Giessener Elektronische Bibliothek

GEB - Giessener Elektronische Bibliothek

Prediction of hybrid performance in maize with transcriptome data

Vorhersage der Hybridleistung in Mais mit Transkriptomdaten

Zenke-Philippi, Carola Anna Luise


Zum Volltext im pdf-Format: Dokument 1.pdf (1.734 KB)


Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:hebis:26-opus-129403
URL: http://geb.uni-giessen.de/geb/volltexte/2017/12940/

Bookmark bei del.icio.us


Freie Schlagwörter (Deutsch): Heterosis , Mais , Hybrid
Freie Schlagwörter (Englisch): heterosis , maize , hybrid
Universität Justus-Liebig-Universität Gießen
Institut: Institut für Pflanzenbau und Pflanzenzüchtung II, Professur für Biometrie und Populationsgenetik
Fachgebiet: Agrarwissenschaften und Umweltmanagement
DDC-Sachgruppe: Landwirtschaft
Dokumentart: Dissertation
Sprache: Englisch
Tag der mündlichen Prüfung: 22.06.2017
Erstellungsjahr: 2017
Publikationsdatum: 03.07.2017
Kurzfassung auf Englisch: Most studies on genomic prediction of hybrids employ genetic markers as the main carrier of information. Very few use transcriptomic or metabolomic data despite the fact that the end product of gene expression, i.e., the protein, might carry more information than genetic markers. The main goal of the present study was therefore to investigate whether gene expression profiles can be employed successfully for hybrid prediction in maize.
With RR-BLUP, similar accuracies were found for ALFP markers and mRNA transcription profiles for prediction of hybrid maize grain yield and grain dry matter content within a set of 98 factorial crosses and within an unbalanced set of 230 maize hybrids.
No investigations on the number of required mRNA transcripts for reliable predictions had been conducted so far. Comparable prediction accuracies were found for 10k, 2k and 1k mRNA transcripts, and 1k AFLP markers. This means that also in terms of the number of mRNA transcripts required, the mRNA transcription profiles are comparable to genetic markers.
A major challenge is the successful prediction of hybrids whose parents are not in the training set. Transcriptome-based binary distances based on 10k mRNA transcripts had been shown to be advantageous in this situation. However, prediction with binary distances based on 2k mRNA transcripts was found to be inferior to prediction with RR-BLUP in most cases, especially in grain dry matter content, a trait with low heterosis. Apparently, a large number of mRNAs must be available to select from for meaningful transcriptome-based distances. Pre-selection of a core set of genes for hybrid prediction with transcriptome-based distances in order to save resources is therefore not a promising approach.
Even more than the generation of marker data, the calibration of models based on appropriate training sets is very resource-intensive. It would therefore be beneficial for breeders if material from previous breeding cycles could be employed for that purpose. Prediction accuracies of RR-BLUP with ALFP markers and mRNA transcription profiles were evaluated when one or two of the four sets of factorial crosses formed the training set and the remaining factorials formed the validation set. Mean prediction accuracies in grain yield and grain dry matter content were higher than 0.55 in type 1 hybrids and 0.16 to 0.38 in type 0 hybrids. Thus, prediction with models calibrated with material from previous breeding cycles seems to be possible if sufficient relatedness is ensured.
In conclusion, mRNA transcription profiles can be regarded as promising predictors of hybrid performance in maize.
Kurzfassung auf Deutsch: Das Hauptziel der vorliegenden Arbeit war, zu überprüfen, ob Genexpressionsprofile für die Hybridvorhersage in Mais genutzt werden können. Das Potenzial von Transkriptom- und Metabolomdaten für die Hybridvorhersage wurde bislang nur in wenigen Studien untersucht, obwohl in diesen Daten durch ihre größere Nähe zum Protein, dem Endprodukt der Genexpression, zusätzlich verwertbare Information enthalten sein könnte. Mit RR-BLUP waren die Vorhersagegenauigkeiten für Kornertrag und Korntrockenmassegehalt von Maishybriden in einem Datensatz mit 98 faktoriellen Kreuzungen sowie in einem unbalancierten Datensatz mit 230 Hybriden vergleichbar für ALFP-Marker und mRNA-Transkriptionsprofile.
Auch zur für aussagekräftige Vorhersagen nötigen Anzahl an mRNA-Transkripten gab es bislang keine Untersuchungen. Die in der vorliegenden Arbeit erzielten Vorhersagegenauigkeiten waren vergleichbar für 10000, 2000 und 1000 mRNA-Transkripte und 1000 AFLP-Marker. mRNA-Transkriptionsprofile entsprechen also auch bei der Anzahl der zur Vorhersage benötigten Datenpunkte DNA-Markern.
Ein wichtiges Ziel der Hybridvorhersage ist die erfolgreiche Prognose der Leistung von Hybriden, deren Elternlinien nicht Teil des Trainingssets sind. Transkriptombasierte binäre Distanzen hatten sich dafür in vorhergehenden Studien als vorteilhaft erwiesen. Die Vorhersagegenauigkeiten für die auf 2000 mRNA-Transkripten basierenden Distanzen waren in der vorliegenden Arbeit in den meisten Fällen geringer als die für RR-BLUP. Transkriptombasierte Distanzen erfordern also offensichtlich, dass eine ausreichende Zahl von mRNA-Transkripten zu ihrer Schätzung zur Verfügung steht. Eine Vorauswahl von Genen, um Ressourcen zu sparen, ist daher nicht erfolgversprechend.
Noch ressourcenintensiver als die Erstellung von Markerdaten ist die Schätzung von Vorhersagemodellen basierend auf passenden Trainingsets. Daher wäre es vorteilhaft für Züchter, Material aus vergangenen Zuchtzyklen dafür nutzen zu können. In der vorliegenden Arbeit wurden die Vorhersagegenauigkeiten von RR-BLUP mit mRNA-Transkriptionsprofilen und mit AFLP-Markern, wenn ein oder zwei faktorielle Kreuzungsschemata als Trainingset und die restlichen Kreuzungsschemata als Validierungsset genutzt wurden, untersucht. Die Ergebnisse waren mit mittleren Vorhersagegenauigkeiten für Kornertrag und Korntrockenmassegehalt von mehr als 0,55 für Typ-1-Hybriden und 0,16 bis 0,38 für Typ-0-Hybriden vielversprechend. Die Anpassung von Modellen basierend auf Material von vorhergehenden Zuchtzyklen ist also offenbar möglich, wenn eine ausreichende Verwandtschaft zu den vorherzusagenden Hybriden besteht.
Insgesamt erscheinen mRNA-Transkriptionsprofile als erfolgversprechende Prädiktoren für die Hybridleistung von Mais.
Lizenz: Veröffentlichungsvertrag für Publikationen ohne Print on Demand