ABSTRACT Wheat ( Triticum aestivum L.) is crucial to global food security, but is often threatened by diseases, pests, and environmental stresses. Wheat stem sawfly ( Cephus cinctus Norton) poeses a major threat to food security in the United States, and solid-stem varieties, which carry the stem-solidness locus ( Sst1 ), are the main source of genetic resistance against sawfly. Marker-assisted selection uses molecular markers to identify lines possessing beneficial haplotypes, like that of the Sst1 locus. In this study, an R package titled "HaploCatcher" was developed to predict specific haplotypes of interest in genome-wide genotyped lines. A training population of 1,056 lines genotyped for the Sst1 locus, known to confer stem solidness, and genome-wide markers was curated to make predictions of the Sst1 haplotypes for 292 lines from the Colorado State University wheat breeding program. Predicted Sst1 haplotypes were compared to marker derived haplotypes. Our results indicated that the training set was substantially predictive, with kappa scores of 0.83 for k-nearest neighbors and 0.88 for random forest models. Forward validation on newly developed breeding lines demonstrated that a random forest model, trained on the total available training data, had comparable accuracy between forward and cross-validation. Estimated group means of lines classified by haplotypes from PCR-derived markers and predictive modeling did not significantly differ. The HaploCatcher package is freely available and may be utilized by breeding programs, using their own training populations, to predict haplotypes for whole genome sequenced early generation material. CORE IDEAS Identification, introgression, and frequency increase of large effect loci are important for cultivar development. The Sst1 locus has a significant effect on cutting score in fields exposed to sawfly infestation. Historical genetic information can be utilized to predict haplotypes for lines which have genome-wide genetic data. An R package, HaploCatcher, has been developed to facilitate this analysis in other programs.

Fusarium head blight (FHB) remains one of the most destructive diseases of wheat (Triticum aestivum L.), causing considerable losses in yield and end-use quality. Phenotyping of FHB resistance traits, Fusarium-damaged kernels (FDK), and deoxynivalenol (DON), is either prone to human biases or resource expensive, hindering the progress in breeding for FHB-resistant cultivars. Though genomic selection (GS) can be an effective way to select these traits, inaccurate phenotyping remains a hurdle in exploiting this approach. Here, we used an artificial intelligence (AI)-based precise FDK estimation that exhibits high heritability and correlation with DON. Further, GS using AI-based FDK (FDK_QVIS/FDK_QNIR) showed a two-fold increase in predictive ability (PA) compared to GS for traditionally estimated FDK (FDK_V). Next, the AI-based FDK was evaluated along with other traits in multi-trait (MT) GS models to predict DON. The inclusion of FDK_QNIR and FDK_QVIS with days to heading as covariates improved the PA for DON by 58% over the baseline single-trait GS model. We next used hyperspectral imaging of FHB-infected wheat kernels as a novel avenue to improve the MT GS for DON. The PA for DON using selected wavebands derived from hyperspectral imaging in MT GS models surpassed the single-trait GS model by around 40%. Finally, we evaluated phenomic prediction for DON by integrating hyperspectral imaging with deep learning to directly predict DON in FHB-infected wheat kernels and observed an accuracy (R

Integrating high-throughput phenotyping (HTP) based traits into phenomic and genomic selection (GS) can accelerate the breeding of high-yielding and climate-resilient wheat cultivars. In this study, we explored the applicability of Unmanned Aerial Vehicles (UAV)-assisted HTP combined with deep learning (DL) for the phenomic or multi-trait (MT) genomic prediction of grain yield (GY), test weight (TW), and grain protein content (GPC) in winter wheat. Significant correlations were observed between agronomic traits and HTP-based traits across different growth stages of winter wheat. Using a deep neural network (DNN) model, HTP-based phenomic predictions showed robust prediction accuracies for GY, TW, and GPC for a single location with R