Genome-wide prediction of hybrid performance and yield stability analysis in winter wheat

Abstract

Die Züchtung von Hybridweizen gilt als vielversprechende Strategie um die Ertragsleistung und -stabilität von Sorten zu verbessern. Für die präzise Vorhersage dieser Merkmale ist die Erhebung von zuverlässigen phänotypischen Daten eine wichtige Voraussetzung. Die Berücksichtigung von Genotyp-Umwelt-Interaktionen kann dabei helfen, repräsentative Standorte für Feldversuche auszuwählen und so den Aufwand für die Erhebung der notwendigen Daten deutlich reduzieren, ohne die Datenqualität negativ zu beeinflussen. Als Alternative zur konventionellen phänotypischen Selektion, kann auch die Vorhersage der Hybridleistung mittels Genomischer Selektion oder durch Marker-gestützte Selektion erfolgen. In dieser Arbeit waren die Vorhersagen für sieben Qualitätsmerkmale, sowie für die Resistenz gegen Septoria tritici blotch und Fusarium Head Blight basierend auf der Genomischen Selektion den Vorhersagen mittels Marker-gestützter Selektion überlegen. Die Vorhersagegenauigkeit wird dabei durch die Verwandtschaft zwischen Trainings- und Testpopulation und durch die effektive Populationsgröße der Trainingspopulation stark beeinflusst.

Hybrid wheat breeding is a promising approach to enhance yield stability and improve candidate performance. To achieve a precise estimation for yield stability performance, intensive phenotyping is required. Selecting representative environments based on genotype-by-environment interactions allows decreasing phenotyping intensity but still maintaining high accuracy to assess yield stability. For prediction of hybrid performance, marker-assisted selection and genomic selection are two promising alternatives to phenotypic selection. Genomic selection outperformed marker-assisted selection for seven quality traits and resistances to Septoria tritici blotch and Fusarium head blight. Prediction accuracy is strongly influenced by relatedness between the training and test population and increasing the effective population size of training population is relevant to boost the prediction accuracy via genomic selection.