Identificação de QTLs em soja associados à resistência aos percevejos e a caracteres agronômicos utilizando a abordagem de mapeamento multivariado

• Main Author: Milene Möller
• Other Authors: José Baldin Pinheiro
• Language: Portuguese
• Published: Universidade de São Paulo 2017
• Subjects: Glycine max; Análise multivariada; Mapeamento de QTLs; Marcador molecular; Melhoramento de plantas; Pentatomídeos fitófagos; Molecular marker; Multivariate analysis; Phytophagous pentatomids; Plant breeding; QTL Mapping
• Online Access: http://www.teses.usp.br/teses/disponiveis/11/11137/tde-17082017-154013/

A soja é a cultura agrícola brasileira que mais se expandiu nas últimas três décadas. Atualmente é uma commodity comercializada em larga escala na forma de grão, farelo e óleo. Por ser uma importante fonte de proteína, possui papel fundamental na indústria alimentícia, tanto humana quanto animal. O monocultivo em extensas áreas tem ocasionado o aumento da vulnerabilidade da cultura a patógenos e insetos-praga, com consequências relevantes na produção dos grãos. Dentre tais insetos-praga, os percevejos fitófagos representam um dos grupos de maior relevância para a cultura, pois podem comprometer o rendimento, a qualidade e a sanidade dos grãos. As perdas no rendimento da cultura devido ao ataque por percevejos são superiores a 30%, e o comprometimento no valor germinativo das sementes pode ser superior a 50%. Este trabalho teve como objetivo identificar QTLs (Quantitative Trait Loci), a partir de um conjunto de fenótipos associados à resistência aos percevejos e a caracteres agronômicos, utilizando a abordagem de mapeamento multivariado. Uma população de 228 indivíduos F2, obtida a partir do cruzamento entre as cultivares IAC-100 e CD-215, foi utilizada para a obtenção dos dados genotípicos. Os caracteres agronômicos avaliados na geração F2:3 foram: número de dias para o florescimento (NDF), altura da planta no florescimento (APF), número de dias para a maturidade (NDM), altura da planta na maturidade (APM), acamamento (AC), valor agronômico (VA) e produtividade de grãos (PG). Oito caracteres associados à resistência aos percevejos foram avaliados: período de granação (PEG), retenção foliar (RF), número de vagens por planta (NVP), índice percentual de dano nas vagens (IPDV), número de sementes (NS), peso de cem sementes (PCS), peso de sementes boas (PSB) e peso de sementes manchadas (PSM). O mapa genético obtido, representando os 20 grupos de ligação (GLs) da soja, foi constituído por 417 marcadores SNP (Single Nucleotide Polymorphism), 61 SSR (Simple Sequence Repeat), 30 AFLP (Amplified Fragment Length Polymorphism) e 8 marcadores TRAP (Target Region Amplification Polymorphism). A cobertura do genoma da soja foi de 2.814,82 centiMorgans (cM), com um intervalo médio de 5,46 cM entre marcadores adjacentes. A identificação de QTLs (Quantitative Trait Loci) para os caracteres fenotípicos foi realizada utilizando-se o mapeamento de intervalos múltiplos univariado (MIM) e multivariado (MT-MIM), com estimativa dos efeitos principais dos QTLs. A abordagem MIM revelou um total de 60 QTLs, distribuídos por 13 GLs da soja, sendo 29 QTLs associados a caracteres de resistência aos percevejos e 31 QTLs relacionados a caracteres agronômicos. A percentagem da variação fenotípica explicada pelos QTLs (R2) variou de 14,27% para AC a 65,45% para NDM. Na abordagem MT-MIM, foram selecionados nove conjuntos de variáveis, de acordo com a correlação entre as mesmas. Foram reveladas 20 regiões genômicas distintas, com uma alta tendência de concentração de QTLs em posições similares. No geral, para a maioria das características, os valores marginais de R2 obtidos para os modelos MT-MIM foram superiores em relação aos modelos MIM, variando de 27,98% para APF a 65,30% para NDM. A abordagem MT-MIM permitiu a identificação de 13 novas posições genômicas, com efeito em pelo menos uma das variáveis analisadas, que não foram reveladas nos modelos MIM. Uma comparação com o banco de dados do Soybase forneceu evidências de que muitos QTLs, identificados nesta população em estudo, coincidem com QTLs descritos em outros backgrounds genéticos. No entanto, 56 QTLs identificados no presente estudo ainda não foram descritos na literatura. A maioria dos QTLs identificados explicam, individualmente, até 10% da variação fenotípica das características avaliadas. No entanto, QTLs presentes em oito novas regiões identificadas pela abordagem MT-MIM e oito novos QTLs identificados pela abordagem MIM contribuíram para explicar uma maior percentagem da variação dos fenótipos estudados. Esses QTLs devem ser melhor investigados considerando sua relevância para a seleção simultânea de características de interesse, permitindo uma maior eficiência de seleção e um maior ganho genético. Os resultados obtidos no presente estudo forneceram informações para auxiliar na melhor compreensão da arquitetura genética dos caracteres quantitativos analisados, bem como sobre a relação genética entre os mesmos. === Soybean is the Brazilian crop with the most expansion along the past three decades. Currently, it is a commodity commercialized in large scale as grain, bran and oil. Because it is an important source of protein, it plays a fundamental role in the food industry, both human and animal. Soybean monoculture in large areas has increased crop vulnerability to pathogens and insect pests, with significant consequences on grain production. Among such pest insects, stink bugs are considered a major pest of soybean crop, feeding directly on seeds, reducing yield and seed quality. Losses in crop yield due to stink bugs attack are greater than 30% and seed germination compromising can be greater than 50%. This study aimed to identify QTL (Quantitative Trait Loci), for stink bug resistance traits and agronomic traits using the multivariate multiple interval mapping. An F2 mapping population of 228 plants derived from a biparental cross between IAC-100 and CD-215 was used for genotyping. An F2:3 population was developed to evaluate eight stink bug resistant traits such as graining period, leaf retention, pod number per plant, percentage of pod damage, number of seeds, hundred seed weight, weight of healthy seeds and spotted seed weight. Other seven agronomic traits were evaluated such as number of days to flowering, plant height at flowering, number of days to maturity, plant height at maturity, lodging, agronomic value and grain yield. A total of 417 SNP (Single Nucleotide Polymorphism) markers, 61 SSR (Simple Sequence Repeat), 30 AFLP (Amplified Fragment Length Polymorphism) and 8 TRAP (Target Region Amplification Polymorphism) markers were mapped into 20 soybean linkage groups. The total map length was 2,814.82 cM with an average of 5.46 cM between markers. QTL mapping for those traits was performed using univariate (MIM) and multivariate (MT-MIM) multiple interval mapping, with main QTL effects estimates. MIM analysis identified a total of 60 QTL, through 13 soybean linkage groups, with 29 QTL related to stink bug resistant traits and 31 QTL related to agronomic traits. Phenotypic variation explained by QTL ranged from 14.27% for lodging to 65.45% for number of days to maturity. The traits were divided into nine groups for MT-MIM analysis considering their correlation coefficient. Twenty different genomic regions were identified showing a very high QTL clustering. For most of the traits phenotypic variation estimates for MT-MIM models were higher than MIM models, ranging from 27.98% to 65.30% for plant height at flowering and number of days to maturity, respectively. MT-MIM analysis showed 13 genomic regions controlling at least one of the evaluated traits which were not identified at MIM analysis. Comparison between identified QTL and QTL database at Soybase demonstrated that some QTL were similar to those described in different genetic background. However, 56 QTL detected in the present study were described for the first time in literature. Most of the QTL identified explain, individually, less than 10% of phenotypic variation. However, eight genomic regions identified with MT-MIM analysis and eight QTL identified with MIM analysis explain a great amount of phenotypic variation. These QTL should be investigated considering their importance for simultaneous selection for a high genetic gain. Results obtained in the present study provided information for a better understand of genetics architecture underlying quantitative traits studied and the genetic relation among them.