Machine learning approaches reveal genomic regions associated with sugarcane brown rust resistance

Autor(es):Mostrar menos -

Aono, Alexandre Hild ^[1] ; Costa, Estela Araujo ^[2] ; Silva Rody, Hugo Vianna ^[2] ; Nagai, James Shiniti ^[2] ; Gonzaga Pimenta, Ricardo Jose ^[1] ; Mancini, Melina Cristina ^[1] ; Camilo dos Santos, Fernanda Raquel ^[3] ; Pinto, Luciana Rossini ^[3] ; de Andrade Landell, Marcos Guimaraes ^[3] ; de Souza, Anete Pereira ^{[1, 4]} ; Kuroshu, Reginaldo Massanobu ^[2]

Afiliação do(s) autor(es)

^[1] Univ Estadual Campinas, Mol Biol & Genet Engn Ctr CBMEG, UNICAMP, Campinas, SP - Brazil

^[2] Univ Fed Sao Paulo UNIFESP, Inst Ciencia & Tecnol ICT, Sao Jose Dos Campos, SP - Brazil

^[3] Agron Inst Campinas IAC, Adv Ctr Sugarcane Agrobusiness Technol Res, Ribeirao Preto, SP - Brazil

^[4] Univ Estadual Campinas, Inst Biol IB, Dept Plant Biol, UNICAMP, Campinas, SP - Brazil

• Tipo de documento: Artigo Científico
• Fonte: SCIENTIFIC REPORTS; v. 10, n. 1 NOV 18 2020.
• Citações Web of Science: 1

Resumo

Sugarcane is an economically important crop, but its genomic complexity has hindered advances in molecular approaches for genetic breeding. New cultivars are released based on the identification of interesting traits, and for sugarcane, brown rust resistance is a desirable characteristic due to the large economic impact of the disease. Although marker-assisted selection for rust resistance has been successful, the genes involved are still unknown, and the associated regions vary among cultivars, thus restricting methodological generalization. We used genotyping by sequencing of full-sib progeny to relate genomic regions with brown rust phenotypes. We established a pipeline to identify reliable SNPs in complex polyploid data, which were used for phenotypic prediction via machine learning. We identified 14,540 SNPs, which led to a mean prediction accuracy of 50% when using different models. We also tested feature selection algorithms to increase predictive accuracy, resulting in a reduced dataset with more explanatory power for rust phenotypes. As a result of this approach, we achieved an accuracy of up to 95% with a dataset of 131 SNPs related to brown rust QTL regions and auxiliary genes. Therefore, our novel strategy has the potential to assist studies of the genomic organization of brown rust resistance in sugarcane. (AU)

• Processo FAPESP: 10/50031-1 - Mapeamento genético-funcional em cana-de-açúcar e localização de QTLs de importância econômica
• Beneficiário: Estela Araujo Costa
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Processo FAPESP: 18/18588-8 - Mapeamento de associação em cana-de-açúcar visando à tolerância ao vírus do amarelecimento foliar
• Beneficiário: Ricardo José Gonzaga Pimenta
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Processo FAPESP: 05/55258-6 - Mapeamento genético e identificação de marcadores moleculares genômicos e funcionais associados a características agronômicas de interesse em cana-de-açúcar
• Beneficiário: Luciana Rossini Pinto Machado da Silva
• Modalidade de apoio: Auxílio à Pesquisa - Jovens Pesquisadores
• Processo FAPESP: 14/11482-9 - Avaliação da sintenia genômica entre sorgo (Sorghum bicolor) e cana-de-açúcar (Saccharum officinarum): comparação dos genes envolvidos em um QTL para Brix em sorgo à região sintênica em cana-de-açúcar
• Beneficiário: Melina Cristina Mancini
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Processo FAPESP: 08/52197-4 - Genomic-assisted breeding of sugarcane: using molecular markers for understanding the genetic architecture of quantitative traits and to implement marker assisted selection
• Beneficiário: Anete Pereira de Souza
• Modalidade de apoio: Auxílio à Pesquisa - Programa BIOEN - Temático
• Processo FAPESP: 19/03232-6 - Seleção genômica ampla em cana-de-açúcar via aprendizado de máquina e redes complexas para caracteres de importância econômica
• Beneficiário: Alexandre Hild Aono
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto