BOKU - Universität für Bodenkultur Wien - Forschungsinformationssystem
Gewählte Diplomarbeit / Masterarbeit:
Hermann Gregor Dallinger
(2020):
Genomic Prediction of Stripe Rust Resistance in Wheat - Opportunities, Limitations and Lessons
Learned from a Breeders Population.
Diplomarbeit / Masterarbeit - Institut für Biotechnologie in der Pflanzenproduktion,
BOKU-Universität für Bodenkultur,
pp 55 (78 inkl. Deckblätter und Anhang).
UB BOKU
obvsg
FullText
- Abstract:
- Weizen ist eine der wichtigsten Nutzpflanzen weltweit, wobei Gelbrost eine der verheerendsten Weizenkrankheiten ist. Epidemien die auf die Rekombination des Erregers im Zentrum der Diversität im Himalaja zurückzuführen sind machen bisherige Erfolge der Züchtung zunichte und erfordern neuartige Lösungen. Resistenzzüchtung nutzt dazu phänotypische und markergestützte Selektion um Resistenzgene in ertragreichen Genotypen zu kombinieren. Neue, kostengünstige Methoden der Genotypisierung mit hoher Dichte und statistische Methoden ermöglichen die Selektion auf der Basis von genetischen Markern. Ziel dieser Arbeit war es die quantitative Resistenz gegen Gelbrost in Weizen anhand von Daten aus Zuchtversuchen in den Jahren 2013, 2014, 2015 und 2016 sowie Genotypisierung durch Sequenzierung (GBS) Markern zu verbessern. Die Analyse der genetischen Architektur lieferte zwei QTL mit großer Wirkung. Jener auf Chromosom 2A ist annähernd fixiert in der Population, ein weiterer auf Chr. 2B dessen resistentes Allel nur in wenigen Genotypen vorhanden ist. Es wurden Hinweise gefunden, dass der QTL auf Chromosom 2A mit einer Translokation assoziiert ist (2AS-2N). GBLUP Modelle wurden verwendet, um Gelbrost innerhalb von Jahren und über Jahre hinweg vorherzusagen. Die Genauigkeit dieser Modell war innerhalb der Jahre mittel bis hoch, über mehrere Jahre hinweg jedoch gering. Die Ursachen dafür sind in der Variabilität der Versuche und Jahre zu suchen, welche zum Teil durch verschiedene Gelbrost-Rassen erklärt werden kann. Die Leistungsfähigkeit eine Modells ist abhängig von der Qualität der Trainingsdaten, trainiert man ein Modell mit widersprüchlichen Daten sind die Vorhersagen nicht zuverlässig. Diese Arbeit kam zu dem Schluss, dass Versuchsdaten starke Unterschiede aufweisen können, die letztendlich die Anwendung genomischer Vorhersagemodelle beeinträchtigen. Um zuverlässige Modelle zu erhalten, sollten nur die besten Versuche zum Trainieren von Vorhersagemodellen auswählt werden.
- Beurteilende(r): Bürstmayr Hermann
- 1.Mitwirkender: Michel Sebastian