Wheat quality improvement is an important objective in all wheat breeding programs. However, due to the cost, time and quantity of seed required, wheat quality is typically analyzed only in the last stages of the breeding cycle on a limited number of samples. The use of genomic prediction could greatly help to select for wheat quality more efficiently by reducing the cost and time required for this analysis. Here were evaluated the prediction performances of 13 wheat quality traits under two multi‐trait models (Bayesian multi‐trait multi‐environment [BMTME] and multi‐trait ridge regression [MTR]) using five data sets of wheat lines evaluated in the field during two consecutive years. Lines in the second year (testing) were predicted using the quality information obtained in the first year (training). For most quality traits were found moderate to high prediction accuracies, suggesting that the use of genomic selection could be feasible. The best predictions were obtained with the BMTME model in all traits and the worst with the MTR model. The best predictions with the BMTME model under the mean arctangent absolute percentage error (MAAPE) were for test weight across the five data sets, whereas the worst predictions were for the alveograph trait ALVPL. In contrast, under Pearson's correlation, the best predictions depended on the data set. The results obtained suggest that the BMTME model should be preferred for multi‐trait prediction analyses. This model allows to obtain not only the correlation among traits, but also the correlation among environments, helping to increase the prediction accuracy.

中文翻译：

---

基于基因组的多年小麦品质性状的预测

在所有小麦育种计划中，提高小麦品质是一个重要目标。但是，由于所需的成本，时间和种子数量，通常仅在育种周期的最后阶段对有限数量的样品进行小麦品质分析。使用基因组预测可以通过减少分析所需的成本和时间，极大地帮助更有效地选择小麦品质。使用五个田间评估的小麦品系数据，在两个多特征模型（贝叶斯多特征多环境[BMTME]和多特征垄回归[MTR]）下评估了13个小麦品质性状的预测表现。连续两年。使用第一年（培训）获得的质量信息预测第二年（测试）中的品系。对于大多数品质性状，都发现了中等至较高的预测准确性，这表明使用基因组选择是可行的。BMTME模型在所有性状上均获得最佳预测，而MTR模型则获得最差预测。在平均反正切绝对百分比误差（MAAPE）下，BMTME模型的最佳预测是针对五个数据集的测试重量，而最不利的预测是针对航海记录仪特征ALVPL。相反，在Pearson的相关性下，最佳预测取决于数据集。获得的结果表明，对于多特征预测分析，应首选BMTME模型。该模型不仅可以获取性状之间的相关性，还可以获取环境之间的相关性，从而有助于提高预测准确性。提示使用基因组选择是可行的。BMTME模型在所有性状上均获得最佳预测，而MTR模型则获得最差预测。在平均反正切绝对百分比误差（MAAPE）下，BMTME模型的最佳预测是针对五个数据集的测试重量，而最不利的预测是针对航海记录仪特征ALVPL。相反，在Pearson的相关性下，最佳预测取决于数据集。获得的结果表明，对于多特征预测分析，应首选BMTME模型。该模型不仅可以获取性状之间的相关性，还可以获取环境之间的相关性，从而有助于提高预测准确性。提示使用基因组选择是可行的。BMTME模型在所有性状上均获得最佳预测，而MTR模型则获得最差预测。在平均反正切绝对百分比误差（MAAPE）下，BMTME模型的最佳预测是针对五个数据集的测试重量，而最不利的预测是针对航海记录仪特征ALVPL。相反，在Pearson的相关性下，最佳预测取决于数据集。获得的结果表明，对于多特征预测分析，应首选BMTME模型。该模型不仅可以获取性状之间的相关性，还可以获取环境之间的相关性，从而有助于提高预测准确性。BMTME模型在所有性状上均获得最佳预测，而MTR模型则获得最差预测。在平均反正切绝对百分比误差（MAAPE）下，BMTME模型的最佳预测是针对五个数据集的测试重量，而最不利的预测是针对航海记录仪特征ALVPL。相反，在Pearson的相关性下，最佳预测取决于数据集。获得的结果表明，对于多特征预测分析，应首选BMTME模型。该模型不仅可以获取性状之间的相关性，还可以获取环境之间的相关性，从而有助于提高预测准确性。BMTME模型在所有性状上均获得最佳预测，而MTR模型则获得最差预测。在平均反正切绝对百分比误差（MAAPE）下，BMTME模型的最佳预测是针对五个数据集的测试重量，而最不利的预测是针对航海记录仪特征ALVPL。相反，在Pearson的相关性下，最佳预测取决于数据集。获得的结果表明，对于多特征预测分析，应首选BMTME模型。该模型不仅可以获取性状之间的相关性，还可以获取环境之间的相关性，从而有助于提高预测准确性。在平均反正切绝对百分比误差（MAAPE）下，BMTME模型的最佳预测是针对五个数据集的测试重量，而最不利的预测是针对航海记录仪特征ALVPL。相反，在Pearson的相关性下，最佳预测取决于数据集。获得的结果表明，对于多特征预测分析，应首选BMTME模型。该模型不仅可以获取性状之间的相关性，还可以获取环境之间的相关性，从而有助于提高预测准确性。在平均反正切绝对百分比误差（MAAPE）下，BMTME模型的最佳预测是针对五个数据集的测试重量，而最不利的预测是针对航海记录仪特征ALVPL。相反，在Pearson的相关性下，最佳预测取决于数据集。获得的结果表明，对于多特征预测分析，应首选BMTME模型。该模型不仅可以获取性状之间的相关性，还可以获取环境之间的相关性，从而有助于提高预测准确性。