Verbesserung der Vorhersagegenauigkeit der genomischen Selektion durch Verwendung von Modellen mit mehreren Merkmalen

• Antragstellerin: Dr. Tigist Mideksa Damesa
• Fachliche Zuordnung: Pflanzenzüchtung, Pflanzenpathologie
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 469205605

Die Nahrungsmittelproduktion weltweit muss kontinuierlich gesteigert werden, um die schnell wachsende Bevölkerung ausreichend ernähren zu können. Pflanzenzüchtungsprogramme leisten einen wesentlichen Beitrag, um die Herausforderungen bei der Steigerung der Nahrungsmittelproduktion zu adressieren. Genomische Selektion (GS) ist eine effective Züchtungsmethode, welche es erlaubt, die Steigerung der Nahrungsmittelproduktion zu beschleunigen, indem die Zeitdauer von Züchtungszyklen und die Phänotypisierungskosten reduziert werden. GS nutzt phänotypische und genotypische Daten zur Modellkalibrierung und schätzt dann genomische Zuchtwerte (GEBV) für nicht phänotypisierte Individuen. Obschon GS ein mächtiges Werkzeug ist, hängt seine Verlässlichkeit und sein Erfolg von seiner Vorhersagegenauigkeit ab, welche wiederum von diner größeren Zahl von Faktoren abhängt. Ein Ansatz, um die Genauigkeit von GS-Verfahren zu erhöhen, ist die Verwendung von multiplen Merkmalen (MT) in der GS. MTGS erlaubt eine genauere Schätzung durch die Ausnutzung von genetischen Korrelationen zwischen Merkmalen. Studien haben gezeigt, dass MTGS mit sekundären Methmalen sowie unter Verwendung von Hochduchsatzdaten, welche mit Zielmerkmalen korreliert sind, die Genauigkeit der GS erhöhen können, wodurch der Selektionserfolg erhöht werden kann. Hinzu kommt, dass MTGS in der Lage ist, mehrere Merkmale gleichzeitig zu verbessern. Aus diesen Gründen ist MTGS ein sehr vielversprechender Ansatz.Die Genauigkeit von GS kann stark abhängen von der Wahl des statistischen Verfahrens zur Schätzung der Markereffekte. Insbesondere für GS in der Pflanzenzüchtung wird ein Modell benötigt, welches in der Lage ist, verschiedene Streuungsursachen zu berücksichtigen. Die phänotypischen Daten für GS basieren in der Regel auf mehrortigen Versuchen (MET), und deren Analyse ist komplex, weil die statistische Methode Effekte für Wiederholungen, räumliche und heterogene Fehlervariation innerhalb der Versuche, Marker-Umwelt-Interaktion (MUI), Genotyp-Umwelt-Interaktion (GUI) und nicht-additive genetische Effekte berücksichtigen muss. Eine Berücksichtigung all dieser Effekte verspricht eine Erhöhung der Vorhersagegenauigkeit von GS. Dies ist für Einzelmerkmals-GS gut nachgewesen. Jedoch besteht in der Anwendung dieser Verfahren für die MTGS-Analyse erheblicher Aufholbedarf. Daher ist das Ziel dieses Projektes, die Vorhersagegenauigkeit von GS-Verfahren in einem Mehrmerkmalsansatz zu erhöhen, wobei phänotypische Daten aus mehrortigen Versuchen und vorgeschrittene statistische Methoden verwendet werden, welche räumliche Adjustierungen, GUI, und MUI berücksichtigen, wobei Heterogenität der Varianzen inerhalb und zwischen den Versuchen integriert wird und eine Modellierung von additive und nicht-additiven genetischen Effekten erfolgt. Gegen Ende des Projekts soll eine integrierte Modellierungsumgebung und –pipeline entwickelt werden, welche die verschiedenen oben beschriebenen Komponenten kombiniert.

• DFG-Verfahren: Sachbeihilfen