CC
Chenggen Chu
Author with expertise in Genetic Diversity and Breeding of Wheat
Achievements
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
6
(67% Open Access)
Cited by:
6
h-index:
22
/
i10-index:
32
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
6

Development of the Wheat Practical Haplotype Graph Database as a Resource for Genotyping Data Storage and Genotype Imputation

Katherine Jordan et al.Jun 11, 2021
Abstract To improve the efficiency of high-density genotype data storage and imputation in bread wheat ( Triticum aestivum L.), we applied the Practical Haplotype Graph (PHG) tool. The wheat PHG database was built using whole-exome capture sequencing data from a diverse set of 65 wheat accessions. Population haplotypes were inferred for the reference genome intervals defined by the boundaries of the high-quality gene models. Missing genotypes in the inference panels, composed of wheat cultivars or recombinant inbred lines genotyped by exome capture, genotyping-by-sequencing (GBS), or whole-genome skim-seq sequencing approaches, were imputed using the wheat PHG database. Though imputation accuracy varied depending on the method of sequencing and coverage depth, we found 93% imputation accuracy with 0.01x sequence coverage, which was only slightly lower than the accuracy obtained using the 0.5x sequence coverage (96.9%). Compared to Beagle, on average, PHG imputation was ~4% ( p-value = 0.00027) more accurate, and showed 27% higher accuracy at imputing a rare haplotype introgressed from a wild relative into wheat. The reduced accuracy of imputation with GBS data (90.4%) is likely associated with the small overlap between GBS markers and the exome capture dataset, which was used for constructing PHG. The highest imputation accuracy was obtained with exome capture for the wheat D genome, which also showed the highest levels of linkage disequlibrium and proportion of identity-by-descent regions among accessions in our reference panel. We demonstrate that genetic mapping based on genotypes imputed using PHG identifies SNPs with a broader range of effect sizes that together explain a higher proportion of genetic variance for heading date and meiotic crossover rate compared to previous studies.
6
Citation4
0
Save
0

Genome wide identification of QTL associated with yield and yield components in two popular wheat cultivars TAM 111 and TAM 112

Yan Yang et al.Jul 27, 2020
Abstract Two drought-tolerant wheat cultivars, ‘TAM 111’ and ‘TAM 112’, have been widely grown in the Southern Great Plains of the U.S. and used as parents in many wheat breeding programs worldwide. This study aimed to reveal genetic control of yield and yield components in the two cultivars under both dryland and irrigated conditions. A mapping population containing 124 F 5:7 recombinant inbred lines (RILs) was developed from the cross of TAM 112/TAM 111. A set of 5,948 SNPs from the wheat 90K iSelect array and double digest restriction-site associated DNA sequencing was used to construct high-density genetic maps. Data for yield and yield components were obtained from 11 environments. QTL analyses were performed based on 11 individual environments, across all environments, within and across mega-environments. Thirty-six unique consistent QTL regions were distributed on 13 chromosomes including 1A, 1B, 1D, 2A, 2D, 3D, 4B, 4D, 6A, 6B, 6D, 7B, and 7D. Ten unique QTL with pleiotropic effects were identified on four chromosomes and eight were in common with the consistent QTL. These QTL increased dry biomass grain yield by 16.3 g m −2 , plot yield by 28.1 g m −2 , kernels spike −1 by 0.7, spikes m −2 by 14.8, thousand kernel weight by 0.9 g with favorable alleles from either parent. TAM 112 alleles mainly increased spikes m −2 and thousand kernel weight while TMA 111 alleles increased kernels spike −1 , harvest index and grain yield. The saturated genetic map and markers linked to significant QTL from this study will be very useful in developing high throughput genotyping markers for tracking the desirable haplotypes of these important yield-related traits in popular parental cultivars.
0
Citation2
0
Save
0

Genetic drift, historic migration, and limited gene flow contributing to the subpopulation divergence in wild sea beet (Beta vulgaris ssp. maritima (L.) Arcang)

Muhammad Tehseen et al.Sep 6, 2024
Cultivated beet ( Beta vulgaris L. ssp. vulgaris ) originated from sea beet ( B . vulgaris ssp. maritima (L.) Arcang), a wild beet species widely distributed along the coasts of the Mediterranean Sea and Atlantic Ocean, as well as northern Africa. Understanding the evolution of sea beet will facilitate its efficient use in sugarbeet improvement. We used SNPs (single nucleotide polymorphisms) covering the whole genome to analyze 599 sea beet accessions collected from the north Atlantic Ocean and Mediterranean Sea coasts. All B . maritima accessions can be grouped into eight clusters with each corresponding to a specific geographic region. Clusters 2, 3 and 4 with accessions mainly collected from Mediterranean coasts are genetically close to each other as well as to Cluster 6 that contained mainly cultivated beet. Other clusters were relatively distinct from cultivated beets with Clusters 1 and 5 containing accessions from north Atlantic Ocean coasts, Clusters 7 and Cluster 8 mainly have accessions from northern Egypt and southern Europe, and northwest Morocco, respectively. Distribution of B . maritima subpopulations aligns well with the direction of marine currents that was considered a main dynamic force in spreading B . maritima during evolution. Estimation of genetic diversity indices supported the formation of B . maritima subpopulations due to local genetic drift, historic migration, and limited gene flow. Our results indicated that B . maritima originated from southern Europe and then spread to other regions through marine currents to form subpopulations. This research provides vital information for conserving, collecting, and utilizing wild sea beet to sustain sugarbeet improvement.
0

Registration of four durum wheat lines carrying Sr13 alleles for resistance to stem rust

Daryl Klindworth et al.Dec 3, 2024
Abstract Four durum wheat ( Triticum turgidum ssp. durum ) lines Rusty‐KLB (Reg. no. GP‐1098, PI 705448), Rusty‐14803 (Reg. no. GP‐1097, PI 705447), Rusty‐ST464C1 (Reg. no. GP‐1099, PI 705449), and CAT‐A1 (Reg. no. GP‐1096, PI 705446), which carry stem rust resistance gene Sr13 alleles Sr13a , Sr13b , Sr13c , and Sr13d , respectively, are released by USDA‐ARS. These alleles originated from cultivated emmer wheat ( T. turgidum ssp. dicoccum ) landrace Khapli (CItr 4013), T. turgidum ssp. polonicum accession CItr 14803, durum landrace ST464 (PI 191365), and durum line Camadi Abdu tipo #103 (PI 192168), respectively. Rusty‐KLB, Rusty‐14803, and Rusty‐ST464C1 are near‐isogenic lines with the pedigrees Rusty*7/KL‐B, Rusty*4/3/Rusty/CItr 14803//2*Rusty, and Rusty*7/ST464‐C1, respectively. KL‐B, ST464‐C1, and CAT‐A1 are monogenic lines with the pedigrees Marruecos 9623//Khapli/Marruecos 9623, Marruecos 9623*2/ST464, and Marruecos 9623*2/Camadi Abdu tipo #103, respectively. Sr13 can be detected by perfect markers including Kompetitive allele specific polymerase chain reaction (KASP) marker KASPSr13 and semi‐thermal asymmetric reverse polymerase chain reaction (STARP) markers rwgsnp37 . Specific alleles can be identified via STARP markers rwgsnp38 , rwgsnp39 , and rwgsnp40 . The Sr13 alleles provide a moderate level of resistance, typically an infection type 2, to a broad spectrum of stem rust races. Sr13c was effective against all 15 stem rust races tested while Sr13a was ineffective only against race TCMJC. Sr13b was ineffective against JRCQC, QCCJC, QFCSC, and TTRTF. Sr13d is notable in being the only Sr13 allele ineffective to TTKSK (Ug99) and TKTTF. These lines are useful for studying the host‐stem rust pathogen interactions, identifying new genes, and breeding durum and bread wheat cultivars with stem rust resistance.