in heat-stressed environments more common at southern locations. Wheat breeders in environments where awns are only beneficial in some years may consider selection for awned lines to reduce year-to-year yield variability, and with an eye towards future climates.

Abstract In plant breeding, selecting cross‐combinations that are more likely to result in superior lines for cultivar development is critical. This step, however, is subjective with decisions being based on available genomic and phenotypic data for prospective parents. Genomic prediction (GP) provides new opportunities to accelerate genetic gain for a target trait by identifying superior crosses through simulation of progeny performance. In this context, this study deployed GP using the phenotype and genotype of potential parents to predict the progeny genetic variance ( V G ) and means of overall, inferior 10%, and superior 10% ( μ, μ ip , and μ s p , respectively). This retrospective experimental design investigated whether the crosses that produced superior soft red winter wheat breeding lines would have been made if progeny simulations had guided crossing decisions of breeding programs. Here, data from historical wheat breeding lines were used to train GP models and predict V G and means for yield, test weight, heading date, and plant height for all combinations of 217 parents. Predicted and observed data for 670 lines derived from biparental crosses were compared to assess the accuracy of progeny simulations, and low‐to‐moderate prediction accuracy was observed for the four traits (0.25–0.52). Of the pedigrees that produced lines that were selected and advanced into later stage nurseries, 76% were predicted to give rise to progeny with above‐average yield. The moderate correlation found between predicted progeny means and observed line per se performance justifies using cross‐combination prediction as a tool to reduce crossing number and focus on segregating populations that harbor future cultivars.

Stripe rust is a severe disease affecting wheat (Triticum aestivum L.) production in the United States Southeast region, necessitating the identification of resistant sources. The study was conducted at the University of Arkansas, Fayetteville, and utilized a Randomized Block Design over three years. A total of 1130 lines were inoculated annually, and their responses for stripe rust were recorded. The results revealed that 11%, 79%, and 77% of the lines showed resistance in the first, second, and third years, respectively, with an overall 50% of the whole population. Linear Mixed Model and Generalized Estimating Equation analyses highlighted environmental influences, with cooler, humid conditions in 2021 favoring stripe rust, while warmer, variable conditions in 2022 and stable weather in 2023 contributed to lower disease severity. Data analysis of infection rates and disease development indicated that the newer generations of wheat lines tested in 2022 and 2023 exhibited higher resistance lines, lower infection rates, and slower disease progression. The findings support targeted breeding strategies for durable stripe rust resistance, emphasizing the importance of multi-environment testing and selection of lines with adult-plant resistance traits. This research offers valuable insights for breeders, agronomists, and farmers aiming to mitigate stripe rust impact through improved cultivars and informed management practices.

Abstract Soft red winter wheat ( Triticum aestivum L.; SRWW) is a major crop in the US southeast (SE) region. However, growing successful wheat crop is challenged by many stresses resulting in substantial losses in yield and quality. To alleviate these challenges, developing new cultivars with high yield potential with resistance to major pests in the region and good quality is warranted. This constitutes the major goal of the SRWW breeding programs ate the University of Georgia (UGA) and the regional institutions including the southern universities GRAINS (SUNGRAINS) programs. ‘GA09436‐16LE12’ (Reg. no. CV‐1209, PI 700011) SRWW cultivar was among the adapted wheat developed and released by the UGA College of Agricultural and Environmental Sciences in 2019. While GA09436‐16LE12 is generally adapted to the US SE region, it specifically well fit to the Georgia environments. It has high yield, very good resistance to most dominant diseases including leaf (caused by Puccinia triticina Erikss.) and stripe (caused by P. striiformis Westend.) rusts; powdery mildew (caused by Erisyphe graminis ); and Soil‐borne wheat mosaic virus . GA09436‐16LE12 has improved Fusarium head blight (caused by Fusarium graminearum Schwabe) which is reflected in lower levels of Deoxynivalenol toxin and Fusarium damaged kernels levels. It also showed moderate field resistance to Hessian fly [ Mayetiola destructor (Say)] although it is susceptible to the biotypes B, C, O, and L. GA09436‐16LE12 has good grain volume weight and good milling and baking quality as a SRWW.

Seedling establishment and seed nutritional quality require the sequestration of sufficient mineral nutrients. Identification of genes and alleles that modify element content in the grains of cereals, including Sorghum bicolor, is fundamental to developing breeding and selection methods aimed at increasing bioavailable mineral content and improving crop growth. We have developed a high throughput workflow for the simultaneous measurement of multiple elements in Sorghum seeds. We measured seed element levels in the genotyped Sorghum Association Panel (SAP), representing all major cultivated sorghum races from diverse geographic and climatic regions, and mapped alleles contributing to seed element variation across three environments by genome-wide association. We observed significant phenotypic and genetic correlation between several elements across multiple years and diverse environments. The power of combining high-precision measurements with genome wide association was demonstrated by implementing rank transformation and a multilocus mixed model (MLMM) to map alleles controlling 20 element traits, identifying 255 loci affecting the sorghum seed ionome. Sequence similarity to genes characterized in previous studies identified likely causative genes for the accumulation of zinc (Zn) manganese (Mn), nickel (Ni), calcium (Ca) and cadmium (Cd) in sorghum seed. In addition to strong candidates for these four elements, we provide a list of candidate loci for several other elements. Our approach enabled identification of SNPs in strong LD with causative polymorphisms that can be used directly in plant breeding and improvement.

Abstract Enhancing predictive modeling accuracy in wheat ( Triticum aestivum ) breeding through the integration of high‐throughput phenotyping (HTP) data with genomic information is crucial for maximizing genetic gain. In this study, spanning four locations in the southeastern United States over 3 years, models to predict grain yield (GY) were investigated through different cross‐validation approaches. The results demonstrate the superiority of multivariate comprehensive models that incorporate both genomic and HTP data, particularly in accurately predicting GY across diverse locations and years. These HTP‐incorporating models achieve prediction accuracies ranging from 0.59 to 0.68, compared to 0.40–0.54 for genomic‐only models when tested under different prediction scenarios both across years and locations. The comprehensive models exhibit superior generalization to new environments and achieve the highest accuracy when trained on diverse datasets. Predictive accuracy improves as models incorporate data from multiple years, highlighting the importance of considering temporal dynamics in modeling approaches. The study reveals that multivariate prediction outperformed genomic prediction methods in predicting lines across years and locations. The percentage of top 25% lines selected based on multivariate prediction was higher compared to genomic‐only models, indicated by higher specificity, which is the proportion of correctly identified top‐yielding lines that matched the observed top 25% performance across different sites and years. Additionally, the study addresses the prediction of untested locations based on other locations within the same year and in new years at previously tested locations. Findings show the comprehensive models effectively extrapolate to new environments, highlighting their potential for guiding breeding strategies.

Cereal grains, primarily composed of starch, protein, and fat, are major source of staple for human and animal nutrition. Sorghum, a cereal crop, serves as a dietary staple for over half a billion people in the semi-arid tropics of Africa and South Asia. Genomic prediction has enabled plant breeders to estimate breeding values of unobserved genotypes and environments. Therefore, the use of genomic prediction will be extremely valuable for compositional traits for which phenotyping is labor-intensive and destructive for most accurate results. We studied the potential of Bayesian multi-output regressor stacking (BMORS) model in improving prediction performance over single trait single environment (STSE) models using a grain sorghum diversity panel (GSDP) and a biparental recombinant inbred lines (RILs) population. A total of five highly correlated grain composition traits: amylose, fat, gross energy, protein and starch, with genomic heritability ranging from 0.24 to 0.59 in the GSDP and 0.69 to 0.83 in the RILs were studied. Average prediction accuracies from the STSE model were within a range of 0.4 to 0.6 for all traits across both populations except amylose (0.25) in the GSDP. Prediction accuracy for BMORS increased by 41% and 32% on average over STSE in the GSDP and RILs, respectively. Predicting whole environments by training with remaining environments in BMORS yielded higher average prediction accuracy than from STSE model. Our results show regression stacking methods such as BMORS have potential to accurately predict unobserved individuals and environments, and implementation of such models can accelerate genetic gain.