Predictive methods using pedigrees, markers, and images for the genetic improvement of sugarcane
Arquivos
Data
2024-09-23
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Viçosa
Resumo
The overall objective of this thesis was to assess predictive methods that leverage different sources of information, to improve genetic evaluation of sugarcane genotypes. The plant material and experimental data used consisted of early-generation field trials conducted by the genetic breeding program of the Universidade Federal de Viçosa (PMGCA). In the first chapter I discussed the content, introducing research questions and the main objectives of this thesis. In the second chapter, we compared pedigree- based best linear unbiased prediction (PBLUP), genomic-based (GBLUP), and single- step (ssGBLUP) models for the genetic evaluation of a sugarcane population in which only a subset of individuals was genotyped. Models were evaluated in two cross- validation (CV) schemes: validation using genotyped individuals (CV1) and validation using nongenotyped individuals (CV2). Our results suggest that genetic evaluation us- ing the ssGBLUP models may be an alternative approach for sugarcane. Also, results showed that models including only pedigree information gave relatively high prediction accuracies, suggesting that pedigrees are an important source of genetic information, particularly for sugarcane and other crop species with complex polyploid genomes. In the third chapter, we evaluated the integration of unoccupied aerial systems (UAS)- based red-green-blue (RGB) imaging with pedigree and genomic prediction models to improve selection accuracy for tonnes of cane per hectare (TCH). The objectives were to estimate genetic parameters and trends for TCH and RGB-image extracted traits, and to compare the performance of single-trait with multi-trait genomic and pedigree prediction models that incorporate RGB-image extracted traits. The performance of models was evaluated in terms of Pearson’s correlation between adjusted and predicted phenotypes, and mean squared error (MSE) using three cross-validation schemes, which varied in the level of phenotypic information available: ST, without secondary traits; MT-1, secondary traits in the training set; and MT-2, secondary traits in both, training and testing sets. We used data of an augmented block design trial, consisting of 385 clones. Clones were phenotyped at the second ratoon stage for TCH, and for 12 RGB-image extracted traits collected in a single flight. In general, we found low genetic correlation between TCH and RGB-image extracted traits, and moderate narrow-sense heritability estimates for RGB-image extracted traits. Overall indirect response to selection of RGB-image extracted traits was higher compared to direct response to selection for TCH. Our results suggest that accuracies of multi-trait models that incorporated RGB- image extracted traits did not improve compared to single-trait models for predicting TCH. Future research should investigate alternative sensor technologies and optimize UAS-based data collection. Keywords: RGB; Single-step models; Multi-trait models; Polyploid; Saccharum spp.; Genomic prediction.
O objetivo geral desta tese foi avaliar métodos preditivos que aproveitam diferentes fontes de informação, para melhorar a avaliação genética de genótipos de cana-de- açúcar. O material vegetal e os dados experimentais utilizados consistiram de en- saios de campo de fases iniciais de seleção conduzidos pelo programa de melhora- mento genético da Universidade Federal de Viçosa (PMGCA). No primeiro capítulo discuti o conteúdo, introduzindo as questões de pesquisa e os principais objetivos desta tese. No segundo capítulo, comparamos os modelos de melhor predição lin- ear não enviesada baseada em pedigree (PBLUP), baseada em genômica (GBLUP) e de etapa única (ssGBLUP) para a avaliação genética de uma população de cana- de-açúcar na qual apenas um subconjunto de indivíduos foi genotipado. Os modelos foram avaliados em dois esquemas de validação cruzada (CV): validação usando in- divíduos genotipados (CV1) e validação usando indivíduos não genotipados (CV2). Nossos resultados sugerem que a avaliação genética usando os modelos ssGBLUP pode ser uma abordagem alternativa para a cana-de-açúcar. Além disso, os resultados mostraram que os modelos que incluíam apenas informações de pedigree resultaram em accuracias preditivas relativamente altas, sugerindo que pedigrees são uma fonte importante de informação genética, particularmente para cana-de-açúcar e outras es- pécies vegetais cultivadas que possuem genomas poliploides complexos. No terceiro capítulo, avaliamos a integração de imagens vermelho-verde-azul (RGB) baseadas em sistemas aéreos não tripulados (UAS) com modelos de predição PBLUP e GBLUP para melhorar a acurácia de seleção para toneladas de cana por hectare (TCH). Os objetivos foram estimar parâmetros genéticos e tendências para TCH e características extraídas de imagens RGB, e comparar o desempenho de modelos de predição PBLUP e GBLUP univariados e multivariados que incorporam características extraídas. de imagens RGB. O desempenho dos modelos foi avaliado em termos de correlação de Pearson entre fenótipos ajustados e preditos e o erro quadrático médio (MSE) usando três esquemas de validação cruzada, que variaram no nível de informação fenotípica disponível: ST, sem características secundárias; MT-1, características secundárias no conjunto de treinamento; e MT-2, características secundárias em presentes em ambos os conjuntos, treinamento e teste. Usamos dados de um ensaio de delineamento de blocos aumentados, consistindo de 385 clones. Os clones foram fenotipados na segunda soqueira para TCH e para 12 características extraídas de imagens RGB coletadas em um único voo. Em geral, encontramos baixa correlação genética entre TCH e características extraídas de imagens RGB e estimativas moderadas de herdabilidade no sentido restrito para características extraídas de imagens RGB. Em geral, a resposta indireta a seleção para características extraídas de imagens RGB foi maior em comparação à resposta direta à seleção para TCH. Nossos resultados sugerem que as acurácias preditivas de modelos multivariados que incorporaram características extraídas de imagens RGB não melhoraram em comparação com modelos de univariados para prever TCH. Pesquisas futuras devem investigar alternativas tecnologias de sensores e otimizar a coleta de dados baseada em UAS. Palavras-chave: RGB; Modelos single-step; Modelos multicaracterística; Poliplóide; Saccharum spp.; Predição genômica.
O objetivo geral desta tese foi avaliar métodos preditivos que aproveitam diferentes fontes de informação, para melhorar a avaliação genética de genótipos de cana-de- açúcar. O material vegetal e os dados experimentais utilizados consistiram de en- saios de campo de fases iniciais de seleção conduzidos pelo programa de melhora- mento genético da Universidade Federal de Viçosa (PMGCA). No primeiro capítulo discuti o conteúdo, introduzindo as questões de pesquisa e os principais objetivos desta tese. No segundo capítulo, comparamos os modelos de melhor predição lin- ear não enviesada baseada em pedigree (PBLUP), baseada em genômica (GBLUP) e de etapa única (ssGBLUP) para a avaliação genética de uma população de cana- de-açúcar na qual apenas um subconjunto de indivíduos foi genotipado. Os modelos foram avaliados em dois esquemas de validação cruzada (CV): validação usando in- divíduos genotipados (CV1) e validação usando indivíduos não genotipados (CV2). Nossos resultados sugerem que a avaliação genética usando os modelos ssGBLUP pode ser uma abordagem alternativa para a cana-de-açúcar. Além disso, os resultados mostraram que os modelos que incluíam apenas informações de pedigree resultaram em accuracias preditivas relativamente altas, sugerindo que pedigrees são uma fonte importante de informação genética, particularmente para cana-de-açúcar e outras es- pécies vegetais cultivadas que possuem genomas poliploides complexos. No terceiro capítulo, avaliamos a integração de imagens vermelho-verde-azul (RGB) baseadas em sistemas aéreos não tripulados (UAS) com modelos de predição PBLUP e GBLUP para melhorar a acurácia de seleção para toneladas de cana por hectare (TCH). Os objetivos foram estimar parâmetros genéticos e tendências para TCH e características extraídas de imagens RGB, e comparar o desempenho de modelos de predição PBLUP e GBLUP univariados e multivariados que incorporam características extraídas. de imagens RGB. O desempenho dos modelos foi avaliado em termos de correlação de Pearson entre fenótipos ajustados e preditos e o erro quadrático médio (MSE) usando três esquemas de validação cruzada, que variaram no nível de informação fenotípica disponível: ST, sem características secundárias; MT-1, características secundárias no conjunto de treinamento; e MT-2, características secundárias em presentes em ambos os conjuntos, treinamento e teste. Usamos dados de um ensaio de delineamento de blocos aumentados, consistindo de 385 clones. Os clones foram fenotipados na segunda soqueira para TCH e para 12 características extraídas de imagens RGB coletadas em um único voo. Em geral, encontramos baixa correlação genética entre TCH e características extraídas de imagens RGB e estimativas moderadas de herdabilidade no sentido restrito para características extraídas de imagens RGB. Em geral, a resposta indireta a seleção para características extraídas de imagens RGB foi maior em comparação à resposta direta à seleção para TCH. Nossos resultados sugerem que as acurácias preditivas de modelos multivariados que incorporaram características extraídas de imagens RGB não melhoraram em comparação com modelos de univariados para prever TCH. Pesquisas futuras devem investigar alternativas tecnologias de sensores e otimizar a coleta de dados baseada em UAS. Palavras-chave: RGB; Modelos single-step; Modelos multicaracterística; Poliplóide; Saccharum spp.; Predição genômica.
Descrição
Palavras-chave
Cana-de-açúcar - Melhoramento genético, BLUP, Poliploidia, Saccharum, Genômica, Cana-de-açúcar - Seleção, Modelos lineares (Estatística)
Citação
GONÇALVES, Mateus Teles Vital. Predictive methods using pedigrees, markers, and images for the genetic improvement of sugarcane. 2024. 89 f. Tese (Doutorado em Estatística Aplicada e Biometria) - Universidade Federal de Viçosa, Viçosa. 2024.