Tính linh hoạt của mô phỏng “genomic predictions” đối với hai chu kỳ lai giống bắp
Nguồn: Alizarine Lorenzi, Cyril Bauland, Sophie Pin, Delphine Madur, Valérie Combes, Carine Palaffre, Colin Guillaume, Gaëtan Touzy, Tristan Mary-Huard, Alain Charcosset & Laurence Moreau. 2024. Portability of genomic predictions trained on sparse factorial designs across two maize silage breeding cycles. Theoretical and Applied Genetics; March 2024; vol. 137; article 75
Người ta minh chứng được hiệu quả của “genomic predictions” (dự đoán hiệu quả di truyền) hiệu chỉnh trên tập đoàn giống bắp “sparse factorial training sets” để biết trước được thế hệ con lai kế tiếp và trắc nghiệm, các chiến lược khác nhau phục vụ cập nhật kết quả dự báo theo nhiều thế hệ con lai.
Sàng lọc di truyền thu nhận những triển vọng mới phục vụ nội dung kiểm tra lại sơ độ lai thông qua thay thế việc đánh giá kiểu hình tích cực của từng cá thể với số liệu dự đoán hiệu quả di truyền. Tìm ra được thiết kế lý tưởng phục vụ “training genomic prediction models” vẫn còn là câu hỏi chưa có lời đáp. Những nghiên cứu trước đây đã và đang biểu hiện triển vọng về khả năng dự báo thông qua thuật toán “sparse factorial” thay vì “tester-based training sets” để dự đoán được kết quả lai đơn trong cùng một thế hệ. Nghiên cứu này nhằm mục tiêu tìm hiểu sâu hơn việc sử dụng thuật toán “factorials” và sự tối ưu hóa của cúng nhằm chọn dòng có khả năng phối hợp chung mong muốn (GCAs) và giá trị con lai thông qua các chu kỳ lai chọn. Điều đó dựa vào hai chu kỳ lai chọn của một sơ đồ sàng lọc di truyền lai nghịch đảo giống bắp bao gồm quần thể có nhiều bố mẹ (multiparental) kết hợp với quần thể lai nghịch đảo (reciprocal populations) từ tập đoạn bắp “flint” và tập đoàn bắp “dent”, nhóm bổ sung ưu thế lai được sàng lọc để hoàn tất “silage”. Chọn lọc trên cơ sở dự đoán hiệu quả di truyền chạy trên mô phỏng “factorial design” cho kết quả GA% tăng đáng kể (genetic gain: hiệu quả chọn lọc) đối với năng suất chất khô ở thế hệ mới. Kết quả khẳng định hiệu quả của thuật toán “sparse factorial training sets” cho biết dòng ứng cử viên về khả năng phối hợp cao GCAs và giá trị ưu thế lai qua các chu kỳ lai chọn. So với kết quả trước đây trên thế hệ thứ nhất, lợi thế của “factorial” hơn “tester training sets” biểu thị thấp hơn qua nhiều thế hệ. Cập nhật hóa “factorial training sets” bằng “adding single-cross hybrids” giữa dòng con lai được chọn từ thế hệ đầu tiên hoặc một subset ngẫu nhiên nào đó của con lai hybrids của thế hệ mới đã cải tiến được khả năng dự đoán rất nhiều. Giá trị “CDmean criterion” giúp nhà chọn giống xác định được tập đoàn của “single-crosses” (cặp lai đơn) để tiến hành đánh giá kiểu hình nhằm cập nhật “training set” một cách hiệu quả. Kết quả minh chứng tính hiệu quả của thuật toán “sparse factorial designs” trong việc điều chỉnh số liệu dự đoán hiệu quả di truyền của con lai trong thí nghiệm, chỉ ra rằng lợi ích của sự cập nhật theo từng thế hệ con lai.
Xem https://link.springer.com/article/10.1007/s00122-024-04566-4
Sơ đồ những thay đổi về quy mô thử nghiệm trong chương trình nhân giống bắp.