Advancements in next-generation sequencing technology have enabled whole genome re-sequencing in many species providing unprecedented discovery and characterization of molecular polymorphisms. There are limitations, however, to next-generation sequencing approaches for species with large complex genomes such as barley and wheat. Genotyping-by-sequencing (GBS) has been developed as a tool for association studies and genomics-assisted breeding in a range of species including those with complex genomes. GBS uses restriction enzymes for targeted complexity reduction followed by multiplex sequencing to produce high-quality polymorphism data at a relatively low per sample cost. Here we present a GBS approach for species that currently lack a reference genome sequence. We developed a novel two-enzyme GBS protocol and genotyped bi-parental barley and wheat populations to develop a genetically anchored reference map of identified SNPs and tags. We were able to map over 34,000 SNPs and 240,000 tags onto the Oregon Wolfe Barley reference map, and 20,000 SNPs and 367,000 tags on the Synthetic W9784 × Opata85 (SynOpDH) wheat reference map. To further evaluate GBS in wheat, we also constructed a de novo genetic map using only SNP markers from the GBS data. The GBS approach presented here provides a powerful method of developing high-density markers in species without a sequenced genome while providing valuable tools for anchoring and ordering physical maps and whole-genome shotgun sequence. Development of the sequenced reference genome(s) will in turn increase the utility of GBS data enabling physical mapping of genes and haplotype imputation of missing data. Finally, as a result of low per-sample costs, GBS will have broad application in genomics-assisted plant breeding programs.

Genetic linkage maps based on restriction fragment length polymorphisms are useful for many purposes; however, different populations are required to fulfill different objectives. Clones from the linkage map(s) are subsequently probed onto populations developed for special purposes such as gene tagging. Therefore, clones contained on the initial map(s) must be polymorphic on a wide range of genotypes to have maximum utility. The objectives of this research were to (i) calculate polymorphism information content values of 51 low-copy DNA clones and (ii) use the resulting values to choose potential mapping parents. Polymorphism information content was calculated using gene diversity by classifying restriction fragment patterns on a diverse set of 18 wheat genotypes. Combinations of potential parents were then compared by examining both the proportion of polymorphic clones and the likelihood that those mapped clones would give a polymorphism when used on other populations. Genotype pairs were identified that would map more highly informative DNA clones compared with a population derived from the most polymorphic potential parents. The methodologies used to characterize clones and rank potential parents should be applicable to other species and types of markers as well.

ABSTRACT Despite important strides in marker technologies, the use of marker‐assisted selection has stagnated for the improvement of quantitative traits. Biparental mating designs for the detection of loci affecting these traits (quantitative trait loci [QTL]) impede their application, and the statistical methods used are ill‐suited to the traits' polygenic nature. Genomic selection (GS) has been proposed to address these deficiencies. Genomic selection predicts the breeding values of lines in a population by analyzing their phenotypes and high‐density marker scores. A key to the success of GS is that it incorporates all marker information in the prediction model, thereby avoiding biased marker effect estimates and capturing more of the variation due to small‐effect QTL. In simulations, the correlation between true breeding value and the genomic estimated breeding value has reached levels of 0.85 even for polygenic low heritability traits. This level of accuracy is sufficient to consider selecting for agronomic performance using marker information alone. Such selection would substantially accelerate the breeding cycle, enhancing gains per unit time. It would dramatically change the role of phenotyping, which would then serve to update prediction models and no longer to select lines. While research to date shows the exceptional promise of GS, work remains to be done to validate it empirically and to incorporate it into breeding schemes.

Abstract Association mapping is a method for detection of gene effects based on linkage disequilibrium (LD) that complements QTL analysis in the development of tools for molecular plant breeding. In this study, association mapping was performed on a selected sample of 95 cultivars of soft winter wheat. Population structure was estimated on the basis of 36 unlinked simple-sequence repeat (SSR) markers. The extent of LD was estimated on chromosomes 2D and part of 5A, relative to the LD observed among unlinked markers. Consistent LD on chromosome 2D was <1 cM, whereas in the centromeric region of 5A, LD extended for ∼5 cM. Association of 62 SSR loci on chromosomes 2D, 5A, and 5B with kernel morphology and milling quality was analyzed through a mixed-effects model, where subpopulation was considered as a random factor and the marker tested was considered as a fixed factor. Permutations were used to adjust the threshold of significance for multiple testing within chromosomes. In agreement with previous QTL analysis, significant markers for kernel size were detected on the three chromosomes tested, and alleles potentially useful for selection were identified. Our results demonstrated that association mapping could complement and enhance previous QTL information for marker-assisted selection.

Domesticated crops experience strong human-mediated selection aimed at developing high-yielding varieties adapted to local conditions. To detect regions of the wheat genome subject to selection during improvement, we developed a high-throughput array to interrogate 9,000 gene-associated single-nucleotide polymorphisms (SNP) in a worldwide sample of 2,994 accessions of hexaploid wheat including landraces and modern cultivars. Using a SNP-based diversity map we characterized the impact of crop improvement on genomic and geographic patterns of genetic diversity. We found evidence of a small population bottleneck and extensive use of ancestral variation often traceable to founders of cultivars from diverse geographic regions. Analyzing genetic differentiation among populations and the extent of haplotype sharing, we identified allelic variants subjected to selection during improvement. Selective sweeps were found around genes involved in the regulation of flowering time and phenology. An introgression of a wild relative-derived gene conferring resistance to a fungal pathogen was detected by haplotype-based analysis. Comparing selective sweeps identified in different populations, we show that selection likely acts on distinct targets or multiple functionally equivalent alleles in different portions of the geographic range of wheat. The majority of the selected alleles were present at low frequency in local populations, suggesting either weak selection pressure or temporal variation in the targets of directional selection during breeding probably associated with changing agricultural practices or environmental conditions. The developed SNP chip and map of genetic variation provide a resource for advancing wheat breeding and supporting future population genomic and genome-wide association studies in wheat.

Genomic selection (GS) uses genomewide molecular markers to predict breeding values and make selections of individuals or breeding lines prior to phenotyping. Here we show that genotyping‐by‐sequencing (GBS) can be used for de novo genotyping of breeding panels and to develop accurate GS models, even for the large, complex, and polyploid wheat ( Triticum aestivum L.) genome. With GBS we discovered 41,371 single nucleotide polymorphisms (SNPs) in a set of 254 advanced breeding lines from CIMMYT's semiarid wheat breeding program. Four different methods were evaluated for imputing missing marker scores in this set of unmapped markers, including random forest regression and a newly developed multivariate‐normal expectation‐maximization algorithm, which gave more accurate imputation than heterozygous or mean imputation at the marker level, although no significant differences were observed in the accuracy of genomic‐estimated breeding values (GEBVs) among imputation methods. Genomic‐estimated breeding value prediction accuracies with GBS were 0.28 to 0.45 for grain yield, an improvement of 0.1 to 0.2 over an established marker platform for wheat. Genotyping‐by‐sequencing combines marker discovery and genotyping of large populations, making it an excellent marker platform for breeding applications even in the absence of a reference genome sequence or previous polymorphism discovery. In addition, the flexibility and low cost of GBS make this an ideal approach for genomics‐assisted breeding.

ABSTRACT Simulation and empirical studies of genomic selection (GS) show accuracies sufficient to generate rapid genetic gains. However, with the increased popularity of GS approaches, numerous models have been proposed and no comparative analysis is available to identify the most promising ones. Using eight wheat ( Triticum aestivum L.), barley ( Hordeum vulgare L.), Arabidopsis thaliana (L.) Heynh., and maize ( Zea mays L.) datasets, the predictive ability of currently available GS models along with several machine learning methods was evaluated by comparing accuracies, the genomic estimated breeding values (GEBVs), and the marker effects for each model. While a similar level of accuracy was observed for many models, the level of overfitting varied widely as did the computation time and the distribution of marker effect estimates. Our comparisons suggested that GS in plant breeding programs could be based on a reduced set of models such as the Bayesian Lasso, weighted Bayesian shrinkage regression (wBSR, a fast version of BayesB), and random forest (RF) (a machine learning method that could capture nonadditive effects). Linear combinations of different models were tested as well as bagging and boosting methods, but they did not improve accuracy. This study also showed large differences in accuracy between subpopulations within a dataset that could not always be explained by differences in phenotypic variance and size. The broad diversity of empirical datasets tested here adds evidence that GS could increase genetic gain per unit of time and cost.

ABSTRACT Advancements in genotyping are rapidly decreasing marker costs and increasing genome coverage. This is facilitating the use of marker‐assisted selection (MAS) in plant breeding. Commonly employed MAS strategies, however, are not well suited for agronomically important complex traits, requiring extra time for field‐based phenotyping to identify agronomically superior lines. Genomic selection (GS) is an emerging alternative to MAS that uses all marker information to calculate genomic estimated breeding values (GEBVs) for complex traits. Selections are made directly on GEBV without further phenotyping. We developed an analytical framework to (i) compare gains from MAS and GS for complex traits and (ii) provide a plant breeding context for interpreting results from studies on GEBV accuracy. We designed MAS and GS breeding strategies with equal budgets for a high‐investment maize ( Zea mays L.) program and a low‐investment winter wheat ( Triticum aestivum L.) program. Results indicate that GS can outperform MAS on a per‐year basis even at low GEBV accuracies. Using a previously reported GEBV accuracy of 0.53 for net merit in dairy cattle, expected annual gain from GS exceeded that of MAS by about threefold for maize and twofold for winter wheat. We conclude that if moderate selection accuracies can be achieved, GS could dramatically accelerate genetic gain through its shorter breeding cycle.