Whole-genome sequencing data of a diverse grapevine germplasm collection maintained in Bordeaux, France

Resumen Técnico: Datos de secuenciación de genoma completo de una colección diversa de germoplasma de vid mantenida en Burdeos, Francia

Problema y Contexto
La vid (Vitis vinifera) es un cultivo de fruta de importancia mundial y una especie modelo para la genética de árboles perennes. Si bien existe una amplia diversidad genética tanto en las especies de Vitis cultivadas como en las silvestres, el acceso a esta diversidad para estudios sobre domesticación, adaptación y fitomejoramiento se ha visto obstaculizado por la falta de recursos genómicos estandarizados y unificados. Esfuerzos previos, como el estudio de Dong et al. (2023), proporcionaron datos de secuenciación para subconjuntos específicos de la colección de germoplasma de INRAE Burdeos, pero a menudo utilizaron diferentes genomas de referencia o carecieron de un flujo de trabajo de llamado de variantes unificado para diversas especies. Además, los parientes silvestres de América del Norte y Asia, que son críticos para el fitomejoramiento de la resistencia a patógenos (p. ej., mildiu y oidio) y para el desarrollo de portainjertos (p. ej., resistencia a la filoxera), siguen estando poco explorados en conjuntos de datos genómicos a gran escala. Existe la necesidad de un conjunto de datos armonizado que integre cultivares domesticados con un amplio espectro de especies silvestres de Vitis para facilitar la genómica comparativa y la caracterización del germoplasma.

Metodología
Este estudio generó un conjunto de datos de variantes de genoma completo estandarizado para 547 accesiones de vid mantenidas en la colección de germoplasma de INRAE Burdeos. El conjunto de datos comprende 397 cultivares domesticados de V. vinifera y 150 accesiones silvestres de Vitis, que representan 25 especies nativas de América del Norte, Asia y Eurasia.

• Generación de Datos: El ADN genómico total se extrajo de tejidos de hojas secas. Se prepararon bibliotecas con tamaños de inserto de 350–550 pb y se secuenciaron en la plataforma Illumina NovaSeq 6000 (lectura de extremos emparejados o paired-end) con una profundidad objetivo de 20×.
• Alineamiento y Referencia: Todas las secuencias se alinearon contra el genoma de referencia de V. vinifera PN40024v4 (40X).
• Llamado de Variantes (Variant Calling): El estudio empleó un flujo de trabajo de llamado de variantes conjunto utilizando el Genome Analysis Toolkit (GATK). Se generaron archivos gVCF individuales mediante HaplotypeCaller, los cuales se combinaron mediante GenomicsDBImport y se genotiparon conjuntamente usando GenotypeGVCFs para asegurar un llamado de genotipos consistente en todo el conjunto de muestras.
• Filtrado: Las variantes se filtraron utilizando las recomendaciones de filtrado estricto (hard-filtering) de GATK. Los criterios incluyeron Calidad por Profundidad (QD), calidad de la variante (QUAL), Fisher Strand (FS), Strand Odds Ratio (SOR), Calidad de Mapeo (MQ) y pruebas de suma de rango. Se eliminaron las variantes con >20% de genotipos faltantes. El conjunto de datos final se restringió a SNPs bialélicos e INDELs con una Frecuencia de Alelo Menor (MAF) ≥ 0.05.
• Archivado de Datos: Las lecturas crudas y los conjuntos de llamadas de variantes (VCFs) se depositaron en el European Nucleotide Archive (ENA) y el European Variation Archive (EVA) bajo el proyecto paraguas PRJEB123033.

Resultados Clave
El conjunto de datos resultante proporciona un recurso armonizado que comprende aproximadamente 9.1 millones de SNPs y 0.77 millones de INDELs.

• Alcance: Las variantes cubren los 19 cromosomas nucleares, así como los genomas de cloroplasto y mitocondria.
• Distribución: Las variantes están distribuidas en 25 especies de Vitis. El conjunto de datos incluye 118 accesiones silvestres recién secuenciadas de América del Norte y Asia, ampliando las entregas anteriores.
• Métricas de Calidad: La profundidad media de lectura en los sitios de variantes es de 12.2× para SNPs y 11.8× para INDELs. La tasa media de genotipos faltantes es baja (0.0335 para SNPs, 0.0295 para INDELs).
• Limitaciones Observadas: Los autores señalan que, si bien la profundidad es adecuada para el descubrimiento de SNPs, es inferior al objetivo inicial de 20× tras la eliminación de duplicados. Además, se observó una mayor proporción de genotipos faltantes en accesiones silvestres filogenéticamente distantes del genoma de referencia de V. vinifera. Estos genotipos faltantes están estructurados por especies y se concentran en regiones genómicas con baja capacidad de mapeo de secuencias y alto contenido de elementos repetitivos (específicamente retrotransposones LTR).

Significación y Reivindicaciones
Este artículo posiciona este conjunto de datos como un recurso genómico estandarizado y listo para su uso que elimina la necesidad de que los usuarios realicen procesos de llamado de variantes computacionalmente intensivos. Al proporcionar un archivo VCF unificado generado contra un único genoma de referencia (PN40024v4) tanto para accesiones cultivadas como silvestres, el conjunto de datos facilita:

1. Comparaciones Directas: Permite la comparación inmediata de la variación genética entre el germoplasma domesticado y el silvestre sin los efectos de confusión de diferentes procesos o referencias.
2. Fitomejoramiento y Conservación: Apoya la identificación de la diversidad genética en parientes silvestres, la investigación de loci candidatos para rasgos de interés y la gestión de colecciones de germoplasma.
3. Amplia Aplicabilidad: Los datos son compatibles con el software bioinformático ampliamente utilizado y están destinados a la genómica de poblaciones, análisis filogenéticos, estudios de asociación de genoma completo (GWAS) y la evaluación de métodos bioinformáticos.

Los autores enfatizan que, aunque este conjunto de datos no cubre la distribución geográfica completa de cada especie, representa un paso significativo hacia la integración de diversas especies de Vitis en un marco analítico único para la investigación genómica.