ABSTRACT Despite being one of the most consumed vegetables in the United States, the elemental profile of sweet corn ( Zea mays L.) is limited in its dietary contributions. To address this through genetic improvement, a genome-wide association study was conducted for the concentrations of 15 elements in fresh kernels of a sweet corn association panel. In concordance with mapping results from mature maize kernels, we detected a probable pleiotropic association of zinc and iron concentrations with nicotianamine synthase5 ( nas5 ), which purportedly encodes an enzyme involved in synthesis of the metal chelator nicotianamine. Additionally, a pervasive association signal was identified for cadmium concentration within a recombination suppressed region on chromosome 2. The likely causal gene underlying this signal was heavy metal ATPase3 ( hma3 ), whose counterpart in rice, OsHMA3 , mediates vacuolar sequestration of cadmium and zinc in roots, whereby regulating zinc homeostasis and cadmium accumulation in grains. In our association panel, hma3 associated with cadmium but not zinc accumulation in fresh kernels. This finding implies that selection for low cadmium will not affect zinc levels in fresh kernels. Although less resolved association signals were detected for boron, nickel, and calcium, all 15 elements were shown to have moderate predictive abilities via whole-genome prediction. Collectively, these results help enhance our genomics-assisted breeding efforts centered on improving the elemental profile of fresh sweet corn kernels.

ABSTRACT Sweet corn is consistently one of the most highly consumed vegetables in the U.S., providing a valuable opportunity to increase nutrient intake through biofortification. Significant variation for carotenoid (provitamin A, lutein, zeaxanthin) and tocochromanol (vitamin E, antioxidants) levels is present in temperate sweet corn germplasm, yet previous genome-wide association studies (GWAS) of these traits have been limited by low statistical power and mapping resolution. Here, we employed a high-quality transcriptomic dataset collected from fresh sweet corn kernels to conduct transcriptome-wide association studies (TWAS) and transcriptome prediction studies for 39 carotenoid and tocochromanol traits. In agreement with previous GWAS findings, TWAS detected significant associations for four causal genes, β-carotene hydroxylase (crtRB1) , lycopene epsilon cyclase ( lcyE ), γ-tocopherol methyltransferase ( vte4 ), and homogentisate geranylgeranyltransferase ( hggt1 ) on a transcriptome-wide level. Pathway-level analysis revealed additional associations for deoxy-xylulose synthase2 ( dxs2 ), diphosphocytidyl methyl erythritol synthase2 ( dmes2 ), cytidine methyl kinase1 ( cmk1 ), and geranylgeranyl hydrogenase1 ( ggh1 ), of which, dmes2, cmk1 , and ggh1 have not previously been identified through maize association studies. Evaluation of prediction models incorporating genome-wide markers and transcriptome-wide abundances revealed a trait-dependent benefit to the inclusion of both genomic and transcriptomic data over solely genomic data, but both transcriptome- and genome-wide datasets outperformed a priori candidate gene-targeted prediction models for most traits. Altogether, this study represents an important step towards understanding the role of regulatory variation in the accumulation of vitamins in fresh sweet corn kernels. Core Ideas Transcriptomic data aid the study of vitamin levels in fresh sweet corn kernels. crtRB1, lcyE, dxs2, dmes2 , and cmk1 were associated with carotenoid traits. vte4, hggt1 , and ggh1 were associated with tocochromanol traits. Transcriptomic data boosted predictive ability over genomic data alone for some traits. Joint transcriptome- and genome-wide models achieved the highest predictive abilities.

Collecting useful, interpretable, and biologically relevant phenotypes in a resource-efficient manner is a bottleneck to plant breeding, genetic mapping, and genomic prediction. Autonomous and affordable sub-canopy rovers are an efficient and scalable way to generate sensor-based datasets of in-field crop plants. Rovers equipped with light detection and ranging (LiDar) can produce three-dimensional reconstructions of entire hybrid maize fields. In this study, we collected 2,103 LiDar scans of hybrid maize field plots and extracted phenotypic data from them by Latent Space Phenotyping (LSP). We performed LSP by two methods, principal component analysis (PCA) and a convolutional autoencoder, to extract meaningful, quantitative Latent Space Phenotypes (LSPs) describing whole-plant architecture and biomass distribution. The LSPs had heritabilities of up to 0.44, similar to some manually measured traits, indicating they can be selected on or genetically mapped. Manually measured traits can be successfully predicted by using LSPs as explanatory variables in partial least squares regression, indicating the LSPs contain biologically relevant information about plant architecture. These techniques can be used to assess crop architecture at a reduced cost and in an automated fashion for breeding, research, or extension purposes, as well as to create or inform crop growth models.

The cuticle, a hydrophobic layer of cutin and waxes synthesized by plant epidermal cells, is the major barrier to water loss when stomata are closed at night and under water-limited conditions. Elucidating the genetic architecture of natural variation for leaf cuticular conductance (gc) is important for identifying genes relevant to improving crop productivity in drought-prone environments. To this end, we conducted a genome-wide association study of adult leaves in a maize inbred association panel that was evaluated in four environments (Maricopa, AZ, and San Diego, CA in 2016 and 2017). Five genomic regions significantly associated with gc were resolved to seven plausible candidate genes (ISTL1, two SEC14 homologs, cyclase-associated protein, a CER7 homolog, GDSL lipase, and β-D-XYLOSIDASE 4). These candidates are potentially involved in cuticle biosynthesis, trafficking and deposition of cuticle lipids, cutin polymerization, and cell wall modification. Laser microdissection RNA sequencing revealed that all these candidate genes, with the exception of the CER7 homolog, were expressed in the zone of the expanding adult maize leaf where cuticle maturation occurs. With direct application to genetic improvement, moderately high average predictive abilities were observed for whole-genome prediction of gc in locations (0.46 and 0.45) and across all environments (0.52). The findings of this study provide novel insights into the genetic control of gc and have the potential to help breeders more effectively develop drought-tolerant maize for target environments.

The cuticle is a hydrophobic layer on the outer surface plant shoots, which serves as an important interaction interface with the environment. It consists of the lipid polymer cutin, embedded with and covered by waxes, and provides protection against stresses including desiccation, UV radiation, and pathogen attack. Bulliform cells form in longitudinal strips on the adaxial leaf surface, and have been implicated in the leaf rolling response observed in drought stressed grass leaves. In this study, we show that bulliform cells of the adult maize leaf epidermis have a specialized cuticle, and we investigate its function along with that of bulliform cells themselves. Analysis of natural variation was used to relate bulliform strip pattering to leaf rolling rate, providing evidence of a role for bulliform cells in leaf rolling. Bulliform cells displayed increased shrinkage compared to other epidermal cell types during dehydration of the leaf, providing a potential mechanism to facilitate leaf rolling. Comparisons of cuticular conductance between adaxial and abaxial leaf surfaces, and between bulliform-enriched mutants vs. wild type siblings, provided evidence that bulliform cells lose water across the cuticle more rapidly than other epidermal cell types. Bulliform cell cuticles have a distinct ultrastructure, and differences in cutin monomer content and composition, compared to other leaf epidermal cells. We hypothesize that this cell type-specific cuticle is more water permeable than the epidermal pavement cell cuticle, facilitating the function of bulliform cells in stress-induced leaf rolling observed in grasses.

Abstract Design randomizations and spatial corrections have increased understanding of genotypic, spatial, and residual effects in field experiments, but precisely measuring spatial heterogeneity in the field remains a challenge. To this end, our study evaluated approaches to improve spatial modeling using high-throughput phenotypes (HTP) via unoccupied aerial vehicle (UAV) imagery. The normalized difference vegetation index (NDVI) was measured by a multi-spectral MicaSense camera and ImageBreed. Contrasting to baseline agronomic trait spatial correction and a baseline multi-trait model, a two-stage approach that quantified NDVI local environmental effects (NLEE) was proposed. Firstly, NLEE were separated from additive genetic effects over the growing season using two-dimensional spline (2DSpl), separable autoregressive (AR1) models, or random regression models (RR). Secondly, the NLEE were leveraged within agronomic trait genomic best linear unbiased prediction (GBLUP) either modeling an empirical covariance for random effects, or by modeling fixed effects as an average of NLEE across time or split among three growth phases. Modeling approaches were tested using simulation data and Genomes-to-Fields (G2F) hybrid maize ( Zea mays L.) field experiments in 2015, 2017, 2019, and 2020 for grain yield, grain moisture, and ear height. The two-stage approach improved heritability, model fit, and genotypic effect estimation compared to all baseline models. Electrical conductance and elevation from a 2019 soil survey significantly improved model fit, while 2DSpl NLEE were most correlated to the soil parameters and grain yield 2DSpl effects. Simulation of field effects demonstrated improved specificity for RR models. In summary, NLEE increased experimental accuracy and understanding of field spatio-temporal heterogeneity.