Dissecting genetic variance structure and evaluating genomic prediction models for single-cross hybrids derived from Stiff Stalk and Non-Stiff Stalk maize heterotic groups

Deze studie toont aan dat GBLUP-gebaseerde multi-kernel modellen, hoewel ze afhankelijk zijn van ouderlijke informatie, effectief kunnen worden ingezet om de genetische variantiestructuur van maïshybriden te ontleed en de prestaties van ongeprobeerde kruisingen te voorspellen, waarmee de efficiëntie van veredelingsprogramma's voor Stiff Stalk en Non-Stiff Stalk heterotische groepen wordt verbeterd.

De kern

De Maïskwekers van de Toekomst: Een Verhaal over Genen, Geluk en Voorspelling

Stel je voor dat maïskwekers als een gigantisch team van koks zijn. Hun doel? Het maken van het allerbeste maïsrecept (de hybride) dat er bestaat. Maar in plaats van ingrediënten zoals bloem en suiker, gebruiken ze genen.

Deze koks werken met twee grote groepen maïsrassen, die we SS (Stiff Stalk) en NSS (Non-Stiff Stalk) noemen. Je kunt ze zien als twee verschillende keukens:

• Keuken SS: Een oude, beroemde keuken met een beperkt aantal meesterkoks. Ze zijn geweldig, maar ze gebruiken al decennia lang dezelfde basisrecepten.
• Keuken NSS: Een iets jongere, diversere keuken met meer variatie in hun ingrediënten.

De koks proberen het beste maïsproduct te maken door een maïs uit Keuken SS te kruisen met een maïs uit Keuken NSS. Dit heet een "hybride". Het resultaat is vaak superieur, net zoals een gerecht dat twee verschillende culinaire tradities combineert.

Het Grote Probleem: De Vervuiling van de Ingrediëntenlijst

Er zijn twee grote problemen waar deze koks tegenaan lopen:

1. De "Vervuiling" van Keuken SS: Omdat Keuken SS al zo lang werkt met dezelfde kleine groep meesterkoks, beginnen hun ingrediëntenlijsten op elkaar te lijken. Er zijn steeds minder nieuwe, unieke smaken (genen) beschikbaar. De vraag is: Is er nog genoeg "smaak" (genetische variatie) over om de toekomstige gerechten nog lekkerder te maken?
2. Het "Proefkoken" Dilemma: Er zijn duizenden mogelijke combinaties tussen de maïsrassen. Het is onmogelijk om elk mogelijk gerecht in de praktijk te koken en te proeven voordat je het op het menu zet. Ze moeten dus een manier vinden om te voorspellen welk gerecht het beste zal smaken, zonder het daadwerkelijk te maken.

De Oplossing: De Genetische Voorspellingsmachine

De auteurs van dit artikel hebben een slimme computermachine gebouwd (een GBLUP-model). Denk hierbij aan een super-receptboek dat niet alleen kijkt naar de ingrediëntenlijst, maar ook naar hoe die ingrediënten samenwerken.

Ze hebben twee soorten "recepten" (modellen) getest:

• Het Simpele Recept: Kijkt alleen naar de individuele kwaliteit van de ouders (de "algemene combineerbaarheid" of GCA). Vraag: Is deze maïs een goede ouder, ongeacht met wie hij wordt gekruist?
• Het Complexe Recept: Kijkt ook naar de specifieke chemie tussen twee specifieke ouders (de "specifieke combineerbaarheid" of SCA). Vraag: Werkt deze ene maïs uit Keuken SS specifiek fantastisch samen met die ene maïs uit Keuken NSS?

Wat Vonden Ze? De Verassende Resultaten

Hier zijn de belangrijkste ontdekkingen, vertaald naar alledaagse taal:

1. Keuken SS is op zijn retour (voor de belangrijkste smaak)
Voor de meeste kenmerken (zoals de hoogte van de plant of wanneer de maïs bloeit) hebben beide keukens nog steeds genoeg unieke ingrediënten. Maar voor de oogst (de graanopbrengst), de allerbelangrijkste smaak, bleek Keuken SS in de "middenseizoen"-maïs geen nieuwe smaakvariatie meer te hebben.

• De analogie: Het is alsof je probeert een nieuwe, betere pizza te maken, maar je hebt al alle beste tomaten en kaas gebruikt. Je kunt niet meer verbeteren zonder nieuwe ingrediënten van buitenaf te halen. Dit is een waarschuwing voor de toekomst: als ze niet nieuwe genen introduceren, stopt de vooruitgang bij de oogst.

2. De "Speciale Chemie" is minder belangrijk dan gedacht
Veel koks dachten dat de magie van hybride maïs vooral zat in de specifieke chemie tussen twee ouders (SCA). Maar de studie liet zien dat de individuele kwaliteit van de ouders (GCA) veel belangrijker is.

• De analogie: Het maakt niet zoveel uit of je een specifieke combinatie van twee koks kiest; als je werkt met goede koks (ouderlijnen), krijg je al een goed gerecht. De "speciale chemie" tussen twee specifieke koks is een bonus, maar niet de basis.

3. Voorspellen werkt alleen als je de ouders kent
De computermachine was heel goed in het voorspellen van het resultaat, MAAR alleen als ze de ouders van het nieuwe gerecht kenden.

• Scenario A (We kennen de ouders): Als we weten welke maïs uit Keuken SS en welke uit Keuken NSS we gaan kruisen, kan de machine met grote zekerheid zeggen: "Dit wordt een hit!"
• Scenario B (We kennen de ouders niet): Als we een compleet nieuw, onbekend maïsras proberen te voorspellen zonder de ouders te kennen, faalt de machine.
• De analogie: Het is alsof je een filmrecensie schrijft. Als je weet wie de regisseur en de hoofdrolspeler zijn, kun je vaak goed voorspellen of de film goed wordt. Maar als je een film moet beoordelen waarvan je niemand kent, is het gissen.

4. De Omgeving is een Grote Speler
De studie liet ook zien dat de omgeving (weer, bodem, locatie) een enorme invloed heeft. Voor late maïsrassen was dit effect zelfs groter dan voor de genen zelf.

• De analogie: Een gerecht dat perfect smaakt in een zonnige tuin, kan in een regenachtige tuin volledig mislukken. De beste maïs is niet altijd de beste; het hangt af van waar hij groeit.

De Conclusie voor de Toekomst

Deze studie is als een check-up voor de maïskwekers. De boodschap is tweeledig:

1. Pas op voor Keuken SS: Ze moeten dringend nieuwe, exotische ingrediënten (nieuwe genen) toevoegen aan hun collectie, vooral voor de oogst, anders komen ze vast te zitten.
2. Gebruik de Computer, maar met Verstand: De nieuwe voorspellingsmodellen zijn geweldig om tijd en geld te besparen, zolang ze maar werken met maïsrassen waarvan ze de familiegeschiedenis kennen.

Kortom: De maïskwekers hebben een krachtig nieuw kompas, maar ze moeten wel zorgen dat ze niet vastlopen in een gebied waar de weg al te vaak is bewandeld.

Technische samenvatting

Titel: Ontleding van genetische variantiestructuur en evaluatie van genomische voorspellingsmodellen voor single-cross hybriden afkomstig van Stiff Stalk en Non-Stiff Stalk maïs heterotische groepen

1. Probleemstelling

Maïsveredeling staat voor twee fundamentele uitdagingen:

1. Afname van General Combining Ability (GCA): Door intense selectie over meerdere cycli neemt de additieve genetische variantie binnen heterotische groepen geleidelijk af. Dit beperkt het potentieel voor toekomstige genetische winst, vooral in groepen met een smalle genetische basis zoals de Stiff Stalk (SS) groep.
2. Praktische onuitvoerbaarheid van veldproeven: Het is onmogelijk om in de vroege stadia van een veredelingsprogramma alle mogelijke single-cross hybriden te testen. Er is behoefte aan nauwkeurige methoden om de prestaties van ongeteste combinaties te voorspellen op basis van ouderlijke informatie.

Het doel van deze studie was om de variantiestructuur van GCA en Specific Combining Ability (SCA) in de SS en Non-Stiff Stalk (NSS) groepen te analyseren en om de effectiviteit van genomische selectiemodellen te evalueren onder verschillende niveaus van ouderlijke informatie.

2. Methodologie

• Genetisch Materiaal: Een dataset van 162 single-cross hybriden, gegenereerd via een North Carolina Design II kruisingsschema tussen 13 SS-lijnen (zaadouder) en 28 NSS-lijnen (pollenouder). De lijnen waren ingedeeld in vroege, intermediaire en late rijpheidsgroepen.
• Fenotypische Data: De hybriden werden getest in meerlocatieveldproeven (2016-2017) in de VS en Canada (totaal 60 omgevingen). Geanalyseerde eigenschappen waren graanopbrengst (GY), plantlengte (PH), aarhoogte (EH), bloei (SI) en anthesis (AN).
• Genotypische Data: Gebaseerd op SNP-markers (na kwaliteitscontrole 112.199 SNP's). Genotypen voor alle mogelijke hybriden werden afgeleid uit de ouderlijke data.
• Statistische Modellen (GBLUP Multi-Kernel):
  • Er werden lineaire gemengde modellen (GBLUP) ontwikkeld die additieve en niet-additieve effecten simultaan modelleren.
  • Additieve matrix (A): Gebaseerd op de genetische verwantschap tussen de SS- en NSS-lijnen.
  • Niet-additieve matrices (voor SCA): Twee benaderingen werden getest:
    1. Matrix D: Een niet-additieve genomische verwantschapsmatrix afgeleid van de inferente hybride genotypen (volgens Vitezica et al., 2013).
    2. Matrix S: Een covariantiematrix gebaseerd op de product van de additieve verwantschappen van de ouders (volgens Stuber en Cockerham, 1966).
  • Genotype-by-Environment (GxE): Interactietermen tussen ouders, hybriden en omgevingen werden expliciet gemodelleerd met verschillende variantie-covariantiestructuren (homogeen vs. heterogeen per omgeving).
• Voorspellingsstrategieën: Vier methoden werden vergeleken voor het voorspellen van ongeteste hybriden:
  1. Alleen GCA-effecten (op basis van GBLUP).
  2. GCA + SCA-effecten (op basis van GBLUP).
  3. Covariantie-benadering (alleen additieve relaties).
  4. Covariantie-benadering (additieve + niet-additieve relaties).
  • De voorspellingsvermogens werden getest via "leave-one-out" cross-validatie onder vier training-set configuraties (T2 tot T0), variërend van volledige ouderlijke vertegenwoordiging tot geen enkele ouderlijke informatie (T0).

3. Belangrijkste Resultaten

• Variantiecomponenten:
  • Zowel SS als NSS groepen behielden significante GCA-variantie voor de meeste eigenschappen, wat aangeeft dat er nog potentieel is voor genetische verbetering.
  • De NSS-groep droeg over het algemeen meer bij aan de GCA-variantie dan de SS-groep (bijna drie keer zo hoog voor PH en EH).
  • Kritieke bevinding: Voor de graanopbrengst (GY) in de intermediaire rijpheidsgroep (de economisch belangrijkste groep in de VS) was de GCA-variantie van de SS-lijnen niet significant. Dit suggereert een ernstige beperking voor toekomstige opbrengstverbetering binnen deze specifieke groep.
  • De SCA-variantie (niet-additieve effecten) was over het algemeen kleiner dan de GCA-variantie, wat wijst op een beperkte rol van dominantie/epistasie voor de meeste eigenschappen in deze populatie.
• Invloed van GxE: Genotype-by-Environment interacties verklaarden een aanzienlijk deel van de variantie (tot >50% in late groepen), vooral door het testen van hybriden in een breder scala aan omgevingen dan hun specifieke rijpheidsgroep.
• Voorspellend Vermogen:
  • Ouderlijke informatie is cruciaal: De voorspellingsnauwkeurigheid daalde drastisch naarmate ouderlijke informatie uit de trainingset werd verwijderd.
  • GBLUP vs. Covariantie: GBLUP-modellen presteerden uitstekend wanneer ouders aanwezig waren in de trainingset (configuraties T2, T1F, T1M). Echter, in de strikte T0-situatie (geen directe ouderlijke informatie) presteerden GBLUP-modellen slecht (vaak negatieve correlaties), terwijl covariantie-benaderingen stabiel positieve resultaten leverden.
  • Niet-additieve effecten: Het toevoegen van SCA-effecten (via matrix D of S) aan de modellen leverde geen significante verbetering op in het voorspellend vermogen. De resultaten van matrix D en S waren zeer vergelijkbaar, wat de robuustheid van de afgeleide genetische architectuur bevestigt.

4. Bijdragen en Significantie

• Inzicht in Heterotische Groepen: De studie bevestigt dat de commerciële SS- en NSS-germplasm nog steeds waardevolle additieve variantie bevatten, maar waarschuwt voor een kritiek tekort aan GCA-variantie voor opbrengst in de intermediaire SS-groep. Dit onderstreept de noodzaak om de genetische basis van SS-lijnen te verbreden.
• Methodologische Validatie: Het onderzoek toont aan dat GBLUP-based multi-kernel modellen zeer effectief zijn voor hybride selectie zolang er connectiviteit bestaat tussen de training- en validatiepopulatie (d.w.z. ouders zijn vertegenwoordigd).
• Strategische Implicaties: Voor veredelaars betekent dit dat:
  1. Genomische selectie zeer efficiënt is in vroege stadia als ouders in de dataset zitten.
  2. Bij het ontbreken van ouderlijke informatie (T0), traditionele covariantie-benaderingen veiliger zijn dan complexe GBLUP-modellen.
  3. De focus op het behoud van additieve variantie (GCA) belangrijker is dan het maximaliseren van niet-additieve effecten (SCA) voor langdurige genetische winst in deze heterotische groepen.
• Toekomstperspectief: De resultaten benadrukken het belang van pre-veredeling en het introduceren van nieuw germplasm om de erosie van genetische diversiteit in commerciële groepen tegen te gaan.

Samenvattend biedt deze studie een kwantitatief onderbouwd kader voor het gebruik van genomische selectie in maïsveredeling, met specifieke aandacht voor de beperkingen van huidige heterotische groepen en de afhankelijkheid van voorspellingsnauwkeurigheid van de genetische connectiviteit in de dataset.