栽培モデルと形質支援予測を組み合わせることで、環境相互作用による遺伝子型の予測が改善された

Combining Crop Growth Modeling With Trait-Assisted Prediction Improved the Prediction of Genotype by Environment Interactions.

• Pauline Robert
• Jacques Le Gouis
• Renaud Rincent

抄録

植物育種家は、多環境試験で選抜候補を評価し、対照的な環境での性能を推定しています。評価できる遺伝子型と環境の組み合わせの数は、表現型評価のコストや、評価を数年に限定する必要性によって強く制約されています。本研究では、遺伝子型と環境の相互作用を考慮したゲノム予測モデルを用いることで、遺伝子型と環境の組み合わせを特定することが可能となる。本研究では、キャリブレーションセットとテストセットの両方で利用可能な二次形質を、予測モデルの環境特異的共変量として導入する新しい予測手法を提案している( trait-assisted prediction, TAP, trait-assisted prediction)。このアプローチの独創性は、二次形質のためのテストセットの表現型を作物成長モデル（CGM）予測に置き換えることにあります。そのため、従来の形質支援予測モデルよりも明らかに有利な、各環境での種まきやフェノタイプを行う必要がありません。CGM-TAPと呼ばれるこのアプローチは、二次形質がCGMで予測しやすく、各環境で目標形質と強く関連している場合に最も興味を惹かれます（したがって、GEIを捉えることができます）。我々は、見出し日を二次形質、穀物収量を目標形質としたパンコムギを対象に、CGM-TAPの検証を行った。その結果、単純なCGM-TAPモデルでは、3つの予測シナリオ（スパース試験、新しい遺伝子型や新しい環境の予測）で高い予測能力が得られた。また、高度な環境共変量を含むすべての参考ＧＥＩモデルの予測能力を向上させた。

Plant breeders evaluate their selection candidates in multi-environment trials to estimate their performance in contrasted environments. The number of genotype/environment combinations that can be evaluated is strongly constrained by phenotyping costs and by the necessity to limit the evaluation to a few years. Genomic prediction models taking the genotype by environment interactions (GEI) into account can help breeders identify combination of (possibly unphenotyped) genotypes and target environments optimizing the traits under selection. We propose a new prediction approach in which a secondary trait available on both the calibration and the test sets is introduced as an environment specific covariate in the prediction model (trait-assisted prediction, TAP). The originality of this approach is that the phenotyping of the test set for the secondary trait is replaced by crop-growth model (CGM) predictions. So there is no need to sow and phenotype the test set in each environment which is a clear advantage over the classical trait-assisted prediction models. The interest of this approach, called CGM-TAP, is highest if the secondary trait is easy to predict with CGM and strongly related to the target trait in each environment (and thus capturing GEI). We tested CGM-TAP on bread wheat with heading date as secondary trait and grain yield as target trait. Simple CGM-TAP model with a linear effect of heading date resulted in high predictive abilities in three prediction scenarios (sparse testing, or prediction of new genotypes or of new environments). It increased predictive abilities of all reference GEI models, even those involving sophisticated environmental covariates.

Copyright © 2020 Robert, Le Gouis and Rincent.