Magnus Nordborg and colleagues report a multi-locus mixed-model method (MLMM) for genome-wide association studies in structured populations. Their simulations show that MLMM offers increased power and a reduced false discovery rate, and applications to both human and Arabidopsis thaliana data sets identify new associations and allelic heterogeneity. Population structure causes genome-wide linkage disequilibrium between unlinked loci, leading to statistical confounding in genome-wide association studies. Mixed models have been shown to handle the confounding effects of a diffuse background of large numbers of loci of small effect well, but they do not always account for loci of larger effect. Here we propose a multi-locus mixed model as a general method for mapping complex traits in structured populations. Simulations suggest that our method outperforms existing methods in terms of power as well as false discovery rate. We apply our method to human and Arabidopsis thaliana data, identifying new associations and evidence for allelic heterogeneity. We also show how a priori knowledge from an A. thaliana linkage mapping study can be integrated into our method using a Bayesian approach. Our implementation is computationally efficient, making the analysis of large data sets (n > 10,000) practicable.

Magnus Nordborg and colleagues report a parameterized multi-trait mixed model (MTMM) method applied to genome-wide association studies of correlated phenotypes. They test this approach, using both human and Arabidopsis thaliana data sets, and demonstrate how it can be used to identify pleiotropic loci and gene by environment interactions. Genome-wide association studies (GWAS) are a standard approach for studying the genetics of natural variation. A major concern in GWAS is the need to account for the complicated dependence structure of the data, both between loci as well as between individuals. Mixed models have emerged as a general and flexible approach for correcting for population structure in GWAS. Here, we extend this linear mixed-model approach to carry out GWAS of correlated phenotypes, deriving a fully parameterized multi-trait mixed model (MTMM) that considers both the within-trait and between-trait variance components simultaneously for multiple traits. We apply this to data from a human cohort for correlated blood lipid traits from the Northern Finland Birth Cohort 1966 and show greatly increased power to detect pleiotropic loci that affect more than one blood lipid trait. We also apply this approach to an Arabidopsis thaliana data set for flowering measurements in two different locations, identifying loci whose effect depends on the environment.

The Art of Artemisia As the malaria parasite, which is transmitted through mosquito vectors, develops resistance, previously useful control mechanisms are beginning to fail. Combination therapies based on the plant product artemisinin are a promising alternative. Graham et al. (p. 328 ; see the Perspective by Milhous and Weina ) have now developed a genetic map of the plant Artemisia annua from which artemisinin is derived. The results lay the foundation for improving agricultural productivity of this natural product, which is becoming increasingly important in the fight against malaria.

An increased understanding of leaf area development is important in a number of fields: in food and non-food crops, for example short rotation forestry as a biofuels feedstock, leaf area is intricately linked to biomass productivity; in paleontology leaf shape characteristics are used to reconstruct paleoclimate history. Such fields require measurement of large collections of leaves, with resulting conclusions being highly influenced by the accuracy of the phenotypic measurement process. We have developed LAMINA (Leaf shApe deterMINAtion), a new tool for the automated analysis of images of leaves. LAMINA has been designed to provide classical indicators of leaf shape (blade dimensions) and size (area), which are typically required for correlation analysis to biomass productivity, as well as measures that indicate asymmetry in leaf shape, leaf serration traits, and measures of herbivory damage (missing leaf area). In order to allow Principal Component Analysis (PCA) to be performed, the location of a chosen number of equally spaced boundary coordinates can optionally be returned. We demonstrate the use of the software on a set of 500 scanned images, each containing multiple leaves, collected from a common garden experiment containing 116 clones of Populus tremula (European trembling aspen) that are being used for association mapping, as well as examples of leaves from other species. We show that the software provides an efficient and accurate means of analysing leaf area in large datasets in an automated or semi-automated work flow.

Genome-wide association studies have been successful in identifying genes involved in polygenic traits and are valuable for crop improvement. Tomato (Solanum lycopersicum) is a major crop and is highly appreciated worldwide for its health value. We used a core collection of 163 tomato accessions composed of S. lycopersicum, S. lycopersicum var cerasiforme, and Solanum pimpinellifolium to map loci controlling variation in fruit metabolites. Fruits were phenotyped for a broad range of metabolites, including amino acids, sugars, and ascorbate. In parallel, the accessions were genotyped with 5,995 single-nucleotide polymorphism markers spread over the whole genome. Genome-wide association analysis was conducted on a large set of metabolic traits that were stable over 2 years using a multilocus mixed model as a general method for mapping complex traits in structured populations and applied to tomato. We detected a total of 44 loci that were significantly associated with a total of 19 traits, including sucrose, ascorbate, malate, and citrate levels. These results not only provide a list of candidate loci to be functionally validated but also a powerful analytical approach for finding genetic variants that can be directly used for crop improvement and deciphering the genetic architecture of complex traits.

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.

SUMMARY How perennial organisms adapt to environments is a key question in biology. To address this question, we investigated ten natural black poplar ( Populus nigra ) populations from Western Europe, a keystone forest tree of riparian ecosystems. We assessed the role of (epi)genetic regulation in driving tree species evolution and adaptation over several millions of years (macro-evolution) up to a few generations (micro-evolution). At the macro-evolution scale, polar experienced differential structural (gene loss) and regulation (expression and methylation) reprogramming between sister genomic compartments inherited from polyploidization events. More interestingly, at the micro-evolution scale, both genetic and epigenetic variations differentiate populations from different geographic origins, targeting specifically genes involved in disease resistance, immune response, hormonal and stress response that can be considered as key functions of local adaptation of long lifespan species. Moreover, genes involved in cambium formation, an important functional trait for forest trees, as well as basal functions for cell survival are constitutively expressed though methylation control. These results highlight DNA methylation as a marker of population differentiation, evolutionary adaptation to diverse ecological environments and ultimately opening the need to take epigenetic marks into account in breeding strategies, especially for woody plants.

Abstract Multi-omics represent a promising link between phenotypes and genome variation. Few studies yet address their integration to understand genetic architecture and improve predictability. Our study used 241 poplar genotypes, phenotyped in two common gardens, with their xylem and cambium RNA sequenced at one site, yielding large phenotypic, genomic and transcriptomic datasets. For each trait, prediction models were built with genotypic or transcriptomic data and compared to concatenation integrating both omics. The advantage of integration varied across traits and, to understand such differences, we made an eQTL analysis to characterize the interplay between the genome and the transcriptome and classify the predicting features into CIS or TRANS relationships. A strong and significant negative correlation was found between the change in predictability and the change in predictor importance for eQTLs (both TRANS and CIS effects) and CIS regulated transcripts, and mostly for traits showing beneficial integration and evaluated in the site of transcriptomic sampling. Consequently, beneficial integration happens when redundancy of predictors is decreased, leaving the stage to other less prominent but complementary predictors. An additional GO enrichment analysis appeared to corroborate such statistical output. To our knowledge, this is a novel finding delineating a promising way to explore data integration. One-sentence summary Successful multi-omics integration when predicting phenotypes makes redundant the predictors that are linked to ubiquitous connections between the omics, according to biological and statistical approaches

Abstract Phenomic prediction has been defined as an alternative to genomic prediction by using spectra instead of molecular markers. A reflectance spectrum reflects the biochemical composition within a tissue, under genetic determinism. Thus, a relationship matrix built from spectra could potentially capture genetic signal. This new methodology has been successfully applied in several cereal species but little is known so far about its interest in perennial species. Besides, phenomic prediction has only been tested for a restricted set of traits, mainly related to yield or phenology. This study aims at applying phenomic prediction for the first time in grapevine, using spectra collected on two tissues and over two consecutive years, on two populations and for 15 traits. First, we characterized the genetic signal in spectra and under which condition it could be maximized, then phenomic predictive ability was compared to genomic predictive ability. We found that the co-inertia between spectra and genomic data was stable across tissues or years, but variable across populations, with co-inertia around 0.3 and 0.6 for diversity panel and half-diallel populations, respectively. Differences between populations were also observed for predictive ability of phenomic prediction, with an average of 0.27 for the diversity panel and 0.35 for the half-diallel. For both populations, there was a correlation across traits between predictive ability of genomic and phenomic prediction, with a slope around 1 and an intercept of −0.2, thus suggesting that phenomic prediction could be applied for any trait.

1. Abstract Flowering date in perennial fruit trees is an important trait for fruit production. Depending on the winter and spring temperatures, flowering of olive may be advanced, delayed, or even suppressed. Deciphering the genetic control of flowering date is thus key to help selecting cultivars better adapted to the current climate context. Here, we investigated the genetic determinism of full flowering date stage in cultivated olive based on capture sequencing data of 318 genotypes from the worldwide olive germplasm bank of Marrakech, Morocco. The genetic structure of this collection was organized in three clusters that were broadly attributed to eastern, central, and western Mediterranean regions, based on the presumed origin of genotypes. Flowering dates, collected over seven years, were used to estimate the genotypic best linear unbiased predictors, which were then analyzed in a genome-wide association study. Loci with small effects were significantly associated with the studied trait, by either a single- or a multi-locus approach. The three most robust loci were located on chromosomes 01 and 04, and on a scaffold, and explained 7.1%, 6.2%, and 6.5 % of the trait variance, respectively. A significantly higher accuracy in the best linear unbiased predictors of flowering date prediction was reported with Ridge-compared to LASSO-based genomic prediction model. Along with genomic association results, this suggests a complex polygenic determinism of flowering date, as seen in many other fruit perennials. These results and the screening of associated regions for candidate genes open perspectives for further studies and breeding programs targeting flowering date.