Alfalfa breeding for cultivation in the tropics: insights on genetic diversity and yield persistence

Abstract

Alfalfa (Medicago sativa L.) is considered “the queen of forages” and plays a key role in highly specialized dairy herds. Alfalfa has the potential to be grown in different edaphoclimatic regions, though its cultivation in tropical regions is still limited. Because yield persistence is one of the bottlenecks of alfalfa breeding in tropical regions, efforts should be done to overcome this problem. This study aimed to investigate whether the alfalfa germplasm held by Embrapa Southeast Livestock has satisfactory genetic diversity regarding bromatological and agronomic traits. The investigation also looked into yield persistence, how to access it, and how to select persistent accessions based on random regression models and artificial neural networks (ANN). Best linear unbiased predictors (BLUPs) of nine traits of seventy-seven alfalfa accessions from a temperate genetic background evaluated in eight harvests were used to estimate the phenotypic diversity. Microsatellite markers assessed the molecular diversity. Phenotypic data analyses revealed the presence of genetic diversity. The genetic variability obtained by both phenotypic and molecular information indicated the potential of the germplasm for developing base populations adapted to tropical conditions. Dry matter yield taken from 24 cuttings was used to assess the persistence. A random regression model was used to build trajectory curves of the accessions. The fitted curves showed a great amplitude regarding dry matter yield over time, which suggested a high variability regarding persistence. The three-step method for accessing persistence presented in this study included (1) a random regression model to obtain persistence trends, (2) a k-means method to define different persistence clusters, as well as (3) an ANN to perform classification of persistent accessions in an automated way. The upside of this method is to evaluate different alfalfa accessions using the same ANN. Basically, when new accessions are evaluated, they will be classified according to their genetic value scores using the same ANN previously fitted, with no need for a new clustering step. The persistence method jumps down from three to two steps and can help alfalfa breeders in the decision- making process. Keywords: Medicago sativa. Self-organizing maps. Random regression models. Artificial neural network.

Alfafa (Medicago sativa L.) é considerada a “rainha das forrageiras” e é essencial em rebanhos leiteiros altamente especializados. Alfafa tem potencial de ser cultivada em diferentes regiões edafoclimáticas mas seu cultivo ainda é limitado em regiões de clima tropical. Persistência de produção é um dos gargalos do melhoramento da cultura em regiões tropicais e por isso, todos os esforços para melhorar essa característica ajudarão a expandir o seu cultivo. Esse estudo objetivou investigar se o germoplasma de alfafa mantido pela Embrapa Pecuária Sudeste carrega diversidade genética para caracteres bromatológicos e agronômicos. O estudo também investigou a persistência de produção, qual a melhor forma de acessá-la e como selecionar acessos persistentes baseado em modelos de regressão aleatória e redes neurais artificiais (RNA). Para o estudo da diversidade genética, valores genéticos de 77 acessos de alfafa de background genético temperado avaliados em relação a nove características e em oito cortes foram obtidos para caracterizar a diversidade fenotípica. Marcadores microssatélites foram utilizados para acessar a diversidade molecular. As análises dos dados fenotípicos revelaram a presença de diversidade genética. A variabilidade detectada pelos dados fenotípicos e moleculares indicaram o potencial do germoplasma para geração de populações-base adaptadas a condições de clima tropical. Informações de produção de matéria seca tomadas em 24 cortes foram usadas para acessar a persistência dos acessos que compõe o germoplasma em estudo. Um modelo de regressão aleatória foi ajustado para construir curvas da trajetória dos acessos. As curvas ajustadas mostraram alta amplitude da produção de matéria seca ao longo do tempo, o que sugere alta variabilidade para persistência. O método de três etapas para acessar persistência apresentado nesse estudo envolveu (1) modelo de regressão aleatória para obtenção das trajetórias genéticas, (2) a utilização do método de agrupamento k-médias para definição de grupos de persistência e (3) a utilização de RNA para realizar a mesma classificação definida pelo método k-médias de forma automatizada. A vantagem desse método é que novos acessos de alfafa podem ser submetidos à mesma RNA. Basicamente, quando novos acessos forem avaliados, estes poderão ser classificados de acordo com seus valores genéticos utilizando a mesma RNA treinada anteriormente sem precisar submeter os escores a um novo agrupamento. O método de persistência salta de três para dois passos e pode ajudar melhoristas de alfafa no processo de tomada de decisão. Palavras-chave: Medicago sativa. Mapas auto-organizáveis. Modelos de regressão aleatória. Redes neurais artificiais.