Genomická selekce pro urychlení šlechtění banánovníku: genotypování sekvenováním u hybridů banánovníku

Moses NYINE

Doctoral thesis

Genomic Selection to Accelerate Banana Breeding: Genotyping by Sequencing of Banana Hybrids

Abstract:

Banana (Musa spp.) is an important crop in the African Great Lakes region in terms of income and food security, with the highest per capita consumption worldwide. Pests, pathogens and environmental stress hamper sustainable production of East African highland bananas (EAHB). Improving the efficiency of selection in conventional crossbreeding through marker assisted selection (MAS) is a major priority in banana breeding. However, the application of molecular tools has been hampered by the limitations inherent with the classical MAS tools and nature of traits in banana. While genomic selection can address some of the limitations of classical MAS, no report about its utility in banana is available to date. This Thesis provides the first empirical evidence on the performance of six genomic prediction models for 15 traits in a banana genomic selection training population based on genotyping by sequencing (GBS) data. The prediction models tested were Bayesian ridge regression (BRR), Bayesian LASSO (BL), BayesA, BayesB, BayesC and reproducing kernel Hilbert space (RKHS). The aim was to investigate the potential of genomic selection (GS) in banana breeding. Trait variation, the correlation between traits and genetic diversity in the training population were analyzed as an essential first step in the development and selection of suitable genomic prediction models for banana traits. A training population of 307 genotypes consisting of EAHB breeding material and its progeny was phenotyped for more than 15 traits in two contrasting conditions for two crop cycles. The population was also genotyped by simple sequence repeats (SSR) and single nucleotide polymorphism (SNP) markers. Clustering based on SSR markers revealed that the training population was genetically diverse, reflecting a complex pedigree background, which was mostly influenced by the male parents. Genotype response to crop cycle and field management practices varied greatly with respect to traits. Fruit bunch related traits accounted for 3135% of principal component variation under low and high input field management conditions. Resistance to black leaf streak (Black Sigatoka) was stable across crop cycles, but varied under different field management depending on the genotype. The predictive ability of genomic prediction models was evaluated for traits phenotyped over two crop cycles and under different cross validation strategies. The 15 traits were grouped into five categories that included plant stature, suckering behaviour, black leaf streak resistance, fruit bunch and fruit filling. Models that account for additive genetic effects provided better predictions with 12 out of 15 traits. The performance of BayesB model was superior to other models particularly on fruit filling and fruit bunch traits. Reproducing kernel Hilbert space model fitted with pedigree and marker data (RKHS_PM) produced mixed results with the majority of traits showing a decrease in prediction accuracy. Although RKHS models account for dominance and epistasis, heterosis is another non-additive genetic factor that affects prediction accuracy in bananas. Models that included averaged environment data for crop cycle one and two were more robust in trait prediction even with reduced numbers of markers. Accounting for allele dosage in SNP markers (AD-SNP) reduced predictive ability relative to traditional bi-allelic SNP (BA-SNP), but the prediction trend remained the same across traits. Since high correlation in prediction was observed within trait categories, only traits easy to phenotype should be considered for genomic predictions during the breeding phase. The high predictive values observed in this study confirmed the potential of genomic prediction in selection of best parents for further crossing and in the negative selection of triploid hybrids with inferior fruits to reduce the number of progenies to be evaluated in the field.

Abstract:

Banánovník je důležitou plodinou v oblasti Velkých jezer ve východní Africe, která se vyznačuje nejvyšší spotřebou banánů na hlavu na světě. Produkci banánů však snižují choroby a škůdci, a také abiotické stresy. Klasické šlechtění s cílem získat odrůdy s lepšími vlastnostmi je u této plodiny časově i technicky náročné. Některé z nich by mohla překonat genomická selekce, ale její využití u této plodiny dosud nebylo popsáno. Tato práce přináší první poznatky o úspěšnosti šesti genomických predikčních modelů pro patnáct vybraných znaků u testovací populace banánovníku. V práci byly testovány Bayesian Bridge Regression (BRR), Bayesian LASSO (BL), BayesA, BayesB, BayesC a Reproducing kernel Hilbert space (RKHS). Hlavním cílem bylo ověřit potenciál genomické selekce v chovu banánů. V práci byla také zkoumána variabilita jednotlivých hodnocených znaků a jejich korelace s genetickou diverzitou testovací populace, což byl nezbytný krok před vlastním výběrem vhodného predikčního modelu pro fenotypové znaky banánovníku. Testovací populace čítající 307 jedinců a zahrnující šlechtitelský materiál včetně potomstev byla fenotypována pro 15 znaků při pěstování za dvou kontrastních podmínek a po dvě kultivační období. Tato populace byla také genotypována pomocí SSR a SNP markerů. Analýza pomocí SSR markerů odhalila, že testovací populace je geneticky variabilní, což odráží její komplexní rodokmen, který je do značné míry ovlivněný samčím rodičem. Chování jednotlivých genotypů bylo variabilní v průběhu dvou kultivačních období a při odlišných podmínkách kultivace. Znaky související s vlastnostmi trsu představovaly 31 - 35% variability hlavního komponentu v kontrastních polních podmínkách. Rezistence vůči chorobě "Black Sigatoka" se v průběhu kultivačních období neměnila, ale lišila se v různých polních podmínkách. Předpovídací schopnost prediktivních genomických modelů byla stanovena pomocí znaků hodnocených po dvě kultivační období a pomocí různých validačních strategií. Patnáct fenotypových znaků bylo sdruženo do pěti kategorií, které zahrnovaly vzrůst rostliny, odnožování, rezistenci k chorobě Black Sigatoka, vlastnosti trsu a vlastnosti plodu. Modely zohledňující aditivní genetické efekty dávaly lepší předpovědi pro 12 z 15 znaků. Model BayesB dopadl nejlépe, zejména pro znaky ovlivňující trs a plod. Model Reproducing kernel Hilbert space, který zohledňoval rodokmen a data získaná analýzou markerů (RKHS_PM) měl sníženou prediktivní hodnotu. Ačkoli RHKS model zohledňoval dominanci a epistazi, heteroze je dalším neaditivním genetickým faktorem, který ovlivňuje přesnost predikce modelů. Modely, které zahrnovaly zprůměrovaná environmentální data za obě kultivační období byly ve svých předpovědích přesnější a to přesto, že se opíraly o méně markerů. Přihlédnutí k dózi alel u SNP markerů (AD-SNP) snižovalo prediktivní hodnotu oproti klasické bi-alelické metodě (BA-SNP), ale trendy jednotlivých predikcí zůstaly stejné pro všechny znaky. S ohledem na vysokou korelaci predikcí u kategorií jednotlivých znaků by během šlechtění měly být do genomických predikcí zahrnuty pouze takové znaky, které jsou jednoduše fenotypovatelné. Vysoké prediktivní hodnoty pozorované v této práci potvrdily potenciál genomické selekce při výběru nejvhodnějších rodičů pro křížení. Zároveň umožňují negativní selekci triploidních hybridů s podřadnými vlastnostmi plodů a umožní tak snížení rozsahu potomstva, které musí být hodnoceno v polních podmínkách.

Keywords

banánovník, dávka alel SNP, genomická predikce, genomická selekce (GS), genotypování sekveováním (GBS), jednonukleotidový polymorfismus (SNP), odhad šlechtitelské hodnoty (GEBV), polyploidie, prediktivní schopnost

Language used: English

Date on which the thesis was submitted / produced: 10. 4. 2018

Thesis defence

• Date of defence: 12. 7. 2018

PALACKÝ UNIVERSITY OLOMOUC

Faculty of Science

Doctoral programme / field:
Biology / Molecular and Cell Biology