Key points are not available for this paper at this time.
Zusammenfassung Die genetische Verbesserung von Qualitätsmerkmalen in Tee (Camellia sinensis (L.) O. Kuntze) mittels konventioneller Züchtungsmethoden war begrenzt, da die Teequalität ein schwieriges und kostspieliges Merkmal zur Messung darstellt. Genomische Selektion (GS) ist geeignet, um solch komplexe Merkmale vorherzusagen, da sie genomweite Marker verwendet, um die genetischen Werte von Individuen zu schätzen. Wir verglichen die Vorhersagegenauigkeiten von sechs genomischen Vorhersagemodellen, einschließlich Bayesian Ridge Regression (BRR), genomischer bester linearer unverzerrter Vorhersage (GBLUP), BayesA, BayesB, BayesC und reproduzierenden Kern-Hilbert-Räumen, die die Stammesbeziehung einbeziehen, nämlich; RKHS-Stammbaum, RKHS-Marker und RKHS-Marker und Stammbaum (RKHS-MP), um die Zuchtwerte für 12 Tee-Qualitätsmerkmale zu bestimmen. Dreiundhundert Tee-Genotypen wurden mittels Genom-Durch-Sequenzierung genotypisiert und in replizierten Versuchen mit Kernspinresonanzspektroskopie phänotypisiert. Wir verglichen auch den Einfluss der Merkmalsvererbbarkeit und der Größe der Trainingspopulation auf die Vorhersagegenauigkeiten. Die Merkmale mit den höchsten Vorhersagegenauigkeiten waren; Theogallin (0,59), Epicatechingalat (ECG) (0,56) und Theobromin (0,61), während die Merkmale mit den niedrigsten Vorhersagegenauigkeiten Theanin (0,32) und Koffein (0,39) waren. Die Leistung aller GS-Modelle war nahezu identisch, wobei BRR (0,53), BayesA (0,52), GBLUP (0,50) und RKHS-MP (0,50) etwas besser abschnitten als die anderen. Die Erblichkeitsschätzungen waren moderat bis hoch (0,35–0,92). Die Vorhersagegenauigkeiten nahmen mit zunehmender Größe der Trainingspopulation und Merkmalsvererbbarkeit zu. Wir schließen daraus, dass die moderaten bis hohen Vorhersagegenauigkeiten darauf hindeuten, dass GS ein vielversprechender Ansatz in der Teeverbesserung ist und in Zuchtprogrammen umgesetzt werden könnte.
Lubanga et al. (Tue,) untersuchten diese Frage.