Enhancing genetic gains with high-throughput phenotyping and genomic selection: approaches in wheat and maize breeding

Abstract

This work is composed by four chapters: Chapter 1 consists in a pioneer work where we attempted to provide the scientific community with relevant insights on multi- spectral high-throughput phenotyping in tropical wheat breeding aiming at designing indirect selection strategies. The main goals were to determine the best stages to acquire aerial images to extract vegetation indices, investigate key genetic parameter (such as heritability and accuracy) in different stages, understand the relationship between traits and evaluate the efficiency of indirect selection using aerial-based high-throughput phenotyping. Chapter 2 is an extension of Chapter 1. While in Chapter 1 we focused on single-time-point analysis, in Chapter 2 we leveraged linear mixed models to analyze high-throughput phenotyping data considering its longitudinal aspect. We successfully predicted single genotypic values from time- series-derived data and found relevant insights on the optimal number of flights required to acquire high-quality multi-spectral aerial information. We also decomposed the coefficients of correlations between spectral and agronomic data into direct and indirect effects, and used that information to design an indirect selection strategy. In Chapter 3, instead of using the multi-spectral variables to design selection strategies, we focused on implementing a machine learning pipeline to predict untested wheat genotypes. In short, we used spectral bands and vegetation indices as inputs to predict agronomic variables using machine learning models considering a stage-wise approach. Finally, Chapter 4 shows the application of digital phenotyping and genomic selection to predict temperate inbred lines. We integrated environmental information, novel and traditional phenotyping methods and whole-genome resequencing information to predict the performance of a subset of maize diversity panel for stalk lodging resistance. We demonstrate the usefulness of novel phenotyping platforms to access lodging resistance and show how to leverage information between correlated environments to boost predictive-ability. This thesis is composed by several works, where we attempted to integrate the state of art of plant breeding and fundamental concepts of quantitative genetics and statistics to solve real problems often faced by plant breeders. We hope this work serve as a guide for the implementation of future pipelines aiming to improve genetic gains in plant breeding programs of economically important crops. Keywords: Artificial intelligence; Digital phenotyping; Genomic prediction; Genotype- by-environment interaction; Linear mixed models; Triticum aestivum L.; Zea mays.Este trabalho é composto por quatro capítulos: o Capítulo 1 consiste em um estudo pioneiro no qual buscamos fornecer à comunidade científica informações relevantes sobre fenotipagem de alto rendimento aplicada ao melhoramento de trigo tropical, com o objetivo de desenvolver estratégias de seleção indireta. Os principais objetivos foram determinar os melhores estágios para aquisição de imagens aéreas para extração de índices de vegetação, investigar parâmetros genéticos importantes (como herdabilidade e acurácia) em diferentes estágios, compreender a relação entre características fenotípicas e avaliar a eficiência da seleção indireta utilizando fenotipagem de alto rendimento. O Capítulo 2 é uma extensão do Capítulo 1: enquanto no primeiro capítulo focamos em análises pontuais, no Capítulo 2 utilizamos modelos lineares mistos para analisar os dados de fenotipagem de alto rendimento considerando seu aspecto longitudinal. Obtivemos sucesso na predição de valores genotípicos individuais a partir de dados derivados de séries temporais e encontramos informações relevantes sobre o número ideal de voos necessários para obter dados multiespectrais de alta qualidade. Também decompusemos os coeficientes de correlação entre dados espectrais e agronômicos em efeitos diretos e indiretos, utilizando essas informações para propor uma estratégia de seleção indireta. No Capítulo 3, ao invés de utilizar variáveis multiespectrais para desenvolver estratégias de seleção, focamos na implementação de uma abordagem de aprendizado de máquina para predizer genótipos de trigo não testados. Em resumo, utilizamos bandas espectrais e índices de vegetação como variáveis preditoras para predizer características agronômicas por meio de modelos de aprendizado de máquina, considerando uma abordagem em estágios. Por fim, o Capítulo 4 apresenta a aplicação da fenotipagem digital e da seleção genômica para predição de linhagens de milho. Integramos informações ambientais, métodos de fenotipagem tradicionais e inovadores, além de dados de sequenciamento genômico amplo, para predizer o desempenho de um subconjunto de um painel de diversidade de milho quanto à resistência ao acamamento de colmo. Demonstramos a utilidade de plataformas de fenotipagem inovadoras para avaliar a resistência ao acamamento e mostramos como aproveitar informações entre ambientes correlacionados para aumentar o poder preditivo. Esta tese é composta por diversos estudos nos quais buscamos integrar o estado da arte do melhoramento de plantas com conceitos fundamentais da genética quantitativa e da estatística, com o intuito de resolver problemas reais frequentemente enfrentados por melhoristas. Esperamos que este trabalho sirva como um guia para a implementação de futuras metodologias voltadas à obtenção de ganhos genéticos em programas de melhoramento de culturas de importância econômica. Palavras-chave: Inteligência artificial; Fenotipagem digital; Predição genômica; Interação genótipos por ambientes; Modelos lineares mistos; Triticum aestivum L.; Zea mays.