Der Einfluss der genetischen Struktur auf die phänotypische Vielfalt im Genpool der australischen Mango (Mangifera indica).

Wissenschaftliche Berichte Band 12, Artikelnummer: 20614 (2022) Diesen Artikel zitieren

1048 Zugriffe

7 Altmetrisch

Details zu den Metriken

Die genomische Selektion ist eine vielversprechende Züchtungstechnik für Baumkulturen, um die Entwicklung neuer Sorten zu beschleunigen. Allerdings können Faktoren wie die genetische Struktur aufgrund der gemeinsamen Geschichte von Populationen mit unterschiedlichen Merkmalswerten falsche Assoziationen zwischen Genotyp und Phänotyp hervorrufen. Die genetische Struktur kann daher die Genauigkeit der Genotyp-Phänotyp-Karte verringern, eine grundlegende Anforderung genomischer Selektionsmodelle. Hier verwendeten wir 272 Einzelnukleotidpolymorphismen aus 208 Akzessionen von Mangifera indica, um zu untersuchen, ob die genetische Struktur des australischen Mango-Genpools Variationen im Stammumfang, der Fruchtrotfarbe und -intensität erklärt. Mehrere populationsgenetische Analysen weisen auf das Vorhandensein von vier genetischen Clustern hin und zeigen, dass der genetisch differenzierteste Cluster aus Südostasien importierte Akzessionen enthält (hauptsächlich solche aus Thailand). Wir stellen fest, dass die genetische Struktur in starkem Zusammenhang mit drei Merkmalen steht: Stammumfang, Fruchtrotfarbe und Intensität bei M. indica. Dies deutet darauf hin, dass die Geschichte dieser Akzessionen falsche Assoziationen zwischen Loci und wichtigen Mango-Phänotypen im australischen Mango-Genpool hervorrufen könnte. Die Einbeziehung einer solchen genetischen Struktur in Zusammenhänge zwischen Genotyp und Phänotyp kann die Genauigkeit der genomischen Selektion verbessern, was die zukünftige Entwicklung neuer Sorten unterstützen kann.

Gartenbaubaumkulturen sind für eine nachhaltige Nahrungsmittelproduktion1 sowie für die Zier- und Industrienutzung von entscheidender Bedeutung. Baumkulturen können im Laufe der Zeit nachhaltiger angebaut werden als einjährige Feldfrüchte und tragen so dazu bei, die Nahrungsmittelversorgung einer wachsenden Weltbevölkerung zu verwalten2. Um neue Baumobstsorten mit verbesserter Produktivität und Qualität zu schaffen, müssen wir Züchtungstechnologien entwickeln, die biologische Einschränkungen ihrer Produktion überwinden. Tropische Arten wie Mangos sind oft groß und kräftig3, was zu Baumkronen führt, die schnell über den Platz im Obstgarten hinauswachsen. Dies erzeugt Schatten und bietet einen Nährboden für Krankheiten4. Um die negativen Auswirkungen der Baumgröße zu vermeiden, werden Bäume traditionell in geringer Dichte gepflanzt und jedes Jahr stark beschnitten4, was zu einer Verringerung der Gesamtproduktion pro Hektar und höheren Kosten pro Produktionseinheit führt. Daher ist man bestrebt, kleinere, weniger kräftige Bäume zu züchten und gleichzeitig hohe Erträge an hochwertigen Früchten aufrechtzuerhalten5,6. Solche Bemühungen werden Mangos hervorbringen, die in intensiven, dicht besiedelten Obstgärten angebaut werden können, die mehr Früchte pro Hektar produzieren7.

Die traditionelle Baumzüchtung ist langsam, da Bewertungen eine Bewertung der phänotypischen Leistung bei ausgewachsenen Bäumen über viele Jahre hinweg erfordern, um die Auswirkungen variabler räumlicher und zeitlicher Umgebungen auf die phänotypische Vielfalt zu berücksichtigen. Diese Bewertungen können in Kombination mit einer langen Jugendphase (typischerweise 2–4 Jahre4) dazu führen, dass der Auswahlprozess bis zu oder länger als 10 Jahre nach der Feldpflanzung dauert8, was die schnelle Entwicklung neuer Sorten unmöglich macht. Die Zeit für die Sortenentwicklung könnte verkürzt werden, indem die zukünftige phänotypische Leistung junger Individuen mithilfe der genomischen Selektion vorhergesagt wird, wie bei Äpfeln9, Süßkirschen10 und Erdbeeren11 gezeigt. Bei der genomischen Selektion werden Genotyp-zu-Phänotyp-Karten aus einer Trainingspopulation verwendet, um phänotypische Variationen in ungetesteten Populationen anhand von Markerdaten vorherzusagen12,13. Sobald also ein genomisches Selektionsmodell erstellt wurde, können die Dauer und die Kosten für die Phänotypisierung von Schlüsselmerkmalen reduziert werden. Die genomische Selektion hinsichtlich Baumgröße und Vitalität der Nachkommen könnte daher den Zuchtprozess verbessern und die Kosten der Mangozüchtung im Vergleich zu herkömmlichen Züchtungsansätzen senken.

Die Hauptannahme der genomischen Selektion besteht darin, dass genetische Marker auf einem Chromosom eng mit den verursachenden Loci verknüpft sind, die zum interessierenden Merkmal beitragen14. Im Allgemeinen gilt: Je näher der Marker an den verursachenden Orten liegt, desto genauer ist die Genotyp-Phänotyp-Karte. Allerdings kann die genetische Struktur statistische Assoziationen zwischen Loci schaffen, die nicht physisch miteinander verbunden sind. Dies liegt daran, dass evolutionäre Kräfte wie Migration, Drift und Mutation dazu führen können, dass Allelkombinationen zwischen nicht verknüpften Loci häufiger vorkommen, als zufällig erwartet15. Die genetische Struktur kann daher falsche Assoziationen zwischen genetischen Markern und Merkmalen hervorrufen. Darüber hinaus ist die genetische Struktur in modernen Kulturpflanzen häufig vorherrschend, insbesondere bei solchen, die durch menschliche Migration um die ganze Welt verbreitet wurden und bei denen es wahrscheinlich zu drastischen Schwankungen der Populationsgröße kam und die nach der Kreuzung genetisch verwandter Individuen mit günstigen Merkmalen unter Inzucht litten16.

Die Unterscheidung nicht informativer Loci aufgrund der genetischen Struktur von solchen, die mit ursächlichen Loci verknüpft sind, ist ein häufiges Problem, das bei genetischen Studien menschlicher Krankheiten17,18 und der Untersuchung der Merkmalsentwicklung verschiedener Taxa19,20,21,23 beobachtet wird. Glücklicherweise können wir die Genauigkeit der Genotyp-Phänotyp-Karte verbessern, indem wir die genetische Kovariation zwischen Merkmalen und Markern aufgrund der genetischen Struktur berücksichtigen24–26, eine Praxis, die potenziell die Qualität von Gartenbau-Zuchtprogrammen verbessern kann, die von hochvariablen Keimplasmasammlungen ausgehen. Hier bewerten wir die Annahme, dass sich die Variation gartenbaulicher Merkmale unabhängig von der genetischen Struktur trennt, indem wir Mangifera indica im Genpool des australischen Mango-Zuchtprogramms verwenden.

Mango ist weltweit eine wichtige Baumfrucht im Gartenbau, doch das Verständnis der Domestikationsgeschichte ist immer noch umstritten. Das Ursprungszentrum der Gattung Mangifera liegt in Südostasien, die Herkunft der Art M. indica ist jedoch noch fraglich. Basierend auf dem Fossilienbestand vermuteten Mukherjee27 und Blume28, dass die Mango vor weniger als 2,58 Millionen Jahren im Malaiischen Archipel entstand. Die neuere molekulare Taxonomie lässt jedoch darauf schließen, dass sie sich in einem großen Gebiet im Nordwesten von Myanmar, Bangladesch und Nordostindien entwickelt hat29. Von diesem Gebiet aus führten menschliche Migration und Handel zur Ausbreitung der Mangos in viele Regionen der Welt30.

Mehrere Studien haben die genetische Struktur domestizierter Mangos untersucht31,32,33,34,35,36,38. Unseres Wissens nach gibt es jedoch keine veröffentlichten Studien zu den Auswirkungen der genetischen Struktur auf die phänotypische Variation bei Mango-Akzessionen. Eine Studie mit 60 Mango-Akzessionen aus Indien berücksichtigte die genetische Struktur in einer Marker-Merkmalsanalyse35, Lal et al.35 bewerteten jedoch nicht die Auswirkung der genetischen Struktur auf ihre Genotyp-Phänotyp-Karte. Ohne den Einfluss der genetischen Struktur auf die phänotypische Vielfalt zu verstehen, wissen wir nicht, ob wir falsche Assoziationen zwischen genetischen Markern und wichtigen Mangomerkmalen herstellen. Hier untersuchten wir direkt die Auswirkungen der genetischen Struktur auf die Entstehung falscher Assoziationen zwischen genetischen Markern und drei Merkmalen – Stammumfang (ein Indikator für die Baumgröße), Fruchtrotfarbe und -intensität – im australischen Mango-Genpool. Wir untersuchten 272 SNP-Marker, die in 208 weltweit importierten Akzessionen von M. indica genotypisiert wurden, und deckten statistische Zusammenhänge zwischen genetischen Markern und Merkmalen auf, die sich aus der genetischen Struktur ergeben. Diese Ergebnisse werden als Leitfaden für zukünftige Studien dienen, die die genetische Struktur in ihre genomischen Selektionsmodelle einbeziehen.

Die genetische Struktur wurde sowohl in einer hierarchischen Clusteranalyse (HCA) als auch in einer Hauptkomponentenanalyse (PCA) für alle 208 M. indica-Akzessionen gefunden (Abb. 1). In Übereinstimmung mit dem jüngsten Ursprung aller Akzessionen erstellte die HCA ein Dendrogramm mit nur kurzen Zweigen in der Mitte (Abb. 1a), was darauf hindeutet, dass die Cluster nur durch wenige genetische Unterschiede getrennt sind. Die optimale Anzahl genetischer Cluster betrug K = 4, wie aus dem HCA und dem Ellbogendiagramm hervorgeht. Das Ellbogendiagramm des HCA zeigt nach fünf Clustern abnehmende Renditen in der erklärten Varianzmenge (Abb. S1). Im Dendrogramm ist Cluster 1 der genetisch differenzierteste Cluster, der ausschließlich aus Südostasien importierte Akzessionen enthält. Cluster 1 unterscheidet sich am stärksten von den Clustern 2 und 3. Im Gegensatz dazu ähnelt Cluster 4 eher Cluster 1 (Abb. 1a) und enthält eine Mischung von Proben aus verschiedenen geografischen Regionen (z. B. Südasien, Südostasien, Amerika und Ozeanien; Tabelle 1; Abb. 2). Im reduzierten Hauptkomponentenraum (PC) (Abb. 1b) überlappen sich genetische Cluster weitgehend, wobei südasiatische Akzessionen (hauptsächlich indische Akzessionen) hauptsächlich im Zentrum des multivariaten Raums konzentriert sind. Genetische Cluster aus Südostasien, Amerika und Ozeanien kommen an den Rändern des genotypischen Raums vor, wobei Südostasien in der PC1-Achse deutlich getrennt ist.

Genetische Strukturanalysen für K = 4 der 208 Akzessionen von M. indica aus sechs geografischen Regionen auf der ganzen Welt. (a) Ein kreisförmiges Dendrogramm, das die hierarchische Clusteranalyse unter Verwendung vollständiger Verknüpfungsclusterung zeigt. Jeder Zweig stellt eine Person dar, wobei die Farbe des Zweigs die geografische Region darstellt, aus der die Probe nach Australien importiert wurde. (b) Hauptkomponentenanalyse, wobei die Ellipsen (95 % Wahrscheinlichkeit) die vier Cluster aus der hierarchischen Clusteranalyse darstellen.

Genetische Struktur der 208 M. indica-Akzessionen in der gesamten Geographie. Die Clusterzahlen (K = 4) wurden mithilfe einer hierarchischen Clusteranalyse ermittelt (Abb. 1). Die Größe jedes Kreisdiagramms spiegelt die Anzahl der aus jedem Land importierten Beitritte wider. Die Weltkarte wurde im R-Paket „rworldmap“ v1.3–6 (https://cran.r-project.org/web/packages/rworldmap/) erstellt.

In Übereinstimmung mit den obigen HCA- und PCA-Ergebnissen haben wir mithilfe des in STRUCTURE39 implementierten Bayes'schen Clustering-Ansatzes genetische Cluster über die 208 M. indica-Akzessionen hinweg identifiziert (Abb. 3). Die meisten Akzessionen enthielten große Mengen an Beimischungen oder gemeinsamem Ahnenpolymorphismus, wobei Teile ihres Genoms verschiedenen genetischen Gruppen zugeordnet wurden. Wenn die genetische Differenzierung nur in zwei Gruppen unterteilt wurde (K = 2, siehe Methoden), bildete Südostasien eine Gruppe, während sich alle anderen Akzessionen in einer zweiten Gruppe befanden (Abb. 3). Die Lockerung dieser Einschränkung auf K = 3 ergab, dass die Beitritte Amerikas und Ozeaniens jeweils eine Gruppe bilden. Populationen sind fast nicht zu unterscheiden, wenn K größer als 4 ist. In Übereinstimmung mit dem oben diskutierten Ellbogendiagramm zeigen die Evanno-Methode40 und die logarithmische Wahrscheinlichkeit der K-Werte, dass K = 4 die optimale Anzahl von Clustern war (Abb. S2). Die meisten Akzessionen weisen Anzeichen einer Beimischung auf, was auf die Diversität mehrerer Gruppen hindeutet. Beimischungssignale sind besonders ausgeprägt bei Akzessionen aus Südasien, hauptsächlich aus Indien, die keine eindeutige genetische Gruppe mit irgendeinem K-Wert bilden.

Genetische Struktur von 208 M. indica-Individuen unter Verwendung von STRUKTUR für K = 2 bis K = 5. Jeder Balken stellt ein Individuum dar, wobei die Blautöne die Abstammungsverhältnisse zu jedem Cluster darstellen. Die Personen sind nach geografischer Region (schwarze Linien), wobei Af = Afrika, M = Naher Osten und U = unbekannt, und Land (weiße gepunktete Linien) sortiert. Informationen zu den einzelnen Ländercodes finden Sie in Tabelle 1.

Zusammengenommen legen die Ergebnisse von HCA, PCA und STRUCTURE nahe, dass Mango-Akzessionen des australischen Mango-Genpools aus vier genetischen Gruppen bestehen. Südostasiatische Akzessionen sind im Vergleich zum Rest der Welt am differenziertesten, was darauf hindeutet, dass sich diese Akzessionen möglicherweise anders entwickelt haben und so einen heterogenen Genpool für die Sortenbildung im australischen Mango-Zuchtprogramm geschaffen haben.

Analysen der genetischen Diversität ergaben ein hohes Maß an Heterozygotie und unterschiedliche Inzuchtmuster in den verschiedenen Regionen (Tabelle 2). Die Werte der erwarteten Heterozygotie (HE) und der beobachteten Heterozygotie (HO) waren weltweit hoch, wobei Amerika die höchsten Werte der beobachteten Heterozygotie (HO = 0,49) und Südostasien die niedrigsten (HO = 0,39) aufwies. Akzessionen aus Amerika enthalten einen Überschuss an heterozygoten Individuen (dh ein negativer Inzuchtkoeffizient; FIS = – 0,11; 95 %-KI – 0,13 bis – 0,08). Andererseits weisen Akzessionen aus Südostasien eine leichte Inzucht auf (dh ein positiver Inzuchtkoeffizient; FIS = 0,08; 95 %-KI 0,06 bis 0,11). Private Allele fehlten in allen Regionen, was entweder auf eine große Mischpopulation oder auf das Vorhandensein angestammter Polymorphismen hinweist, die nicht geografisch sortiert wurden.

Genetische Differenzierungsvergleiche zeigten variable FST-Muster zwischen genetischen Clustern und zwischen Importregionen. Vergleiche zwischen Regionen weisen niedrige FST-Werte auf, die zwischen –0,016 und 0,112 liegen (Tabelle 3a). Südostasien und der Nahe Osten, dicht gefolgt vom Vergleich zwischen Südostasien und Amerika, zeigten den höchsten Grad an genetischer Differenzierung (FST = 0,112 bzw. 0,107). Im Gegensatz dazu lag der FST zwischen den Clustern zwischen 0,051 und 0,286, wobei die Vergleiche mit Cluster 1 die höchsten Werte aufwiesen (Tabelle 3b). Insgesamt gibt es eine geringe genetische Divergenz zwischen den Regionen des australischen Mango-Genpools und eine hohe genetische Divergenz zwischen genetischen Clustern.

Phänotypische Korrelationsanalysen ergaben Zusammenhänge zwischen der Farbe und Intensität der Fruchtröte, jedoch nicht zwischen dieser und dem Stammumfang. Der Stammumfang, ein kontinuierliches Merkmal, schwankte im Alter von 9 Jahren stark und reichte von 27 bis 70 cm, während die kategorialen Fruchtmerkmale weniger variabel waren (siehe Abb. S3 für Fotos jeder Kategorie der Fruchtrotfarbe und -intensität). In einem einfaktoriellen linearen Modell korrelierten Farbe und Intensität der Fruchtröte stark (LR χ2 = 373,168, df = 4, p < 0,0001, R2 = 0,61). Da jedoch 39 % der Mango-Akzessionen keine fruchtige Röte-Farbe und daher keine fruchtige Röte-Intensität aufwiesen, haben wir „keine Röte“ entfernt und die Assoziation erneut getestet. Dies führte zu einer signifikanten, aber schwächeren Assoziation zwischen den Fruchtmerkmalen (LR χ2 = 95,077, df = 3, p < 0,0001, R2 = 0,28), was darauf hinweist, wie wichtig es für unser Verständnis der Genetik von Rouge in Mangos ist, keine Röte zu haben. Wir fanden keine Korrelation zwischen Stammumfang und Fruchtrotfarbe (Abb. S4; F4,203 = 1,093, p = 0,3613, R2 = 0,02) und Stammumfang und Fruchtrotintensität (Abb. S5; F4,203 = 1,473, p =). 0,2118, R2 = 0,03), was darauf hindeutet, dass der Stammumfang wahrscheinlich genetisch unabhängig von diesen Fruchtmerkmalen ist.

Fruchtrote Merkmale sind im australischen Mango-Genpool stark mit der Importregion verbunden. In linearen Einzelmerkmalsmodellen zeigte die Importregion einen signifikanten Einfluss auf die Fruchtrotfarbe (Abb. 4a; LR χ2 = 77,768, df = 12, p < 0,0001, R2 = 0,14) und die Fruchtrotintensität (Abb. 4b; LR χ2). = 98,936, df = 3, p < 0,0001, R2 = 0,18), aber nicht Rumpfumfang (F3,188 = 1,970, p = 0,1200, R2 = 0,03). In den Regionen mit mehr als zehn Proben reichte der Stammumfang von einem Mittelwert von 48,1 ± 1,8 (n = 38) in Südasien bis zu einem Mittelwert von 52,5 ± 1,3 (n = 46) in Amerika (Tabelle S1). Was die Fruchtrötefarbe betrifft (Tabelle S2), hatten 67 % der Akzessionen aus Südostasien keine Rötefarbe, während nur 11 % aus Amerika keine Rötefarbe hatten, wobei die meisten eine rote Röte aufwiesen (43 %). Was die Intensität der Fruchtröte betrifft (Tabelle S3), gab es in Amerika 41 % der Akzessionen mit einer mittleren Röteintensität, die der Haden-Akzession ähnelte. Im Vergleich dazu gab es in Ozeanien 39 % der Beitritte mit einer leichten Rötungsintensität, die dem Kensington-Pride-Beitritt ähnelte. Im Gegensatz dazu wiesen 94 % der südostasiatischen Akzessionen und 82 % der südasiatischen Akzessionen keine oder kaum sichtbare Rötungsintensität auf.

Fruchtrotfarbe und -intensität in der gesamten Geographie der 208 M. indica-Akzessionen. (a) Die Fruchtrouge-Farbe ist in fünf Kategorien unterteilt. (b) Die Intensität der Fruchtröte steigt auf einer Ordnungsskala von keiner Röte zu einer starken Röte, wobei die Akzessionen in Klammern die Farbintensität am besten widerspiegeln. Die Größe jedes Kreisdiagramms spiegelt die Anzahl der aus jedem Land importierten Beitritte wider. Die Weltkarte wurde im R-Paket „rworldmap“ v1.3-6 (https://cran.r-project.org/web/packages/rworldmap/) erstellt.

Die Farbe, Intensität und der Stammumfang der Fruchtröte waren alle mit den vier im HCA zugewiesenen Clustern verbunden. Die Clusterzuordnung hatte einen signifikanten Einfluss auf die Rötefarbe der Frucht (LR χ2 = 47,074, df = 12, p < 0,0001, R2 = 0,08) und das Vorhandensein von Röte (LR χ2 = 28,046, df = 3, p < 0,0001, R2 = 0,10). ), wobei 18 % der Personen in Cluster 1 rot waren, während 70 % bzw. 69 % der Personen aus Cluster 2 und 3 rot waren. Bei Cluster 1 ist es wahrscheinlicher, dass die Rötungsintensität geringer ist als bei den anderen Clustern, wenn die Kategorie „Keine Rötung“ ausgeschlossen wird (LR χ2 = 12,274, df = 3, p = 0,0065, R2 = 0,04; Quotenverhältnisse zwischen Cluster 1 und Cluster 2 bis). 4 lag zwischen 3,8 und 10,5). Schließlich hatte Cluster einen signifikanten Einfluss auf den Rumpfumfang (F3.204 = 18,410, p < 0,0001, R2 = 0,21), wobei Cluster 1 (Mittelwert = 52,3 ± 1,5, n = 28) und Cluster 2 (Mittelwert = 53,7 ± 0,8, n = 102) hatte den größten Rumpfumfang und Cluster 4 den kleinsten (Mittelwert = 36,8 ± 2,9, n = 11). Insgesamt gehen wir davon aus, dass die genetische Vielfalt und für die Importregion spezifische Faktoren wahrscheinlich die Genotyp-Phänotyp-Karte dieser wichtigen Mangomerkmale beeinflussen werden.

Die genetische Struktur entsteht durch evolutionäre Prozesse wie Mutation, Migration und genetische Drift, die zu Verschiebungen der Allelhäufigkeit führen, die zu statistischen Zusammenhängen zwischen zufälligen genetischen Markern und Merkmalen führen können41. Solche aus der genetischen Struktur resultierenden Variationen werden in Assoziationsstudien häufig mit Loci verwechselt, die zur Merkmalsvariation beitragen 17, 18, 19, 20, 21, 23, wodurch die in genomischen Selektionsmodellen angenommene Genotyp-Phänotyp-Karte falsch dargestellt werden kann. Unsere Studie zeigt, wie die genetische Struktur von M. indica zu statistischen Zusammenhängen zwischen genetischen Markern und drei in dieser Studie gemessenen phänotypischen Merkmalen führen kann – Stammumfang, Fruchtrotfarbe und -intensität. Dies legt nahe, dass die genetische Architektur dieser Gartenbaumerkmale Störungen enthält, die aus der Verschmelzung phänotypischer und historischer Unterschiede im australischen Mango-Genpool resultieren. Solcher Lärm kann falsche Assoziationen hervorrufen, die die Auswahl neuer Sorten behindern. Daher empfehlen wir, dass künftige Studien zur Mangozüchtung dies berücksichtigen.

Genetische Variabilität und Divergenz im australischen Mango-Genpool können auf zwei Arten verstanden werden. Einerseits sind aus verschiedenen Regionen importierte Beitritte nur schwach differenziert. Andererseits sind genetische Cluster stark differenziert, was die Existenz klarer genetischer Gruppen impliziert. Die in Abb. 2 beschriebenen Ergebnisse zeigen, dass genetische Cluster über Regionen verteilt sind, was bedeutet, dass ihre genetische Struktur auf der ganzen Welt verbreitet ist. Der Nettoeffekt dieser verschachtelten Beziehung zwischen geografischer Region und genetischem Cluster sind niedrige FST-Werte in den Regionen, aber hohe FST-Werte in den genetischen Clustern. Diese Beziehung kann verwendet werden, um die Ursachen der genetischen Divergenz im australischen Mango-Genpool zu vermuten.

In unserer Studie umfasst Cluster 1 (der nur südostasiatische Länder umfasst) die genetisch differenziertesten Akzessionen aus der ganzen Welt. Frühere Studien stützen diese Beobachtung; Warschefsky und von Wettberg31 zeigten, dass sich Akzessionen aus Südostasien in einem STRUKTUR-Plot zusammenballen, und Dillon et al.32 gelangten mithilfe genetischer Distanzanalysen von 254 Mangoakzessionen zu einer ähnlichen Schlussfolgerung. Überraschenderweise fanden wir keine privaten Allele (exklusive Allele) nach Südostasien, wie sie beispielsweise bei Warschefsky und von Wettberg gefunden wurden31 (74 private Allele von insgesamt 364 SNPs; 20 %). Es ist unklar, was diesen Unterschied in der Anzahl privater Allele zwischen den beiden Studien verursacht. Zu den Faktoren, die zur Variation der untersuchten Loci beitragen könnten, gehören jedoch unterschiedliche Sorten, unterschiedliche Sequenzierungstechniken (SNP-Chip vs. Restriktionsstellen-assoziierte DNA-Marker), unterschiedliche Ansätze zum Aufrufen von Varianten und zum Filtern der Nebenallelfrequenz42. 43. Die zwischen Südostasien und dem Rest der Welt beobachtete genetische Differenzierung könnte auf regionale kulturelle Unterschiede zurückzuführen sein. In Südostasien beispielsweise werden Mangos in herzhafte Gerichte eingearbeitet, was möglicherweise zur Auswahl unreifer Mangos geführt hat, die während der Reifung grün bleiben und daher keine Röte aufweisen31. Andererseits wird Rotrouge auf der ganzen Welt bevorzugt44, was wahrscheinlich die genetische Differenzierung zwischen Akzessionen aus Südostasien und dem Rest der Welt verstärkt.

Die künstliche Selektion aufgrund dieser kulturellen Vorlieben könnte einen Teil der im australischen Mango-Genpool identifizierten genetischen Differenzierung vorangetrieben haben. Es ist allgemein anerkannt, dass die Auswahl eines Merkmals durch genetische Verknüpfung gleichzeitig zur Entwicklung anderer Merkmale führen kann45,46. Die genetische Architektur ausgewählter Merkmale wird weitgehend das Ausmaß dieser korrelierten Entwicklung bestimmen. In dieser Studie zeigen wir, dass Farbe und Intensität der Fruchtröte stark korrelieren, was auf eine gemeinsame genetische Architektur schließen lassen könnte. Daher könnte die Auswahl eines dieser Merkmale teilweise die Entwicklung des anderen vorantreiben. Beispielsweise könnte die Entwicklung einer geringen Rouge-Intensität, jedoch nicht des Rumpfumfangs, auf die Auswahl geringer Rouge-Farben in Südostasien zurückzuführen sein. Die Auswahl polygener Merkmale und die Rekrutierung pleiotroper Gene können sich auch auf den Grad der genetischen Differenzierung im gesamten Genom auswirken. Die Selektion nach Rumpfumfang, einem polygenen Merkmal47, könnte daher zu Veränderungen der Allelfrequenzen über viele Loci hinweg führen. Im Gegensatz dazu werden die Farbpigmente von Früchten und ihre Mengen häufig von weniger Loci auf einfacheren biochemischen Wegen gesteuert48–50. Im Allgemeinen gehen wir davon aus, dass Gene, die das Wachstum und die Entwicklung von Pflanzen steuern, wichtige Treiber der genetischen Differenzierung zwischen Akzessionen sind und angesichts des Einflusses der genetischen Architektur ausgewählter Merkmale auf die Populationsstruktur weitere Aufmerksamkeit verdienen.

Polyembryonie könnte zur Entstehung genetischer Unterschiede zwischen Südostasien und anderen Akzessionen beigetragen haben. Südostasiatische Akzessionen sind typischerweise polyembryonal, wobei alle bis auf einen (den zygotischen Embryo) der multiplen somatischen Embryonen genetisch mit dem mütterlichen Elternteil identisch sind. Die Polyembryonie lässt sich bei mäßiger bis starker Selektion wahrscheinlich leicht aufrechterhalten, da angenommen wird, dass sie durch ein einzelnes dominantes Gen vererbt wird54,55. Ein hohes Maß an Polyembryonie kann die genetische Vielfalt in einer Population einfrieren, da es keine Hybridisierung und die Schaffung einzigartiger Individuen durch Rekombination ermöglicht, sondern genetisch identische Individuen vermehrt56. Polyembryonie kann daher zu genetischen Engpässen führen, wenn nur ein Bruchteil der ursprünglichen genetischen Vielfalt vermehrt wird, was mit der Signatur der Inzucht in südostasiatischen Akzessionen übereinstimmt, die wir in dieser Studie gefunden haben. Darüber hinaus haben frühere Studien eine genetische Häufung von Mango-Akzessionen entsprechend ihrer Fähigkeit zur Produktion polyembryonaler Samen festgestellt 57,58. In diesen Studien wird der Embryonentyp jedoch mit der geografischen Region in Verbindung gebracht, wobei südostasiatische Akzessionen die Polyembryonentypen dominieren. Ohne zukünftige Arbeiten, die den Beitrag der Polyembryonie und der geografischen Region auseinanderhalten, mangelt es uns daher an einem Verständnis der verschiedenen Ursachen der polyembryonalen Selektion und Inzucht für die genetische Vielfalt von Baumkulturen.

Genetische Vielfalt und Aufteilung der genetischen Struktur beeinflussen die Vorhersagegenauigkeit in genomischen Selektionsmodellen für Gartenbaukulturen16,24,26,59,60,61. Beispielsweise führte die Erhöhung der genetischen Vielfalt durch die Verwendung verschiedener Rassen oder genetischer Cluster in den Trainings- und Validierungssätzen zu höheren Vorhersagegenauigkeiten bei Reis, Sorghum16 und Weizen61. Es ist jedoch bekannt, dass genetische Vielfalt die Vorhersagegenauigkeit verringert, wenn der Schätzfehler hoch ist, was in kleinen Populationen oder bei geringer Markerdichte auftritt61,62. Per Definition erhöht die Verwendung von Markern in der Nähe der verursachenden Varianten die Vorhersagegenauigkeit während der Zucht. Dies ist jedoch mit Genotypisierungstechniken mit geringer Dichte wie SNP-Chips und Genotypisierung durch Sequenzierung schwer zu erreichen. Mit einer Sequenzierung, die das gesamte Genom abdeckt (z. B. Sequenzierung des gesamten Genoms), können Faktoren, die durch ein Bindungsungleichgewicht beeinflusst werden, besser kontrolliert werden, wie etwa das Auffinden von Markern in enger Verknüpfung mit verursachenden Genorten. Daher werden die Populationsgröße, die Markerdichte, die genetische Struktur der Population und die genetische Architektur der ausgewählten Merkmale eine wichtige Rolle für die Genauigkeit genomischer Selektionsmodelle spielen.

Um die nachteiligen Auswirkungen der genetischen Struktur in genomischen Selektionsmodellen zu mildern, werden bei Gartenbaukulturen zwei Hauptansätze eingesetzt16,24,26,59,61. Der erste Ansatz bezieht Hauptkomponenten aus genetischen Strukturanalysen als Kovariaten in das Modell ein63,64,65,66. Allerdings kann diese Methode die genetische Struktur doppelt zählen, da einige Elemente über die genomische Beziehungsmatrix in das Modell einbezogen werden67. Ein weiterer gängiger Ansatz zur Berücksichtigung der genetischen Struktur in genomischen Selektionsmodellen besteht darin, einen gleichen Beitrag aller genetischen Cluster in Trainings- und Validierungssätzen sicherzustellen. Es hat sich gezeigt, dass dieser geschichtete Probenahmeansatz die Vorhersagegenauigkeit bei Sorghum16 und Mais erhöht und könnte eine wirksame Methode im australischen Mango-Genpool sein. Im Allgemeinen hängt die Auswahl des genauesten genomischen Selektionsmodells weitgehend von der genetischen Struktur der Zuchtpopulation und der Anzahl der Proben ab.

Die Ergebnisse dieser Studie zeigen, dass eine weltweit verbreitete Gartenbauart über eine genetische Struktur verfügt, die statistische Zusammenhänge zwischen drei Schlüsselmerkmalen und genetischen Markern herstellen kann. Um die Auswirkungen falscher Marker zu beseitigen, sollten Züchter die genetische Struktur ihrer Zuchtpopulation vollständig charakterisieren. Dadurch können sie eine Probenstratifizierung integrieren, um die Leistung genomischer Selektionsmodelle zu verbessern. Zusammen mit den besten Praktiken der genomischen Selektion (z. B. Sequenzierung des gesamten Genoms und große Populationsgröße) können diese Überlegungen die Genotyp-Phänotyp-Karte verbessern, um die Auswahl von Individuen mit genauen Zuchtwerten zu erleichtern und die zukünftige Elternselektion voranzutreiben. Wir hoffen, dass unsere Studie andere Gartenbau-Züchtungsprogramme dazu ermutigt, ähnliche Methoden zu verfolgen.

Das gesamte für diese Forschung verwendete Pflanzenmaterial wurde von der Walkamin Research Station in Queensland (17,1341°S, 145,4271°E) bezogen und gesammelt, wo Bäume als lebende Sammlung gehalten werden. Das Ministerium für Landwirtschaft und Fischerei erteilte gemäß dem Projekt „National Tree Genomics Program – Phenotype Prediction“ (AS17000) die Erlaubnis zur Verwendung und Sammlung von Materialien von Mangobäumen aus ihrer Regierungsstation. Diese Studie entspricht den relevanten institutionellen, nationalen und internationalen Richtlinien und Gesetzen.

Insgesamt wurden 208 M. indica-Akzessionen aus der Genpoolsammlung des Australian Mango Breeding Program an der Walkamin Research Station verwendet. Diese Akzessionen wurden aus 21 Ländern in sechs geografischen Regionen importiert und auf den einheitlichen polyembryonalen Wurzelstock Kensington Pride aufgepfropft. Die vollständige Liste der Länder und Stichprobengrößen finden Sie in Tabelle 1.

Um einen Teil der genotypischen Vielfalt im australischen Mango-Genpool zu identifizieren, verwendeten wir die Genotypen von Kuhn et al.68. Die DNA-Isolierung für diese Genotypen wurde in Kuhn et al.69 beschrieben. Kurz gesagt, es wurden junge Blattproben von der Walkamin Research Station und dem Gewächshaus der Mareeba Research Facility, Queensland (17,0075°S, 145,4295°E) gesammelt. Die DNA wurde mit 20 mg frischer Probe mit dem Qiagen Plant DNeasy Kit extrahiert. Die SNP-Genotypisierung dieser DNA-Proben wurde mithilfe der Fluidigm EP-1-Plattform mit 384 biallelischen SNP-Markern durchgeführt. Schließlich wurden 272 SNP-Marker für weitere Analysen ausgewählt, wobei 236 Marker zu einer von 20 Verknüpfungsgruppen gehören (7–20 Marker pro Verknüpfungsgruppe) und die Position der verbleibenden 36 Marker im Genom unbekannt ist68. Genotypisch identische Individuen in den 272 SNPs wurden konsolidiert, so dass 208 Mango-Akzessionen für die Analysen übrig blieben. Im Durchschnitt wurden 98 % der 272 in dieser Studie verwendeten SNPs bei jeder Akzession erfolgreich genotypisiert.

Um die genotypische Clusterbildung der Mango-Akzessionen aufgrund genotypischer Ähnlichkeit zu untersuchen, führten wir eine hierarchische Clusteranalyse (HCA) der 208 M. indica-Akzessionen durch. Zunächst wurden paarweise genetische Abstände zwischen allen Akzessionen mit der Prozentmethode des „ape“ v5.3 R-Pakets70 berechnet. Die HCA wurde mit dem R-Paket „stats“ v3.6.2 mit vollständigem Linkage-Clustering durchgeführt. Dadurch werden alle paarweisen Unähnlichkeiten zwischen den Akzessionen in einem Cluster und den Akzessionen in einem anderen Cluster berechnet und der größte Wert dieser Unähnlichkeiten als Abstand zwischen den beiden Clustern betrachtet. Um die optimale Anzahl von Clustern zu ermitteln, verwendeten wir die Ellbogenmethode71, bei der die gesamte Quadratsumme (WSS) innerhalb des Clusters gegen die Anzahl der Cluster aufgetragen wird, um den „Ellbogen“ anzuzeigen, an dem sich die WSS-Abnahmerate verlangsamt und auf sinkende Renditen hinweist weitere Cluster72.

Wir haben die Hauptmuster der genetischen Ähnlichkeit zwischen den 208 Mango-Akzessionen im multivariaten Raum mithilfe einer Hauptkomponentenanalyse (PCA) mit 272 SNPs bewertet. Fehlende SNP-Daten wurden mithilfe des regulierten iterativen PCA-Algorithmus mit dem „missMDA“ v1.17 R-Paket73 unterstellt. Die PCA wurde mit dem „stats“ v3.6.2 R-Paket74 durchgeführt. Für jeden der vier Cluster im HCA wurden Ellipsen konstruiert, um die Position jedes Individuums in einem Cluster im multivariaten Raum mit einer Wahrscheinlichkeit von 95 % zu identifizieren.

Mit STRUCTURE v2.3.439 haben wir den Grad der Beimischung zwischen allen 208 M. indica-Akzessionen bestimmt. STRUCTURE ist ein Bayesian-Markov-Ketten-Monte-Carlo-Programm (MCMC), das Individuen auf der Grundlage ihrer Genotypen genetischen Clustern (K) zuordnet, indem es ein Hardy-Weinberg-Gleichgewicht innerhalb eines Clusters annimmt. Es gibt jedem Beitritt einen Beimischungskoeffizienten, um den Anteil des Genoms darzustellen, der aus einem bestimmten K-Cluster stammt. Wir haben das Beimischungsmodell und das korrelierte Allelfrequenzmodell75 mit zehn unabhängigen Läufen von 100.000 Burn-in- und 100.000 MCMC-Iterationen für K = 1 bis K = 7 ausgeführt. Wir haben die zusammenfassenden Statistiken der MCMC-Läufe visuell überprüft, um die Konvergenz der Modellparameter sicherzustellen. Die Ergebnisse wurden im „pophelper“ v2.2.7 R-Paket76 zusammengefasst und dargestellt. Der optimale K-Wert (der die wahrscheinlichste Anzahl von Teilpopulationen darstellt) wurde mit der Evanno-Methode40 geschätzt, die die Änderungsrate zweiter Ordnung in der logarithmischen Wahrscheinlichkeit von Daten zwischen aufeinanderfolgenden K-Werten im R-Paket StructureSelector77 verwendet. Der optimale K-Wert wurde auch mithilfe von LnP(K), der mittleren logarithmischen Wahrscheinlichkeit der Daten, geschätzt. Wir folgten auch den Vorschlägen von Pritchard et al.78 und Lawson et al.79 und zeichneten die niedrigsten K-Werte auf, die die Primärstruktur in den Daten erfassen.

Um den Grad der Differenzierung zwischen den Clustern und geografischen Regionen zu untersuchen, wurden die paarweisen FST- und 95-%-Konfidenzintervalle von Weir und Cockerham mit dem R-Paket „hierfstat“ v0.4.2280 geschätzt. Jeder Beitritt wurde einem auf dem HCA basierenden Cluster zugeordnet und jedes Importland wurde in sechs geografische Regionen eingeteilt. Wir haben 95 %-Konfidenzintervalle für jeden paarweisen Vergleich anhand von 1000 Bootstrap-Replikaten berechnet. Die Signifikanz wurde dadurch bestimmt, ob sich das Konfidenzintervall mit 0 überschnitt.

Maße der genetischen Vielfalt wurden für alle 208 M. indica-Akzessionen für jede der sechs geografischen Regionen berechnet. Im R-Paket „adegenet“ v2.1.281,82 wurde ein Genind-Objekt zur Eingabe in das R-Paket „hierfstat“ v0.4.2280 erstellt, um die beobachtete Heterozygotie (Ho), die erwartete Heterozygotie (HE) und den Inzuchtkoeffizienten (FIS) zu berechnen. Um festzustellen, ob FIS signifikant von 0 abweicht, haben wir 95 %-Konfidenzintervalle für jeden paarweisen Vergleich unter Verwendung von 1.000 Bootstrap-Replikaten berechnet. Die Anzahl der privaten Allele (Pr) wurde mit dem „poppr“ v2.8.6 R-Paket83,84 berechnet.

Um einen Teil der phänotypischen Vielfalt im australischen Mango-Genpool zu erfassen, haben wir drei Merkmale in allen 208 Mangoakzessionen gemessen – Stammumfang, Fruchtrotfarbe und Fruchtrotintensität. Der Stammumfang wurde als Indikator für die Baumgröße verwendet, da er sich als starker Indikator für die Baumgröße in anderen Baumkulturen erwiesen hat85,86,87. Der Stammumfang wurde 10 cm über dem Transplantat gemessen, als die Bäume 9 Jahre alt waren, in der Walkamin Research Station. Nach der Reife (> 5 Jahre alt) wurden Farbe und Intensität der Fruchtröte einmal im Jahr anhand von zehn reifen Früchten aus jedem Mango-Akzessor für mindestens 2 Jahre beurteilt. Die Früchte wurden von der Außenseite des Baumes entnommen, wo sie der vollen Sonne ausgesetzt sind und eine gut entwickelte Röte aufweisen. Fruchtrouge umfasste fünf Kategorien: kein Rouge, Orange, Rosa, Rot und Burgunderrot (Abb. S3a). Die Intensität der Fruchtröte wurde als fünf Ordnungsvariablen mit zunehmender Farbintensität aufgezeichnet (Abb. S3b), wobei die Akzessionen in Klammern die Farbintensität am besten widerspiegeln: keine Röte, kaum sichtbar, leicht (Kensington Pride), mittel (Haden) und stark (Tommy). Atkins).

Es wurden Assoziationstests durchgeführt, um die Beziehung zwischen Merkmalen zu untersuchen. Chi-Quadrat-Likelihood-Verhältnisse wurden verwendet, um die phänotypische Assoziation zwischen den kategorialen Merkmalen Fruchtrot und -intensität zu testen. Anschließend haben wir die gleiche Analyse durchgeführt, wobei die Kategorie „Kein Erröten“ entfernt wurde, um zu testen, ob die Assoziation bestehen bleibt. Ein lineares Modell wurde durchgeführt, um einen Zusammenhang zwischen Stammumfang und Fruchtrotfarbe sowie zwischen Stammumfang und Fruchtrotintensität zu testen.

Um die Auswirkung der Importregion sowohl auf den Genotyp als auch auf den Phänotyp im australischen Mango-Genpool zu verstehen, haben wir ihren Zusammenhang mit der genetischen Struktur und der phänotypischen Diversität getestet. Wir untersuchten den Einfluss der geografischen Region auf die phänotypische Vielfalt für drei wichtige Mango-Phänotypen – Stammumfang, Fruchtrotfarbe und -intensität. Wir führten einen Likelihood-Quotienten-Chi-Quadrat-Test für die Farbe der Fruchtröte (kategorial) und die Intensität (ordinal) im Vergleich zur Importregion und ein lineares Modell für den Stammumfang durch. Die Importregion war in jedem Modell die erklärende Variable und umfasste die in Tabelle 1 aufgeführten Regionen, mit Ausnahme unbekannter Regionen (n = 7) und Regionen mit geringen Stichprobengrößen, einschließlich des Nahen Ostens (n ​​= 4) und Afrikas (n = 5). ).

Anschließend testeten wir mithilfe der optimalen Clusterzuordnung von K = 4 aus dem HCA, ob sich die genetische Struktur auf die drei Phänotypen auswirkt. Es wurden Likelihood-Quotienten-Chi-Quadrat-Tests durchgeführt, um zu ermitteln, ob Cluster (1) die Rötefarbe der Frucht und (2) das Vorhandensein (n = 127) gegenüber der Abwesenheit von Röte (n = 81) erklärten, unabhängig von der Intensität der Röte. Anschließend haben wir die Personen ohne Fruchtröte aus dem Datensatz entfernt, um mithilfe eines Likelihood-Quotienten-Chi-Quadrat-Tests mit einem Odds-Ratio zu testen, ob es einen signifikanten Unterschied in der Intensität der Fruchtröte zwischen den Clustern nur für die Personen mit Fruchtröte gab. Schließlich führten wir ein gemischtes lineares Modell durch, um die Auswirkung des Clusters auf den Rumpfumfang zu testen. JMP v15.2.0 (SAS 2015) lieferte alle hier gemeldeten statistischen Ergebnisse.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel (und seinen ergänzenden Informationsdateien) enthalten.

Smith, JR Baumkulturen, eine dauerhafte Landwirtschaft. (Lulu.com, 2015).

Molnar, TJ, Kahn, PC, Ford, TM, Funk, CJ & Funk, CR Baumkulturen, eine dauerhafte Landwirtschaft: Konzepte aus der Vergangenheit für eine nachhaltige Zukunft. Ressourcen 2, 457–488. https://doi.org/10.3390/resources2040457 (2013).

Artikel Google Scholar

Mizani, A. et al. in XI International Symposium on Integrating Canopy, Rootstock and Environmental Physiology in Orchard Systems 1228.1228 edn 167–174 (International Society for Horticultural Science (ISHS), Leuven, Belgien).

Bally, IS Mangifera indica (Mango). Traditionelle Bäume der Pazifikinseln. Ihre Kultur, Umwelt und Nutzung, 441–464 (2006).

Bally, ISE, Ping, L. & Johnson, PR Mango Breeding. In Breeding Plantation Tree Crops: Tropical Species (Hrsg. Mohan Jain, S. & Priyadarshan, PM) 51–82 (Springer New York, New York, NY, 2009). https://doi.org/10.1007/978-0-387-71201-7_2.

Kapitel Google Scholar

Bally, ISE & Dillon, NL Mango (Mangifera indica L.) Zucht. In Advances in Plant Breeding Strategies: Fruits: Band 3 (Hrsg. Al-Khayri, JM et al.) 811–896 (Springer International Publishing, Cham, 2018). https://doi.org/10.1007/978-3-319-91944-7_20.

Kapitel Google Scholar

Reddy, Y., Kurian, RM, Ramachander, P., Singh, G. & Kohli, R. Langfristige Auswirkungen von Wurzelstöcken auf das Wachstum und die Fruchtertragsmuster der „Alphonso“-Mango (Mangifera indica L.). Wissenschaft. Gartenbau. 97, 95–108. https://doi.org/10.1016/S0304-4238(02)00025-0 (2003).

Artikel Google Scholar

Topp, BL, Nock, CJ, Hardner, CM, Alam, M. & O'Connor, KM Macadamia (Macadamia spp.) Zucht. In Advances in Plant Breeding Strategies: Nut and Beverage Crops: Band 4 (Hrsg. Al-Khayri, JM et al.) 221–251 (Springer International Publishing, Cham, 2019). https://doi.org/10.1007/978-3-030-23112-5_7.

Kapitel Google Scholar

Kumar, S. et al. Genomische Selektion auf Fruchtqualitätsmerkmale bei Äpfeln (Malus×domestica Borkh). PLoS One 7, e36674. https://doi.org/10.1371/journal.pone.0036674 (2012).

Artikel CAS PubMed PubMed Central Google Scholar

Piaskowski, J. et al. Schätzungen der genomischen Erblichkeit bei Süßkirschen zeigen, dass nicht-additive genetische Varianz für von der Industrie priorisierte Merkmale relevant ist. BMC Genet. 19, 23. https://doi.org/10.1186/s12863-018-0609-8 (2018).

Artikel PubMed PubMed Central Google Scholar

Gezan, SA, Osorio, LF, Verma, S. & Whitaker, VM Eine experimentelle Validierung der genomischen Selektion bei oktoploiden Erdbeeren. Gartenbau. Res. 4, 16070. https://doi.org/10.1038/hortres.2016.70 (2017).

Artikel CAS Google Scholar

Desta, ZA & Ortiz, R. Genomische Selektion: genomweite Vorhersage bei der Pflanzenverbesserung. Trends Pflanzenwissenschaft. 19, 592–601. https://doi.org/10.1016/j.tplants.2014.05.006 (2014).

Artikel CAS PubMed Google Scholar

Heffner, EL, Sorrells, ME & Jannink, J.-L. Genomische Selektion zur Pflanzenverbesserung. Crop Sci. 49, 1–12. https://doi.org/10.2135/cropsci2008.08.0512 (2009).

Artikel CAS Google Scholar

Kijas, JW et al. Bindungsungleichgewicht über kurze physikalische Distanzen, gemessen bei Schafen unter Verwendung eines SNP-Chips mit hoher Dichte. Tiergenet. 45(5), 754–757. https://doi.org/10.1111/age.12197 (2014).

Artikel CAS PubMed Google Scholar

Li, H. & Ralph, P. Local PCA zeigt, wie sich die Wirkung der Populationsstruktur entlang des Genoms unterscheidet. Genetics 211, 289. https://doi.org/10.1534/genetics.118.301747 (2019).

Artikel CAS PubMed Google Scholar

Sapkota, S. et al. Einfluss der Sorghum-Rassenstruktur und -Diversität auf die genomische Vorhersage von Getreideertragskomponenten. Crop Sci. 60, 132–148. https://doi.org/10.1002/csc2.20060 (2020).

Artikel Google Scholar

Berg, JJ et al. Reduziertes Signal für polygene Anpassung der Körpergröße in der britischen Biobank. eLife 8, e39725. https://doi.org/10.7554/eLife.39725 (2019).

Artikel PubMed PubMed Central Google Scholar

Sohail, M. et al. Die polygene Anpassung an die Körpergröße wird aufgrund der unkorrigierten Stratifizierung in genomweiten Assoziationsstudien überschätzt. eLife 8, e39702. https://doi.org/10.7554/eLife.39702 (2019).

Artikel PubMed PubMed Central Google Scholar

Cardon, LR & Palmer, LJ Populationsstratifizierung und falsche Allelassoziation. The Lancet 361, 598–604. https://doi.org/10.1016/S0140-6736(03)12520-2 (2003).

Artikel Google Scholar

Flint-Garcia, SA et al. Maisassoziationspopulation: eine hochauflösende Plattform für die quantitative Trait-Locus-Dissektion. Werk J. 44, 1054–1064. https://doi.org/10.1111/j.1365-313X.2005.02591.x (2005).

Artikel CAS PubMed Google Scholar

Zhao, K. et al. Ein Arabidopsis-Beispiel für die Assoziationskartierung in strukturierten Proben. PLoS Genet. 3, e4. https://doi.org/10.1371/journal.pgen.0030004 (2007).

Artikel CAS PubMed PubMed Central Google Scholar

Power, RA, Parkhill, J. & de Oliveira, T. Mikrobielle genomweite Assoziationsstudien: Lehren aus menschlichen GWAS. Nat. Rev. Genet. 18, 41–50. https://doi.org/10.1038/nrg.2016.132 (2017).

Artikel CAS PubMed Google Scholar

Quignon, P. et al. Struktur der Hundepopulation: Bewertung und Einfluss der Stratifizierung innerhalb der Rasse auf SNP-basierte Assoziationsstudien. PLoS One 2, e1324. https://doi.org/10.1371/journal.pone.0001324 (2007).

Artikel CAS PubMed PubMed Central Google Scholar

Guo, Z. et al. Der Einfluss der Populationsstruktur auf die Genomvorhersage in geschichteten Populationen. Theor. Appl. Genet. 127, 749–762. https://doi.org/10.1007/s00122-013-2255-x (2014).

Artikel PubMed Google Scholar

Teo, YY Häufige statistische Probleme in genomweiten Assoziationsstudien: eine Übersicht über Aussagekraft, Datenqualitätskontrolle, Genotypisierung und Populationsstruktur. Curr. Meinung. Lipidol. 19, 133–143. https://doi.org/10.1097/MOL.0b013e3282f5dd77 (2008).

Artikel CAS PubMed Google Scholar

Werner, CR et al. Wie sich die Populationsstruktur auf die Genauigkeit der genomischen Selektion bei der Kreuzvalidierung auswirkt: Auswirkungen auf die praktische Züchtung. Vorderseite. Pflanzenwissenschaft. https://doi.org/10.3389/fpls.2020.592977 (2020).

Artikel PubMed PubMed Central Google Scholar

Mukherjee, SK Herkunft der Mango. Indischer J. Genet. Pflanzenrasse. 11, 49–56 (1951).

Google Scholar

Blume, CL, Bd. 1 (1850).

Bompard, JM Taxonomie und Systematik. In The Mango: Botany, Production and Uses (Hrsg. Litz, RE) 19–41 (CABI, Wallingford, 2009). https://doi.org/10.1079/9781845934897.0019.

Kapitel Google Scholar

Mukherjee, S. & Litz, R. in The Mango: Botany, Production and Uses (Hrsg. RE Litz) (CAB international, 2009).

Warschefsky, EJ & von Wettberg, EJB Die Populationsgenomanalyse der Mango (Mangifera indica) lässt auf eine komplexe Geschichte der Domestikation schließen. Neues Phytol. 222, 2023–2037. https://doi.org/10.1111/nph.15731 (2019).

Artikel CAS PubMed Google Scholar

Dillon, NL et al. Genetische Vielfalt der Australian National Mango Genebank. Wissenschaft. Hortisch. 150, 213–226. https://doi.org/10.1016/j.science.2012.11.003 (2013).

Artikel Google Scholar

Schnell, R. et al. Analyse der genetischen Diversität von Mangos und Abstammungsschlussfolgerungen für Florida-Sorten mithilfe von Mikrosatellitenmarkern. HortScience 41, 993–993. https://doi.org/10.21273/JASHS.131.2.214 (2006).

Artikel Google Scholar

Razak, SA et al. Bewertung der Diversität und Populationsstruktur des Keimplasmas der Mango (Mangifera indica L.) anhand von Mikrosatellitenmarkern (SSR). Aust. J. Crop Sci. 13, 315 (2019).

Artikel CAS Google Scholar

Lal, S. et al. Assoziationsanalyse für pomologische Merkmale in Mango (Mangifera indica L.) durch genetische SSR-Marker. Bäume 31, 1391–1409. https://doi.org/10.1007/s00468-017-1554-2 (2017).

Artikel CAS Google Scholar

Sherman, A. et al. Keimplasma-Diversität der Mango (Mangifera indica L.) basierend auf Einzelnukleotid-Polymorphismen, die vom Transkriptom abgeleitet sind. BMC Plant Biol. 15, 277. https://doi.org/10.1186/s12870-015-0663-6 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Surapaneni, M. et al. Populationsstruktur und genetische Analyse des Keimplasmas verschiedener Nutzmangoarten (Mangifera indica L.) im indischen Bundesstaat Andhra Pradesh unter Verwendung von Mikrosatellitenmarkern. Pflanzensystemat. Evolution. 299, 1215–1229. https://doi.org/10.1007/s00606-013-0790-1 (2013).

Artikel CAS Google Scholar

Hirano, R., Htun Oo, T. & Watanabe, KN Myanmar-Mango-Landrassen zeigen genetische Einzigartigkeit gegenüber gängigen Sorten aus Florida, Indien und Südostasien. Genom 53, 321–330. https://doi.org/10.1139/g10-005 (2010).

Artikel CAS PubMed Google Scholar

Pickrell, JK & Pritchard, JK Rückschluss auf Populationsaufteilungen und -mischungen aus genomweiten Allelfrequenzdaten. PLoS Genet. 8, e1002967. https://doi.org/10.1371/journal.pgen.1002967 (2012).

Artikel CAS PubMed PubMed Central Google Scholar

Evanno, G., Regnaut, S. & Goudet, J. Ermitteln der Anzahl von Individuenclustern mithilfe der Softwarestruktur: eine Simulationsstudie. Mol. Ökologisch. 14, 2611–2620. https://doi.org/10.1111/j.1365-294X.2005.02553.x (2005).

Artikel CAS PubMed Google Scholar

Song, S., Dey, DK & Holsinger, KE Differenzierung zwischen Populationen mit Migration, Mutation und Drift: Auswirkungen auf die genetische Schlussfolgerung. Evolution 60, 1–12. https://doi.org/10.1554/05-315.1 (2006).

Artikel PubMed PubMed Central Google Scholar

Albrechtsen, A., Nielsen, FC & Nielsen, R. Ermittlungsverzerrungen in SNP-Chips beeinflussen Maße der Bevölkerungsdivergenz. Mol. Biol. Entwicklung 27, 2534–2547. https://doi.org/10.1093/molbev/msq148 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Nielsen, R. Schätzung von Populationsparametern und Rekombinationsraten aus Einzelnukleotidpolymorphismen. Genetik 154, 931–942. https://doi.org/10.1093/genetics/154.2.931 (2000).

Artikel CAS PubMed PubMed Central Google Scholar

Shruti, S. et al. Bewertung neu entwickelter Mango-Hybriden (Mangifera indica) hinsichtlich ihres Lagerverhaltens und ihrer Schalenfarbe. Indischer J. Agric. Wissenschaft. 81, 252–255 (2011).

Google Scholar

Burgess, KS, Etterson, JR & Galloway, LF Künstliche Selektion verschiebt die Blütenphänologie und andere damit verbundene Merkmale in einem autotetraploiden Kraut. Vererbung 99, 641–648. https://doi.org/10.1038/sj.hdy.6801043 (2007).

Artikel CAS PubMed Google Scholar

Roff, DA Evolutionary Quantitative Genetics (Springer Science & Business Media, Heidelberg, 2012).

Google Scholar

O'Connor, K. et al. Genomweite Assoziationsstudien für Ertragskomponentenmerkmale in einer Macadamia-Zuchtpopulation. BMC-Genom. 21, 199. https://doi.org/10.1186/s12864-020-6575-3 (2020).

Artikel CAS Google Scholar

Grotewold, E. Die Genetik und Biochemie von Blütenpigmenten. Annu. Rev. Plant Biol. 57, 761–780. https://doi.org/10.1146/annurev.arplant.57.032905.105248 (2006).

Artikel CAS PubMed Google Scholar

Koes, R., Verweij, W. & Quattrocchio, F. Flavonoide: ein farbenfrohes Modell für die Regulierung und Entwicklung biochemischer Wege. Trends Pflanzenwissenschaft. 10, 236–242. https://doi.org/10.1016/j.tplants.2005.03.002 (2005).

Artikel CAS PubMed Google Scholar

Kayesh, E. et al. Fruchtschalenfarbe und die Rolle von Anthocyanen. Acta Physiol. Anlage. 35, 2879–2890. https://doi.org/10.1007/s11738-013-1332-8 (2013).

Artikel CAS Google Scholar

Smeekens, S., Ma, J., Hanson, J. & Rolland, F. Zuckersignale und molekulare Netzwerke, die das Pflanzenwachstum steuern. Curr. Meinung. Pflanzenbiol. 13, 273–278. https://doi.org/10.1016/j.pbi.2009.12.002 (2010).

Artikel CAS Google Scholar

Teale, WD, Paponov, IA & Palme, K. Auxin in Aktion: Signalisierung, Transport und Kontrolle von Pflanzenwachstum und -entwicklung. Nat. Rev. Mol. Zellbiol. 7, 847–859. https://doi.org/10.1038/nrm2020 (2006).

Artikel CAS PubMed Google Scholar

Mishra, BS, Sharma, M. & Laxmi, A. Rolle des Zucker- und Auxin-Crosstalks beim Pflanzenwachstum und der Pflanzenentwicklung. Physiol. Anlage. 174, e13546. https://doi.org/10.1111/ppl.13546 (2022).

Artikel CAS PubMed Google Scholar

Brettell, RIS, Johnson, PR, Kulkarni, VJ, Müller, W. & Bally, ISE 645 edn 319–326 (International Society for Horticultural Science (ISHS), Leuven, Belgien).

Aron, Y., Gazit, S., Czosnek, H. & Degani, C. Polyembryonie in Mango (Mangifera indica L.) wird durch ein einzelnes dominantes Gen kontrolliert. HortScience 33, 1241–1242 (1998).

Artikel Google Scholar

Hollister, JD et al. Wiederkehrender Geschlechtsverlust ist mit der Anhäufung schädlicher Mutationen in Oenothera verbunden. Mol. Biol. Entwicklung 32, 896–905. https://doi.org/10.1093/molbev/msu345 (2014).

Artikel CAS PubMed Google Scholar

Abirami, K., Singh, S., Singh, R., Mohapatra, T. & Kumar, AR Genetische Diversitätsstudien an polyembryonalen und monoembryonalen Mango-Genotypen unter Verwendung molekularer Marker. Indischer J. Gartenbau. 65, 258–262 (2008).

Google Scholar

Shukla, M., Babu, R., Mathur, V. & Srivastava, D. Verschiedene genetische Grundlagen indischer polyembryonaler und monoembryonaler Mangosorten (Mangifera indica L.). Curr. Wissenschaft. 85, 870–871 (2004).

Google Scholar

Crossa, J. et al. Genomische Vorhersage in CIMMYT-Mais- und Weizenzüchtungsprogrammen. Vererbung 112, 48–60. https://doi.org/10.1038/hdy.2013.16 (2014).

Artikel CAS PubMed Google Scholar

Isidro, J. et al. Optimierung des Trainingssatzes unter Berücksichtigung der Populationsstruktur bei der genomischen Selektion. Theor. Appl. Genet. 128, 145–158. https://doi.org/10.1007/s00122-014-2418-4 (2015).

Artikel PubMed Google Scholar

Norman, A., Taylor, J., Edwards, J. & Kuchel, H. Optimierung der genomischen Selektion in Weizen: Einfluss von Markerdichte, Populationsgröße und Populationsstruktur auf die Vorhersagegenauigkeit. G3 Genes|Genom|Genet 8, 2889. https://doi.org/10.1534/g3.118.200311 (2018).

Artikel PubMed Central Google Scholar

Lund, MS, van den Berg, I., Ma, P., Brøndum, RF & Su, G. Rezension: Wie man genomische Vorhersagen in kleinen Milchviehpopulationen verbessert. Tier 10, 1042–1049. https://doi.org/10.1017/S1751731115003031 (2016).

Artikel CAS PubMed Google Scholar

Bermingham, ML et al. Anwendung der hochdimensionalen Merkmalsauswahl: Auswertung zur Genomvorhersage beim Menschen. Wissenschaft. Rep. 5, 10312. https://doi.org/10.1038/srep10312 (2015).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Price, AL et al. Die Hauptkomponentenanalyse korrigiert die Stratifizierung in genomweiten Assoziationsstudien. Nat. Genet. 38, 904–909. https://doi.org/10.1038/ng1847 (2006).

Artikel CAS PubMed Google Scholar

Patterson, N., Price, AL & Reich, D. Bevölkerungsstruktur und Eigenanalyse. PLoS Genet. 2, e190. https://doi.org/10.1371/journal.pgen.0020190 (2006).

Artikel CAS PubMed PubMed Central Google Scholar

Peloso, GM, Timofeev, N. & Lunetta, KL Hauptkomponentenbasierte Anpassung der Populationsstruktur in den Daten des North American Rheumatoid Arthritis Consortium: Einfluss des Einzelnukleotid-Polymorphismussatzes und der Analysemethode. BMC Proc. 3, S108. https://doi.org/10.1186/1753-6561-3-S7-S108 (2009).

Artikel CAS PubMed PubMed Central Google Scholar

Janss, L., de los Campos, G., Sheehan, N. & Sorensen, D. Schlussfolgerungen aus Genommodellen in geschichteten Populationen. Genetik 192, 693–704. https://doi.org/10.1534/genetics.112.141143 (2012).

Artikel PubMed PubMed Central Google Scholar

Kuhn, DN et al. Abschätzung der genetischen Diversität und Verwandtschaft in einer Mango-Keimplasma-Sammlung mithilfe von SNP-Markern und einer vereinfachten visuellen Analysemethode. Wissenschaft. Hortisch. 252, 156–168. https://doi.org/10.1016/j.scienta.2019.03.037 (2019).

Artikel Google Scholar

Kuhn, DN et al. Genetische Karte der Mango: ein Werkzeug für die Mangozüchtung. Vorderseite. Pflanzenwissenschaft. 8, 577. https://doi.org/10.3389/fpls.2017.00577 (2017).

Artikel PubMed PubMed Central Google Scholar

Paradis, E. & Schliep, K. ape 5.0: eine Umgebung für moderne Phylogenetik und Evolutionsanalysen in R. Bioinformatics 35, 526–528. https://doi.org/10.1093/bioinformatics/bty633 (2019).

Artikel CAS PubMed Google Scholar

Daru, BH, Elliott, TL, Park, DS & Davies, TJ Verständnis der Prozesse, die den Mustern der phylogenetischen Regionalisierung zugrunde liegen. Trends Ecol. Entwicklung 32, 845–860. https://doi.org/10.1016/j.tree.2017.08.013 (2017).

Artikel PubMed Google Scholar

Kassambara, A. Praktischer Leitfaden zur Clusteranalyse in R: Unüberwachtes maschinelles Lernen. Bd. 1 (Sthda, 2017).

Josse, J. & Husson, F. missMDA: ein Paket zur Behandlung fehlender Werte in der multivariaten Datenanalyse. J. Stat. Softw. 70, 31. https://doi.org/10.18637/jss.v070.i01 (2016).

Artikel Google Scholar

R-Kernteam. R: eine Sprache und Umgebung für statistische Berechnungen. R Foundation for Statistical Computing, Wien, Österreich (2019).

Falush, D., Stephens, M. & Pritchard, JK Inferenz der Populationsstruktur mithilfe von Multilocus-Genotypdaten: verknüpfte Loci und korrelierte Allelfrequenzen. Genetik 164, 1567–1587. https://doi.org/10.1093/genetics/164.4.1567 (2003).

Artikel CAS PubMed Central Google Scholar

Francis, RM Pophelper: ein R-Paket und eine Web-App zur Analyse und Visualisierung der Bevölkerungsstruktur. Mol. Ökologisch. Ressource. 17, 27–32. https://doi.org/10.1111/1755-0998.12509 (2017).

Artikel CAS PubMed Google Scholar

Li, YL & Liu, JX StructureSelector: eine webbasierte Software zur Auswahl und Visualisierung der optimalen Anzahl von Clustern mithilfe mehrerer Methoden. Mol. Ökologisch. Ressource. 18, 176–177. https://doi.org/10.1111/1755-0998.12719 (2018).

Artikel PubMed Google Scholar

Pritchard, JK, Stephens, M. & Donnelly, P. Inferenz der Populationsstruktur mithilfe von Multilocus-Genotypdaten. Genetik 155, 945-959. https://doi.org/10.1093/genetics/155.2.945 (2000).

Artikel Google Scholar

Lawson, DJ, van Dorp, L. & Falush, D. Ein Tutorial, wie man STRUCTURE- und ADMIXTURE-Balkendiagramme nicht überinterpretiert. Nat. Komm. 9, 3258. https://doi.org/10.1038/s41467-018-05257-7 (2018).

Artikel CAS Google Scholar

Goudet, J. Hierfstat, ein Paket für R zum Berechnen und Testen hierarchischer F-Statistiken. Mol. Ökologisch. Anmerkungen 5, 184–186. https://doi.org/10.1111/j.1471-8286.2004.00828.x (2005).

Artikel Google Scholar

Jombart, T. adegenet: ein R-Paket für die multivariate Analyse genetischer Marker. Bioinformatik 24, 1403–1405. https://doi.org/10.1093/bioinformatics/btn129 (2008).

Artikel CAS PubMed Google Scholar

Jombart, T. & Ahmed, I. adegenet 1.3–1: neue Werkzeuge für die Analyse genomweiter SNP-Daten. Bioinformatik 27, 3070–3071. https://doi.org/10.1093/bioinformatics/btr521 (2011).

Artikel CAS PubMed PubMed Central Google Scholar

Kamvar, ZN, Tabima, JF & Grünwald, NJ Poppr: ein R-Paket für die genetische Analyse von Populationen mit klonaler, teilweise klonaler und/oder sexueller Fortpflanzung. PeerJ 2, e281. https://doi.org/10.7717/peerj.281 (2014).

Artikel PubMed PubMed Central Google Scholar

Kamvar, ZN, Brooks, JC & Grünwald, NJ Neuartige R-Tools zur Analyse genomweiter populationsgenetischer Daten mit Schwerpunkt auf Klonalität. Vorderseite. Genet. https://doi.org/10.3389/fgene.2015.00208 (2015).

Artikel PubMed PubMed Central Google Scholar

Abd El-Wahab, RH et al. Anthropogene Auswirkungen auf die Populationsstruktur von Acacia tortilis subsp. raddiana entlang eines Gradienten der Wasserverfügbarkeit im südlichen Sinai Ägyptens. Afr. J. Ecol. 52, 308–317. https://doi.org/10.1111/aje.12121 (2014).

Artikel Google Scholar

Cheng, FS & Roose, ML Ursprung und Vererbung der Zwergbildung durch den Zitruswurzelstock Poncirus trifoliataflying Dragon. Marmelade. Soc. Hortisch. Wissenschaft. 120, 286–291 (1995).

Artikel Google Scholar

Sax, K. & Gowen, JW Der Stellenwert von Beständen bei der Vermehrung klonaler Apfelsorten. Genetics 8, 458 (1923).

Artikel CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Wir danken David Kuhn, ehemals Agriculture Research Services, Landwirtschaftsministerium der Vereinigten Staaten (ARS-USDA), und Barbara Freeman von ARS-USDA für die Bereitstellung der Genotypen. Diese Forschung wurde im Rahmen des National Tree Genomics Program – Phenotype Prediction-Projekts (AS17000) durchgeführt, das vom Hort Frontiers Advanced Production Systems Fund finanziert wird, Teil der von Hort Innovation entwickelten strategischen Partnerschaftsinitiative Hort Frontiers, mit Co-Investition von The University of Queensland und Queensland Government sowie Beiträge der australischen Regierung. Die Daten und ihre Nutzung erfolgen mit freundlicher Genehmigung des Bundesstaates Queensland, Australien, durch das Ministerium für Landwirtschaft und Fischerei.

Diese Autoren haben gleichermaßen beigetragen: Craig M. Hardner und Daniel Ortiz-Barrientos.

School of Biological Sciences, The University of Queensland, Brisbane, QLD, 4072, Australien

Melanie J. Wilkinson, Maddie E. James und Daniel Ortiz-Barrientos

Exzellenzzentrum des Australian Research Council für Pflanzenerfolg in Natur und Landwirtschaft, University of Queensland, Brisbane, QLD, 4072, Australien

Melanie J. Wilkinson, Maddie E. James und Daniel Ortiz-Barrientos

Queensland Alliance for Agriculture and Food Innovation, The University of Queensland, Brisbane, QLD, 4072, Australien

Risa Yamashita und Craig M. Hardner

Queensland Department of Agriculture and Fisheries, Mareeba, QLD, 4880, Australien

Ian SE Bally, Natalie L. Dillon und Asjad Ali

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

MW, CH und DO haben die Studie entworfen. IB, ND und AA sammelten und kuratierten die Daten. MW, RY und MJ führten eine Datenanalyse durch. MW, MJ, RY und DO haben das Manuskript geschrieben. DO und CH stellten die Finanzierung sicher und fungierten als Mentoren. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Melanie J. Wilkinson.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Wilkinson, MJ, Yamashita, R., James, ME et al. Der Einfluss der genetischen Struktur auf die phänotypische Vielfalt im Genpool der australischen Mango (Mangifera indica). Sci Rep 12, 20614 (2022). https://doi.org/10.1038/s41598-022-24800-7

Zitat herunterladen

Eingegangen: 05. September 2022

Angenommen: 21. November 2022

Veröffentlicht: 30. November 2022

DOI: https://doi.org/10.1038/s41598-022-24800-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.