Modern breeding informatics approaches to optimise breeding of rhizomania resistance in sugar beet (Beta vulgaris L.) and its genomic prediction

by Thomas Martin Lange
Doctoral thesis
Date of Examination:2023-09-29
Date of issue:2024-04-26
Advisor:Prof. Dr. Armin Schmitt
Referee:Prof. Dr. Armin Schmitt
Referee:Prof. Dr. Stefan Scholten
Referee:Prof. Dr. Mehmet Gültas
Sponsor:KWS Saat SE & Co. KGaA
Persistent Address: http://dx.doi.org/10.53846/goediss-10470

 

 

Files in this item

Name:PhD_thesis_ThomasLange.pdf
Size:10.6Mb
Format:PDF

The following license files are associated with this item:

Abstract

English

Rhizomania, a viral disease caused by the Beet necrotic yellow vein virus (BNYVV), is considered the most destructive disease in sugar beet (Beta vulgaris L.). Since no plant protection against rhizomania is currently available, plant breeding remains the only defence strategy at the moment. The objective of the presented thesis is to support future breeding programmes towards rhizomania resistance which was achieved in two stages. Firstly, an existing greenhouse biotest was optimised to screen the resistance level of sugar beet genotypes. While it is common practice to measure the resistance of sugar beet genotypes against rhizomania by determining the concentration of BNYVV in roots of young sugar beet plants via enzyme-linked immunosorbent assay (ELISA), the results presented in this thesis lead to the conclusion that the raw ELISA values are non-normally distributed. However, by using a serial dilution and a logistic regression model, it was possible to estimate the relative concentration of BNYVV in a genotype. Additionally, the transformed data seemed to follow a normal distribution. Using the normally distributed virus concentrations, the experimental design of the greenhouse biotest was further optimised. Secondly, genomic prediction was performed with a population where the majority of individuals were resistant towards rhizomania at all known resistance genes using single nucleotide polymorphism (SNP) markers. In a first step, the data set was filtered. Hereby, SNPs with a minor allele frequency (MAF) below 0.05 and redundant SNPs were removed from the data set. Since the majority of individuals were resistant towards rhizomania at all known resistance genes, SNPs in high linkage disequilibrium with the known resistance genes were removed from the data set during MAF filtering. However, satisfactory values for prediction accuracy were obtained, indicating the involvement of additional genes. To perform genomic prediction, linear models such as best linear unbiased prediction, BayesA, BayesB, and BayesC as well as machine learning methods such as support vector regression and random forest were used. All models performed similarly, except BayesC, which performed significantly worse. Moreover, feature selection was performed using machine learning to reduce the number of genomic markers in the prediction model. It was demonstrated that feature selection reduced the number of genomic markers to only around 0.1-0.6% of the available SNPs while achieving similar prediction accuracy. Six genomic markers were consistently selected during feature selection, and they clustered around four different genomic positions, three of which were not previously associated with rhizomania resistance. Moreover, it has been shown that some of these genomic markers provided strong interactions. It can therefore be assumed that these would not have been identified with a genome-wide association study examining each SNP individually, i.e. using a simple linear regression model.
Keywords: Breeding informatics; Rhizomania; Resistance breeding; Genomic prediction

German

Rizomania, eine Viruserkrankung, die durch das Beet necrotic yellow vein virus (BNYVV) verursacht wird, gilt als die wichtigste Krankheit in Zuckerrüben (Beta vulgaris L.). Da kein Pflanzenschutzmittel gegen Rizomania zur Verfügung steht, gilt Pflanzenzüchtung derzeit als die einzige Bekämpfungsstrategie. Ziel der vorliegenden Arbeit ist es, künftige Züchtungsprogramme zur Entwicklung Rizomania resistenter Sorten zu unterstützen. Dies wurde in zwei Schritten erreicht. Im ersten Schritt dieser Arbeit wurde ein bestehender Gewächshaus-Biotest optimiert, um das Resistenzniveau von Zuckerrübengenotypen zu überprüfen. Obwohl es gängige Praxis ist, die Resistenz von Zuckerrübengenotypen durch Bestimmung der BNYVV-Konzentration in den Wurzeln junger Zuckerrübenpflanzen mithilfe des Enzyme-linked Immunosorbent Assays (ELISA) zu messen, lassen die Ergebnisse dieser Arbeit darauf schließen, dass die Rohdaten aus einem ELISA-Test nicht normalverteilt sind. Durch die Verwendung einer Verdünnungsreihe und eines logistischen Regressionsmodells war es jedoch möglich, die relative Konzentration von BNYVV pro Genotyp zu schätzen. Außerdem schienen die transformierten Daten einer Normalverteilung zu folgen. Anschließend wurden die normalverteilten Viruskonzentrationen genutzt, um die Versuchsplanung des Gewächshaus-Biotests weiter zu optimieren. Im zweiten Schritt dieser Arbeit wurde genomische Vorhersage mithilfe von Einzelnukleotid-Polymorphismen (SNPs) durchgeführt, wobei eine Population untersucht wurde, bei der die Mehrheit der Individuen in allen bekannten Resistenzgenen resistent gegen Rizomania war. In einem ersten Schritt wurde der Datensatz gefiltert. Hierbei wurden SNPs mit einer Minor-Allel-Häufigkeit (MAF) unter 0,05 sowie redundante SNPs aus dem Datensatz entfernt. Da die Mehrheit der Individuen bei allen bekannten Resistenzgenen resistent gegen Rizomania war, wurden bei der MAF-Filterung SNPs mit hohem Kopplungsungleichgewicht mit den bekannten Resistenzgenen aus dem Datensatz entfernt. Dennoch wurden zufriedenstellende Werte für die Vorhersagegenauigkeit erzielt, was auf die Beteiligung zusätzlicher Gene hindeutet. Für die genomische Vorhersage wurden lineare Modelle wie Best Linear Unbiased Prediction, BayesA, BayesB und BayesC sowie Methoden des maschinellen Lernens wie Support Vector Regression und Random Forest verwendet. Alle Modelle erzielten ähnliche Ergebnisse in der Vorhersagegenauigkeit, mit Ausnahme von BayesC, welches zu signifikant schlechteren Ergebnissen führte. Darüber hinaus wurde Feature Selection mithilfe des maschinellen Lernens durchgeführt, um die Anzahl der SNPs im Vorhersagemodell zu reduzieren. Es zeigte sich, dass die Feature Selection die Anzahl der SNPs auf nur etwa 0,1-0,6% der verfügbaren Marker reduzierte, wobei eine ähnliche Vorhersagegenauigkeit erreicht wurde. Sechs SNPs wurden bei der Feature Selection konsequent ausgewählt, und diese clusterten um vier verschiedene genomische Positionen, von denen drei zuvor nicht mit Rizomaniaresistenz in Verbindung gebracht wurden. Darüber hinaus wiesen einige dieser SNPs starke Interaktionen auf, was darauf schließen lässt, dass diese nicht mit einer genomweiten Assoziationsstudie identifiziert worden wären, welche jeden SNP einzeln untersucht.
 
Statistik