Optimization of predictive ability of genomic selection models for Fusarium Head Blight resistance in wheat cultivars through nonlinear parameterization functions
[ES] La Fusariosis de la Espiga (FHB) representa una amenaza significativa para la producción global de trigo, causando pérdidas de rendimiento, contaminación por micotoxinas y poniendo en peligro la seguridad alimentaria. El desarrollo de variedades de trigo resistentes a FHB mediante métodos conve...
| Author: | |
|---|---|
| Format: | master thesis |
| Publication Date: | 2023 |
| Country: | España |
| Institution: | Universitat Politècnica de València (UPV) |
| Repository: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Language: | English |
| OAI Identifier: | oai:riunet.upv.es:10251/197100 |
| Online Access: | https://riunet.upv.es/handle/10251/197100 |
| Access Level: | Open access |
| Keyword: | Selección genómica (GS) Fusariosis de la espiga (FHB) Trigo Resistencia cuantitativa Mejora vegetal Simulación y evidencia empírica Regresión no lineal Genomic selection (GS) Fusarium head blight (FHB) Wheat Quantitative resistance Plant breeding Simulation and empirical evidence Nonlinear regression Máster Universitario Erasmus Mundus en Mejora Genética Vegetal / Erasmus Mundus Master in Plant Breeding - emPLANT +-Màster Universitari Erasmus Mundus en Millora Genètica Vegetal / Erasmus Mundus Màster in Plant Breeding - emPLANT + |
| Summary: | [ES] La Fusariosis de la Espiga (FHB) representa una amenaza significativa para la producción global de trigo, causando pérdidas de rendimiento, contaminación por micotoxinas y poniendo en peligro la seguridad alimentaria. El desarrollo de variedades de trigo resistentes a FHB mediante métodos convencionales de mejora es un desafío debido a la compleja arquitectura genética de los rasgos de resistencia. La selección genómica (GS) ofrece una solución prometedora para acelerar la mejora del trigo en cuanto a la resistencia a FHB. En este estudio, evaluamos la precisión de los valores de mejora genómica estimados (GEBVs) para la resistencia a FHB en una diversa colección de 865 variedades de trigo hexaploide (Triticum aestivum). Para modelar la curva de progresión de FHB, utilizamos funciones de regresión no lineal que incluyen logística, Gompertz, Mono-molecular, Gaussiana y Gamma. Además, se utilizó el área convencional bajo la curva de progresión de la enfermedad (AUDPC) como referencia. Nuestros resultados muestran que la función Logística con dos parámetros mostró la correlación más alta de 0,89 con AUDPC. Para predecir los GEBV, aplicamos el método de predicción lineal mejorada genómica (GBLUP), XgBoost y varios métodos de regresión bayesiana (BayesA, BayesB, BayesC, BayesRR). Mediante validación cruzada de cinco pliegues, la precisión media a lo largo de los años fue de 0,58, 0,60, 0,55 y 0,53 para BayesA y BayesB, GBLUP y XgBoost respectivamente, cuando se utilizó el parámetro B de la función logística. Cuando se utiliza AUDPC, GBLUP, XgBoost, BayesA y BayesB consiguen precisiones de predicción de 0,54, 0,49, 0,57 y 0,59 respectivamente. Nuestros resultados destacan la eficacia de los modelos de regresión no lineal en la selección genómica para mejorar la resistencia a FHB en trigo. El uso de la parametrización no lineal superó a la AUDPC convencional, con BayesB, BayesA, GBLUP y Xgboost en otros de fuerza mostrando una mayor precisión en la predicción de variedades resistentes a FHB. Estos resultados proporcionan información valiosa para los mejoradores que buscan desarrollar variedades de trigo resistentes a FHB utilizando GS. |
|---|