Miscanthus tiene potencial como cultivo de biomasa pero el desarrollo de variedades que son consistentemente superiores al híbrido natural M. × giganteus ha sido un desafío, presumiblemente debido a las fuertes interacciones G × E y al escaso conocimiento de las complejas arquitecturas genéticas de los rasgos que subyacen a la productividad de la biomasa y la adaptación climática. Si bien los estudios de mapeo de ligamiento y asociación están comenzando a generar largas listas de regiones candidatas e incluso genes individuales, parece poco probable que esta información pueda traducirse en una selección efectiva asistida por marcadores para las necesidades de los programas de mejoramiento. La selección genómica ha surgido como una alternativa viable, y las precisiones de predicción son moderadas en una variedad de características fenológicas y morfométricas en Miscanthus, aunque relativamente bajas para el rendimiento de biomasa. per se.

eslavo et al. propuso anteriormente una combinación de selección de índices y predicción genómica como una forma de superar las limitaciones impuestas por la complejidad inherente del rendimiento de la biomasa. Extienden este enfoque e ilustran su potencial para lograr múltiples objetivos de reproducción simultáneamente, en ausencia de a priori conocimiento sobre su importancia económica relativa, al mismo tiempo que monitorea las respuestas de selección correlacionadas para rasgos no objetivo. Evaluamos dos escenarios hipotéticos de aumento del rendimiento de biomasa en un 20 % dentro de una sola ronda de selección. En el primer escenario, esto se logra en combinación con un retraso de la floración de 44 días (aproximadamente un 20 %), mientras que, en el segundo, el aumento del rendimiento se busca junto con una reducción del contenido de lignina (–5 %) y un aumento del contenido de celulosa (+5 %). , en relación con los niveles promedio actuales en la población reproductora. En ambos escenarios, los objetivos se lograron de manera eficiente (intensidades de selección correspondientes a mantener el 20 y 4 % de los mejores genotipos, respectivamente).

Aunque estos cálculos se basan en múltiples suposiciones, destacan la necesidad de evaluar los objetivos de reproducción y considerar explícitamente las respuestas correlacionadas. in silico, antes de comprometer amplios recursos. El enfoque propuesto es ampliamente aplicable para este propósito y puede incorporar fácilmente datos de fenotipado de alto rendimiento como parte de plataformas de reproducción integradas.