Использование метода BLUP для оценки селекционной ценности образцов мягкой яровой пшеницы по содержанию микро- и макроэлементов в зерне

Геномная селекция – это технология, позволяющая определять генетическую ценность сортов сельскохозяйственных растений и пород животных, опираясь на информацию о генотипах и фенотипах. Измеренная селекционная ценность по отношению к целевому признаку дает возможность грамотно планировать этапы селекции и выбирать подходящие для скрещивания родительские формы. В настоящей работе использован метод BLUP для оценки селекционной ценности 149 российских сортов и интрогрессивных линий (4 измерения для каждого сорта или линии, 596 фенотипических точек) яровой пшеницы по содержанию семи химических элементов в зерне – K, Ca, Mg, Mn, Fe, Zn, Cu. Качество оценки селекционной ценности было определено с помощью кросc-валидации методом случайного разделения выборки на пять частей, одна из которых выступала в качестве тестовой популяции. Средние значения коэффициента корреляции Пирсона для предсказания концентрации микроэлементов составили: K – 0.67, Ca – 0.61, Mg – 0.4, Mn – 0.5, Fe – 0.38, Zn – 0.46, Cu – 0.48. Для 28 из 35 исследуемых моделей значение p-value было ниже номинального значимого порога (p-value < 0.05). Для 11 моделей p-value было значимо после коррекции на множественное тестирование (p-value < 0.001). Четыре из пяти моделей для Ca и K, и две из пяти для Mn имели p-value ниже порога, поправленного на множественное тестирование. Для 30 сортов, показавших лучшие значения сортовой ценности, средняя селекционная ценность для Ca, K и Mn была выше на 296.43, 785.11 и 4.87 мг/кг соответственно, чем средняя селекционная ценность популяции. Полученные результаты демонстрируют возможность применения моделей геномной селекции на ограниченных по размеру выборках образцов. Модели для K, Ca и Mn, показавшие наилучший результат, пригодны для оценки селекционной ценности российских сортов пшеницы для данных признаков.

1. Bartholomé J., Prakash P.T., Cobb J.N. Genomic prediction: progress and perspectives for rice improvement. In: Ahmadi N., Bartholomé J. (Eds.). Genomic Prediction of Complex Traits. Methods in Molecular Biology. V. 2467. New York: Humana, 2022;569-617. https://doi.org/10.1007/978-1-0716-2205-6_21

2. Berkner M.O., Schulthess A.W., Zhao Y., Jiang Y., Oppermann M., Reif J.C. Choosing the right tool: Leveraging of plant genetic resources in wheat (Triticum aestivum L.) benefits from selection of a suitable genomic prediction model. Theor. Appl. Genet. 2022; 135(12):4391-4407. https://doi.org/10.1007/s00122-022-04227-4

3. Bhat J.A., Ali S., Salgotra R.K., Mir Z.A., Dutta S., Jadon V., Tyagi A., Mushtaq M., Jain N., Singh P.K., Singh G.P., Prabhu K.V. Genomic selection in the era of next generation sequencing for complex traits in plant breeding. Front. Genet. 2016;7:221. https://doi.org/10.3389/fgene.2016.00221

4. Bonnett D., Li Y., Crossa J., Dreisigacker S., Basnet B., Pérez-Rodrí- guez P., Alvarado G., Jannink J.L., Poland J., Sorrells M. Response to early generation genomic selection for yield in wheat. Front. Plant Sci. 2022;12:718611. https://doi.org/10.3389/fpls.2021.718611

5. Charmet G., Storlie E. Implementation of genome-wide selection in wheat. Russ. J. Genet. Appl. Res. 2012;2(4):298-303. https://doi.org/10.1134/S207905971204003X

6. Hoffstetter A., Cabrera A., Huang M., Sneller C. Optimizing training population data and validation of genomic selection for economic traits in soft winter wheat. G3 (Bethesda). 2016;6(9):2919-2928. https://doi.org/10.1534/g3.116.032532

7. Johnsson M. Genomics in animal breeding from the perspectives of matrices and molecules. Hereditas. 2023;160(1):20. https://doi.org/10.1186/s41065-023-00285-w

8. Juliana P., He X., Marza F., Islam R., Anwar B., Poland J., Shrestha S., Singh G.P., Chawade A., Joshi A.K., Singh R.P., Singh P.K. Genomic selection for wheat blast in a diversity panel, breeding panel and full-sibs panel. Front. Plant Sci. 2022;12:745379. https://doi.org/10.3389/fpls.2021.745379

9. Kriaridou C., Tsairidou S., Fraslin C., Gorjanc G., Looseley M.E., Johnston I.A., Houston R.D., Robledo D. Evaluation of low-density SNP panels and imputation for cost­effective genomic selection in four aquaculture species. Front. Genet. 2023;14:1194266. https://doi.org/10.3389/fgene.2023.1194266

10. Kuznetsov V.M. The best linear unbiased forecast of the breeding value of roosters by the quality of offspring. Vestnik Rossiiskoy Akademii Sel’skokhozyaystvennykh Nauk = Vestnik of the Russian Academy of Agricultural Sciences. 1999;2:61-63 (in Russian)

11. Leonova I.N., Skolotneva E.S., Orlova E.A., Orlovskaya O.A., Salina E.A. Detection of genomic regions associated with resistance to stem rust in Russian spring wheat varieties and breeding germplasm. Int. J. Mol. Sci. 2020;21(13):4706. https://doi.org/10.3390/ijms21134706

12. Liu J., Wu B., Singh R.P., Velu G. QTL mapping for micronutrients concentration and yield component traits in a hexaploid wheat mapping population. J. Cereal Sci. 2019;88:57-64. https://doi.org/10.1016/j.jcs.2019.05.008

13. Lopez-Cruz M., Olson E., Rovere G., Crossa J., Dreisigacker S., Mondal S., Singh R., Campos G.L. Regularized selection indices for breeding value prediction using hyper-spectral image data. Sci. Rep. 2020;10(1):8195. https://doi.org/10.1038/s41598-020-65011-2

14. Lozada D.N., Carter A.H. Genomic selection in winter wheat breeding using a recommender approach. Genes. 2020;11(7):779. https://doi.org/10.3390/genes11070779

15. Martini J.W.R., Gao N., Cardoso D.F., Wimmer V., Erbe M., Cantet R.J., Simianer H. Genomic prediction with epistasis models: on the marker-coding-dependent performance of the extended GBLUP and properties of the categorical epistasis model (CE). BMC Bioinformatics. 2017;18(1):3. https://doi.org/10.1186/s12859-016-1439-1

16. Melucci L.M., Birchmeier A.N., Cappa E.P., Cantet R.J. Bayesian analysis of selection for greater weaning weight while maintaining birth weight in beef cattle. J. Anim. Sci. 2009;87(10):3089-3096. https://doi.org/10.2527/jas.2009-1801

17. Miller M.J., Song Q., Fallen B., Li Z. Genomic prediction of optimal cross combinations to accelerate genetic improvement of soybean (Glycine max). Front. Plant Sci. 2023;14:1171135. https://doi.org/10.3389/fpls.2023.1171135

18. Molenaar H., Boehm R., Piepho H.-P. Phenotypic selection in ornamental breeding: It’s better to have the BLUPs than to have the BLUEs. Front. Plant Sci. 2018;9:1511. https://doi.org/10.3389/fpls.2018.01511

19. Munyengwa N., Le Guen V., Bille H.N., Souza L.M., Clément-Demange A., Mournet P., Masson A., Soumahoro M., Kouassi D., Cros D. Optimizing imputation of marker data from genotypingby-sequencing (GBS) for genomic selection in non-model species: Rubber tree (Hevea brasiliensis) as a case study. Genomics. 2021; 113(2):655-668. https://doi.org/10.1016/j.ygeno.2021.01.012

20. Nyine M., Wang S., Kiani K., Jordan K., Liu S., Byrne P., Haley S., Baenziger S., Chao S., Bowden R., Akhunov E. Genotype imputation in winter wheat using first­generation haplotype map SNPs improves genome-wide association mapping and genomic prediction of traits. G3 (Bethesda). 2019;9(1):125-133. https://doi.org/10.1534/g3.118.200664

21. Piepho H.P., Möhring J., Melchinger A.E., Büchse A. BLUP for phenotypic selection in plant breeding and variety testing. Euphytica. 2008;161:209-228. https://doi.org/10.1007/s10681-007-9449-8

22. Plavšin I., Gunjača J., Galić V., Novoselović D. Evaluation of genomic selection methods for wheat quality traits in biparental populations indicates inclination towards parsimonious solutions. Agronomy. 2022;12(5):1126. https://doi.org/10.3390/agronomy12051126

23. Potapova N.A., Timoshchuk A.N., Tiys E.S., Vinichenko N.A., Leonova I.N., Salina E.A., Tsepilov Y.A. Multivariate genome-wide association study of concentrations of seven elements in seeds revealsfour new loci in Russian wheat lines. Plants. 2023;12(17):3019. https://doi.org/10.3390/plants12173019

24. Purcell S., Neale B., Todd-Brown K., Thomas L., Ferreira M.A., Bender D., Maller J., Sklar P., de Bakker P.I., Daly M.J., Sham P.C. PLINK: a tool set for whole-genome association and populationbased linkage analyses. Am. J. Hum. Genet. 2007;81(3):559-575. https://doi.org/10.1086/519795

25. Rabieyan E., Bihamta M.R., Moghaddam M.E., Mohammadi V., Alipour H. Genome-wide association mapping and genomic prediction of agronomical traits and breeding values in Iranian wheat under rain-fed and well-watered conditions. BMC Genomics. 2022;23(1): 831. https://doi.org/10.1186/s12864-022-08968-w

26. Sandhu K.S., Lozada D.N., Zhang Z., Pumphrey M.O., Carter A.H. Deep learning for predicting complex traits in spring wheat breeding program. Front. Plant Sci. 2021a;11:613325. https://doi.org/10.3389/fpls.2020.613325

27. Sandhu K., Patil S.S., Pumphrey M., Carter A. Multitrait machine- and deep-learning models for genomic selection using spectral information in a wheat breeding program. Plant Genome. 2021b;14(3): e20119. https://doi.org/10.1002/tpg2.20119

28. Sirsat M.S., Oblessuc P.R., Ramiro R.S. Genomic prediction of wheat grain yield using machine learning. Agriculture. 2022;12(9):1406. https://doi.org/10.3390/agriculture12091406

29. Song H., Ye S., Jiang Y., Zhang Z., Zhang Q., Ding X. Using imputation-based whole-genome sequencing data to improve the accuracy of genomic prediction for combined populations in pigs. Genet. Sel. Evol. 2019;51(1):58. https://doi.org/10.1186/s12711-019-0500-8

30. Stolpovsky Y.A., Piskunov A.K., Svishcheva G.R. Genomic selection. I. Latest trends and possible ways of development. Russ. J. Genet. 2020;56(9):1044-1054. https://doi.org/10.1134/S1022795420090148

31. Suslina Ye.N., Novikov A.A., Pavlova S.V., Bashmakova N.V., Fedin G.I., Alekseyeva S.I. Evaluation of breeding qualities of hog producers using the BLUP method. Izvestiya Timiryazevskoy Sel’skokhozyaystvennoy Akademii = Izvestiya of Timiryazev Agricultural Academy. 2019;6:150-161. https://doi.org/10.34677/0021-342x-2019-6-150-161 (in Russian)

32. Tajalifar M., Rasooli M. Importance of BLUP method in plant breeding. J. Plant Sci. Phytopathol. 2022;6(2):40-42. https://doi.org/10.29328/journal.jpsp.1001072

33. Tsai H.Y., Janss L.L., Andersen J.R., Orabi J., Jensen J.D., Jahoor A., Jensen J. Genomic prediction and GWAS of yield, quality and disease-related traits in spring barley and winter wheat. Sci. Rep. 2020;10(1):3347. https://doi.org/10.1038/s41598-020-60203-2

34. Wang X., Xu Y., Hu Z., Xu C. Genomic selection methods for crop improvement: Current status and prospects. Crop J. 2018;6(4):330- 340. https://doi.org/10.1016/j.cj.2018.03.001

35. Yang J., Lee S.H., Goddard M.E., Visscher P.M. GCTA: a tool for genome-wide complex trait analysis. Am. J. Hum. Genet. 2011;88(1): 76-82. https://doi.org/10.1016/j.ajhg.2010.11.011

36. Zhao Y., Mette M.F., Gowda M., Longin C.F., Reif J.C. Bridging the gap between marker-assisted and genomic selection of heading time and plant height in hybrid wheat. Heredity. 2014;112(6):638-645. https://doi.org/10.1038/hdy.2014.1

37. Zhumanov K.Z., Karymsakov T.N., Kineev M.A., Baimukanov A.D. Development and optimization of the equations of the mixed BLUP model for the evaluation of the breed value of bulls-producers of the golstin black-motioned breed of the Republic of Kazakhstan. Agrarnaya Nauka = Agrarian Science. 2021;2:33-36. https://doi.org/10.32634/0869-8155-2021-345-2-33-36 (in Russian)