View
2
Download
0
Category
Preview:
Citation preview
Herramientas utilizadas y avances en mejoramiento molecular en el
Programa de Mejoramiento Genético de Trigo de INIA Uruguay
Paula Silva, Bettina Lado, Sofía Brandariz, Inés Berro, Lucía Gutierrez, Silvia Pereyra, Silvia Germán, Jari von Zitzewitz, Martín Quincke
Mejoramiento molecular de Trigo en INIA
2009 – Lab. de Biotecnología
Apoyo al Programa de Mejoramiento Genético de Trigo (PMGT)
Por que hacer mejoramiento molecular
Reducir tiempo de fenotipado
Reducir costos de fenotipado
Aumentar la eficiencia de selección
Qué información se necesita?
1- Datos genotípicos – Scores de marcadores moleculares 2- Mapas genéticos3- Datos fenotípicos – Limitante4- Modelos estadísticos
Plataformas de genotipado para trigo
• Chips SNPs: 9K, 50K, 90K, 670K, 820K• DArT, DArTseq• GBS: Genotipado por secuenciación
Diseño: J. von Zitzewitz
www.plosone.org/article/info%3Adoi%2F10.1371%2Fjournal.pone.0032253
PstI ‐MspIElshire et al. 2011
DNA Sequencing Costs www.genome.gov/sequencingcosts
Estrategias para mejoramiento molecular
Uso de marcadores ya reportados
Mapeo de QTL tradicional
Mapeo asociativo
Selección genómica
Uso de marcadores en Proyectos1. 2011-2013 - Proyecto INNOVAGRO-ANII - Introduciendo nuevas herramientas para el
mejoramiento genético por resistencia durable a roya de la hoja de trigo. Responsable: Silvia Germán - MSc. Paula Silva
2. 2010-2013 - Proyecto FONTAGRO - Aumento de la competitividad de los sistemas productivos de papa y trigo en Sudamérica ante el cambio climático Responsable por Uruguay: Jari von Zitzewitz- MSc. Bettina Lado - MSc. Sofía Brandariz
3. 2013-2018 - Programa de Mejoramiento Genético de Trigo (PMGT) Responsable: Martín Quincke
4. 2011-2015 - Epidemiología y control de royas de trigo y cebada Responsable: Silvia Germán
5. 2011-2014 - Manejo Integrado de la Fusariosis de la espiga de trigo y cebada Responsable: Silvia Pereyra
6. 2011-2015 - Ajuste, diseño e implementación de selección genómica al programa de mejoramiento genético de trigo Responsable: Paula Silva - PhD. Bettina Lado - MSc. Inés Berro
7. 2014-2016 - Proyecto INNOVAGRO-ANII - Roya del tallo: estrategias de manejo para prevenir su resurgimiento como problema relevante para la producción de trigo. Responsable: Silvia Germán
Estrategias para mejoramiento molecular
Esquemadel PMGT y uso de SAM
Uso de marcadores en el PMGT• Roya de la hoja (Lr34, Lr46, Lr68)• Roya de tallo (Sr2, Sr24, Sr31)• Fusariosis de la espiga (Fhb1, Fhb4) • Mancha amarilla (Tsn1)• Mancha borrosa• Calidad: alto contenido de proteína,
pre-germinado • Vernalización (Vrn)• Fotoperíodo (Ppd)
http://maswheat.ucdavis.edu
Efectos e interacción de los genes Lr34, Lr68 y Sr2 sobre la resistencia de planta adulta a roya de la hoja en Uruguay
Pop. 1: LE2304*2/Parula: 74 líneas BC1F6Pop. 2: ORL99102*2/Parula: 69 líneas BC1F6Tres ambientes, 2 añosVariable: AUDPC
Silva et al (submitted)
Lr68 > Lr34 > Sr2
Efectos e interacción de los genes Lr34 y Lr46 sobre la resistencia de planta adulta a roya de la hoja en Uruguay
AovLr34/AovLr46: 44 líneas1 ambiente, 2 años (2013 y 2014)Variable: AUDPC
Lr34 > Lr46
Estrategias para mejoramiento molecular
Roya de la hojaAvocet/Kenia Kongoni - 148 RILsFenotípado: Mexico y Uruguay (2012 y 2013)438 DArTs + 16 SSR
Calvo-Salazar et al (submitted)
• Lr46 (1B), Sr2 (3B), QTL en cromosoma 1D y QTL en cromosoma 7B
Avocet/Tonichi81 - 120 RILsFenotípado: México (1997-1998), Uruguay (2005-2007), Argentina (2006-2007), Brasil (2006-2007) y Chile (2008)GBS ~ 5000 SNPs
Estrategias para mejoramiento molecular
Fusariosis de la espiga
• SNPs significativos en cromosomas 1A, 2A, 2B, 3D, 5B y 7B
ORL99192*2/Parula: 69 líneas BC1F62 años (2013 y 2014), 4 repeticiones, inoculación artificial, riego por aspersiónVariables: severidad, %espiguillas con FHB, %grano con FHB, altura, espigazon, roya de la hojaGBS ~ 2300 SNP + Fhb1
GWAS para rendimiento y resistencia a roya de la hoja186 líneas avanzadas del PMGT de INIA UruguayVariables: rendimiento (riego y secano) y roya de la hojaGBS: 6800 SNPs
A- 12 SNPs para roya de la hojaB- 24 SNPs para rendimiento riegoC- 25 SNPs para rendimiento secano
Cromosomas 1B, 2A, 2B, 2D, 3A, 3B, 3D, 4B, 5B, 6A, 6B y 7B
GWAS para resistencia a roya de la hoja
• 43 asociaciones significativas para resistencia en plántula
• 19 asociaciones significativas para campo
• Se confirmó la presencia de los genes Lr10, Lr16, Lr34 y Lr68
• QTLs en 4A para campo y 5B para plántula
INIA Tero*2/ Fuente de RPA: 90 líneas BC1F6INIA Torcaza*2/Fuente de RPA: 91 líneas BC1F6Tres ambientes, 2 añosVariable: AUDPC-CIGBS: 5222 SNPs
Silva et al (in prep.)
1. Detectar el efecto de la imputación de marcadores molecularessobre el poder y la tasa de falsos positivos en la detección de QTL(póster Brandariz et al-Sesión 5)
2. Detectar QTL que afecten variables fisiológicas correlacionadas
384 líneas avanzadas del PMGT de INIA Uruguay, INIA Chile y CIMMYT5 amb, 19 variables fenotípicasGBS: 18337 SNPs
Brandariz et al (in prep.)
• SNPs con efectos sinérgicos• SNPs con efectos antagónicos• SNPs con igual efecto
GWAS multi-carácter para variables fisiológicas
Estrategias para mejoramiento molecular
Fuente: Nakaya y Isobe, 2012
• Integra el uso de datos fenotípicos y genotípicos a través de un modelo de análisis estadístico
• Permite calcular un valor de “fenotipo” utilizando únicamente información genotípica
• Puntos claves:– Calidad de los datos
fenotípicos– Selección de la población de
entrenamiento– Estrategia en desarrollo
Selección genómica
VALORES DE CRÍA GENÉTICOS ESTIMADOS
y = Zu + εε ~ N(0, Iσe
2)u ~ N(0, Aσu
2) A: matriz de relaciones genéticas entre individuos
Fenotipos ajustados por ensayos a campo
Matriz de incidencia que relaciona los valores de cría con los datos observados
Meuwissen, T. H., Hayes, B. J., & Goddard, M. E. (2001).Genetics.
Selección genómica
Valores de cría genético estimados (GEBV)
Geno 1
Geno 2
Geno 3
Geno 4
Geno 5
Geno 6
Kg/ha
4480
5230
3880
5100
‐‐‐‐
‐‐‐‐
Geno 1 Geno 2 Geno 3 Geno 4 Geno 5 Geno 6
Geno 1 1 0.88 0.67 0.20 0.78 0.15
Geno 2 0.88 1 0.77 0.47 0.60 0.30
Geno 3 0.67 0.77 1 0.66 0.88 0.87
Geno 4 0.20 0.47 0.66 1 0.56 0.77
Geno 5 0.78 0.60 0.88 0.56 1 0.38
Geno 6 0.15 0.30 0.87 0.77 0.38 1
Matriz A
Esquemadel PMGT
Tiempo de obtención de cultivar entre 10 y 15 años
Dificultades en el empleo de estas técnicas:- elevado número de plantas- selección de plantas
DSUHD
Limitantes del PMGT
SELECCIÓN MEJORES CRUZAMIENTOS CON SG
Genotipado de HD y selección HD
Selección genómica en el PMGT
DESCARTE DE LÍNEAS POR LOS VALORES DE GEBV
DESCARTE DE LÍNEAS POR LOS VALORES DE GEBV
Objetivos comunes1. Ajustar un metodología de genotipado 2. Comparar modelos de predicción con distintas estrategias estadísticas3. Evaluar número de marcadores moleculares a utilizar en los modelos de SG.4. Comparar modelos con distinta estructura de la población de entrenamiento.5. Comparar modelos que incorporen la interacción genotipo por ambiente.6. Comparar métodos de selección de cruzamientos.
2010-2013 Proyecto FONTAGRO - Aumento de la competitividad de los sistemas productivos de papa y trigo en Sudamérica ante el cambio climático. Responsable en Uruguay: Jari von Zitzewitz - MSc. Bettina Lado
Proyecto INIA (2011-2015) Ajuste, diseño e implementación de selección genómica al programa de mejoramiento genetico de trigo. Responsable: Paula Silva - PhD. Bettina Lado - MSc. Inés Berro
Objetivo1: Ajustar un metodología de genotipado de alta cobertura y bajos costos
Se ajustó un método de gentipado de gran escala (GBS) para aplicar en el programa de mejoramiento de trigo que sigue siendo utilizado
Se ajustó y seleccionó un modelo de predicción de valores de cría genéticos (GEBV)
rrendimiento rP1000g
FC RR 0.22±0.06 0.76±0.02
GAUSS 0.34±0.08 0.75±0.02
BI RR 0.25±0.06 0.75±0.02
GAUSS 0.36±0.07 0.75±0.03
MVNG RR 0.28±0.07 0.79±0.02
GAUSS 0.40±0.07 0.79±0.02
Lado et al. 2013
Objetivo 2: Evaluar modelos de predicción con distintas estrategias estadísticas
Objetivo 3: Analizar la relación del número y tipo de marcadores moleculares con la precisión de las predicciones.
Objetivo 4: Establecer de qué forma es afectada la precisión de las predicciones cuando se tiene en cuenta la estructura de la población de entrenamiento.
Tesis de Maestría de Inés Berro, UdelaR, Tutor: Lucia Gutiérrez
%pob. entrenamiento r10% 0.343 (0.031)30% 0.447 (0.023)50% 0.454 (0.015)67% 0.476 (0.013)80% 0.481 (0.007)83% 0.488 (0.004)90% 0.497 (0.005)
Objetivo 5: Comparar modelos que incorporen la interacción genotipo por ambiente (IGA)
ME1ME2
Tesis de Doctorado B. Lado, UdelaR, Tutor: L. Gutiérrez, Co-tutores: J. Poland y M. Quincke
1044 líneas avanzadas del PMGT de INIA Uruguay5 ambientes y 3 años
AVERAGE ENVIRONMENT
N COR SD COR SDALL DATA 1050 0.454 0.008 0.552 0.014MEGENV1 1050 0.503 0.007 0.588 0.007MEGENV2 119 0.498 0.027 0.520 0.033MEGENV 1050 0.456 0.007 0.559 0.013YEAR 2010 399 0.365 0.026 0.414 0.029YEAR 2011 771 0.543 0.016 0.575 0.014YEAR 2012 119 0.523 0.051 0.455 0.048Y‐LE‐DOL 1050 0.458 0.001 0.584 0.013YOUNG 209 0.429 0.034 0.662 0.019LA ESTANZUELA 1050 0.452 0.009 0.569 0.008DOLORES 255 0.487 0.019 0.597 0.017
Comparación de modelos
La precisión de las predicciones aumenta al incorporar la correlación ambiental en los modelos de predicción calculando los GEBV por ambiente.
Objetivo 5: Comparar modelos que incorporen la interacción genotipo por ambiente (IGA)
Objetivo 6: Comparar métodos de selección de cruzamientos
Genotipado y selección
Padres seleccionados por el mejorador(M. Quincke)
Padres seleccionados por el modelo de predicción de cruzamientos
Perspectivas futuras y desafíos
Perspectivas futuras y desafíos
Lucía GutiérrezInés BerroSofía Brandariz
Jesse Poland
Francois Belzile
Sybil Herrera-FoesselVioleta-Calvo Salazar
Evans Lagudah
Martín QuinckeLeonardo HernándezDumas LaunMaria FerreiraJosé FloresAbel López
Silvia GermánRichard GarcíaFernando PereiraNoelia Pérez
Silvia PereyraNéstor GonzálezWilliam AlvarezSamuel RabazaMónica GarcíaDahiana Bentos
Recommended