Optimization of predictive ability of genomic selection models for Fusarium Head Blight resistance in wheat cultivars through nonlinear parameterization functions

Abstract

[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.

[EN] Fusarium ear blight (FHB) represents a significant threat to global wheat production, causing yield losses, mycotoxin contamination, and jeopardizing food security. The development of FHB-resistant wheat varieties through conventional breeding methods is challenging due to the complex genetic architecture of the resistance traits. Genomic selection (GS) offers a promising solution to accelerate wheat breeding for FHB resistance. In this study, we evaluated the accuracy of estimated genomic breeding values (GEBVs) for FHB resistance in a diverse collection of 865 hexaploid wheat (Triticum aestivum) varieties. We used nonlinear regression functions to model the FHB progression curve, including Logistic, Gompertz, Mono-molecular, Gaussian, and Gamma. In addition, the conventional Area Under the Disease Progression Curve (AUDPC) was used as a reference. Our results show that the Logistic function with two parameters showed the highest correlation of 0.89 with AUDPC. To predict GEBVs, we applied the Genomic Linear Enhanced Linear Prediction (GBLUP) method, XgBoost, and several Bayesian regression methods (BayesA, BayesB, BayesC, BayesRR). By five-fold cross-validation, the average precision across years was 0.58, 0.60, 0.55, and 0.53 for BayesA and BayesB, GBLUP, and XgBoost, respectively, when using parameter B of the logistic function. When using AUDPC, GBLUP, XgBoost, BayesA, and BayesB achieved prediction accuracies of 0.54, 0.49, 0.57 and 0.59, respectively. Our results highlight the effectiveness of nonlinear regression models in genomic selection for improving FHB resistance in wheat. The use of nonlinear parameterization outperformed conventional AUDPC, with BayesB, BayesA, GBLUP, and Xgboost in other strengths showing higher accuracy in predicting FHB resistant varieties. These results provide valuable insights for breeders seeking to develop FHB-resistant wheat varieties using GS.