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