Predicción del mérito genético de híbridos de maíz con adaptación específica a condiciones de semiaridez

Abstract

La identificación de líneas endocriadas parentales que produzcan híbridos con elevados rendimientos es un aspecto crucial en el mejoramiento genético del maíz. La evaluación a campo de todas las cruzas posibles entre líneas endocriadas es costosa y además insume mucho tiempo. Por ello, se ha intentado predecir el comportamiento de los híbridos en base a las relaciones de parentesco y a datos de rendimiento en campo. El mejor predictor lineal insesgado de mínima varianza (BLUP), calculado como función de las relaciones entre genotipos y datos de campo de los híbridos evaluados, ha sido empleado con éxito en varios estudios. Sin embargo, en ambientes semiáridos, donde la incidencia de los factores ambientales es alta e impredecible, la precisión de las estimaciones basadas en los BLUPs deben ser evaluadas. En esta tesis, el principal objetivo fue la predicción del mérito genético de híbridos de maíz utilizando relaciones de parentesco y datos de rendimiento a campo. Datos de rendimientos de 2006 a 2009 fueron obtenidos a partir de ensayos comparativos correspondientes al programa de mejoramiento genético de maíz de la Cátedra de Mejoramiento Genético de la Facultad de Ciencias Agropecuarias de la Universidad Nacional de Córdoba. El rendimiento en grano de cuarenta y nueve híbridos obtenidos a partir de distinto germoplasma y criterios de selección fue empleado en el análisis. Se ajustó un modelo lineal mixto con los datos promedios con y sin la incorporación de las relaciones de parentesco entre los híbridos. Se analizó la influencia del origen y del criterio de selección empleado en la obtención de las líneas parentales y se estudió, además, las relaciones entre la temperatura foliar y la elongación foliar con el rendimiento. Para predecir el comportamiento de híbridos potenciales no evaluados, se utilizaron datos que maximizaban o minimizaban las relaciones de parentesco entre los híbridos predictores y aquellos a predecir y empleando datos obtenidos en ambientes de alto y bajo rendimiento. Las mejores predicciones de los híbridos no evaluados, se alcanzaron utilizando la máxima relación de parentesco entre los híbridos combinada con datos obtenidos en el ambiente de mayor rendimiento promedio.

The identification of inbred lines for the production of superior, high yielding hybrids is of paramount importance in maize breeding. Field evaluation of all possible crosses among inbred lines requires extremely large resources and time. Therefore, efforts have been made to predict hybrid performance by using field data and genotype relatedness. The best linear unbiased predictions (BLUP) procedure, in which predictions are made on known genetic relationships among genotypes and available yield data, has been found useful in various studies. However, in semi-arid environments, where the incidence of environmental factors is high and unpredictable, the accuracy of BLUP based predictions remains to be tested. In the present study the main objective was to predict maize hybrid performance by using field data and known genetic relationships among hybrids. Data from 2006 to 2009 were obtained from hybrid testing trails of maize breeding program of the Plant Breeding Department at the Faculty of Agronomy of Córdoba National University, Argentina. Yield data from forty-nine hybrids from different genetic background were utilized. Yield data were analyzed by the Proc Mixed utilizing average data with and without incorporation of relatedness information. The performance of hybrids formed by crossing lines developed from different sources and selection criteria were also analyzed. Two other characteristics, the canopy temperature depression and leaf elongation and their correlations with yield were additionally investigated. The performance of new, untested single crosses was predicted using both data from: high and low relatedness between predictors and predicted hybrids and by employing data from low and high yielding environments. The best predictions of untested new hybrids were reached by using maximum relatedness information combined with data obtained in the better yielding environments.