Abstract To cope with the challenges faced by agriculture, speeding-up breeding programs is a worthy endeavor, especially for perennials such as grapevine, but requires understanding the genetic architecture of target traits. To go beyond the mapping of quantitative trait locus (QTL) in bi-parental crosses, we exploited a diverse panel of 279 Vitis vinifera L. cultivars. This panel planted in five blocks in the vineyard was phenotyped over several years for 127 traits including yield components, organic acids, aroma precursors, polyphenols, and a water stress indicator. The panel was genotyped for 63k single nucleotide polymorphisms (SNPs) by combining an 18K microarray and genotyping-by-sequencing (GBS). The experimental design allowed to reliably assess the genotypic values for most traits. Marker densification via GBS markedly increased the proportion of genetic variance explained by SNPs, and two multi-SNP models identified QTLs not found by a SNP-by-SNP model. Overall, 489 reliable QTLs were detected for 41% more response variables than by a SNP-by-SNP model with microarray-only SNPs, many new ones compared to the results from bi-parental crosses. Prediction accuracy higher than 0.42 was obtained for 50% of the response variables. Our overall approach as well as QTL and prediction results provide insights into the genetic architecture of target traits. New candidate genes and the application in breeding are discussed.

Abstract Crop breeding involves two selection steps: choosing progenitors and selecting offspring within progenies. Genomic prediction, based on genome-wide marker estimation of genetic values, could facilitate these steps. However, its potential usefulness in grapevine ( Vitis vinifera L.) has only been evaluated in non-breeding contexts mainly through cross-validation within a single population. We tested across-population genomic prediction in a more realistic breeding configuration, from a diversity panel to ten bi-parental crosses connected within a half-diallel mating design. Prediction quality was evaluated over 15 traits of interest (related to yield, berry composition, phenology and vigour), for both the average genetic value of each cross (cross mean) and the genetic values of individuals within each cross (individual values). Genomic prediction in these conditions was found useful: for cross mean, average per-trait predictive ability was 0.6, while per-cross predictive ability was halved on average, but reached a maximum of 0.7. Mean predictive ability for individual values within crosses was 0.26, about half the within-half-diallel value taken as a reference. For some traits and/or crosses, these across-population predictive ability values are promising for implementing genomic selection in grapevine breeding. This study also provided key insights on variables affecting predictive ability. Per-cross predictive ability was well predicted by genetic distance between parents and when this predictive ability was below 0.6, it was improved by training set optimization. For individual values, predictive ability mostly depended on trait-related variables (magnitude of the cross effect and heritability). These results will greatly help designing grapevine breeding programs assisted by genomic prediction.