Otimização de cruzamentos biparentais em soja integrando kernels ambientais na predição genômica

Abstract

Os recentes avanços nas tecnologias de sensoriamento ambiental e de sequenciamento genético têm possibilitado o avanço da pesquisa em compreender como características poligênicas da soja são influenciadas pelas complexas interações entre os genótipos e ambientes (GxA). Embora estratégias utilizadas no melhoramento genético tenham proporcionados ganhos genéticos acelerados no último século, modelos de predição genômica e de seleção de cruzamentos entre genitores ainda não são capazes de integrar explicitamente as interações entre estas informações, fomentando o desafio de otimizar a identificação de combinações superiores, essenciais para continuar impulsionando o desenvolvimento de cultivares de soja cada vez mais adaptadas e produtivas. Assim, a presente tese teve como objetivo desenvolver e aplicar uma metodologia de predição e alocação de cruzamentos biparentais de soja, combinando estratégias de seleção genômica (SG) com informações climáticas por meio de kernels ambientais. Para isso dividimos a tese em dois capítulos. No primeiro capítulo, desenvolvemos um modelo de regressão Bayesiana que incorpora efeitos de marcador-ambiente (MxA) e kernels ambientais derivados de dados climáticos de sensoriamento remoto fornecidos pela NASA Power. Utilizando uma coleção de dados do SoyNAM (100 genótipos avaliados em quatro locais durante dois anos), com informações de produtividade e dados moleculares, demostramos que a inclusão de covariáveis climáticas na predição dos efeitos genéticos aumentou a acurácia preditiva e reduziu o erro quadrático médio em 14%. A simulação dos cruzamentos do tipo Recombinant Inbred Lines (RILs), com um total de 100 linhagens por cruzamento para cada ambiente, destacou que os kernels ambientais foram capazes de identificar uma média de 9 linhagens superiores por ambiente, superando os métodos fenotípicos tradicionais (5,5) e de SG sem uso de dados climáticos (7,5). Além disso, a abordagem foi capaz de identificar cruzamentos promissores que não foram destacados pelos outros métodos. No segundo capítulo, aplicamos a metodologia desenvolvida em um conjunto real de dados. Utilizamos informações de produção de 55 genótipos avaliados em 57 municípios brasileiros distribuídos entre as cinco macrorregiões sojícola (MRS) brasileira, com dados de marcadores e uma série histórica climática coletadas durante cinco anos. Como resultado, a incorporação dos kernels ambientais nos modelos de predição dos valores genéticos permitiu a seleção de combinações parentais adaptadas às condições especificas de cada MRS. Através das simulações dos cruzamentos, identificamos combinações que se destacaram em múltiplas MRS, com ampla adaptabilidade, e combinações sensíveis à interação GxA, possibilitando uma seleção mais responsivos ao ambiente. Em conjunto, os resultados encontrados nos dois capítulos, demostram que a integração de informações climáticas a modelos de SG e predição de cruzamentos biparentais de soja é uma ferramenta eficaz e pode contribuir para o desenvolvimento de novas cultivares, cada vez mais produtivas e adaptadas ao ambiente. Palavras-chave: Glycine max (L.) Merril; GWS; Simulação; Seleção de Genitores; Tipagem de AmbientesRecent advances in environmental sensing technologies and genetic sequencing have enabled progress in research to understand how soybean polygenic traits are influenced by the complex interactions between genotypes and environments (GxE). Although strategies used in genetic breeding have accelerated genetic gains in the last century, genomic prediction models and parent-crossing selection methods still cannot explicitly integrate these interactions, posing the challenge of optimizing the identification of superior combinations, essential for continuing to drive the development of increasingly adapted and productive soybean cultivars. Thus, this thesis aimed to develop and apply a methodology for predicting and allocating biparental soybean crosses, combining genomic selection (GS) strategies with climatic information through environmental kernels. To achieve this, we divided the thesis into two chapters. The first chapter, we developed a Bayesian regression model incorporating marker-by-environment (MxE) effects and environmental kernels derived from remote sensing climate data provided by NASA Power. Using a dataset from SoyNAM (100 genotypes evaluated across four locations over two years), with yield records and molecular data, we demonstrated that including climatic covariates in the prediction of genetic effects increased predictive accuracy and reduced the mean squared error by 14%. Simulations of Recombinant Inbred Line (RIL) crosses, with a total of 100 lines per cross for each environment, showed that environmental kernels were able to identify an average of 9 superior lines per environment, outperforming traditional phenotypic methods (5.5) and GS without climatic data (7.5). Additionally, this approach identified promising crosses that were not highlighted by other methods. In the second chapter, we applied the developed methodology to a real-world dataset. We used yield data from 55 genotypes evaluated in 57 Brazilian municipalities across the five major soybean-producing regions (MRS), along with marker data and a five-year historical climate series. As a result, incorporating environmental kernels into the prediction models for genetic values enabled the selection of parental combinations adapted to the specific conditions of each MRS. Through cross-simulations, we identified combinations that excelled in multiple MRS, demonstrating broad adaptability, as well as combinations sensitive to GxE interactions, allowing for more environment-responsive selection. Together, the findings from both chapters demonstrate that integrating climatic information into GS models and biparental soybean cross prediction is an effective tool and can contribute to the development of new, increasingly productive, and environmentally adapted cultivars. Keywords: Glycine max (L.) Merril; GWS; Simulation; Parent Selection; Enviromics