Borrás, Lucas2020-09-302020-09-302015http://hdl.handle.net/2133/19042La mayor parte de las variaciones de rendimiento en maíz son explicadas por cambios en el número de granos fijados. El número de granos es dependiente de la biomasa acumulada en espiga (BE) alrededor de la floración. Ambos son caracteres cuantitativos influenciados por el ambiente. La determinación de las bases genéticas de los caracteres cuantitativos resulta compleja producto de interacciones genotipo x ambiente. Los modelos ecofisiológicos son una posible solución a este problema ya que están diseñados para predecir interacciones genotipo x ambiente basándose en respuestas dinámicas de la variable en estudio. En la presente tesis se estudiaron las regiones cromosómicas (QTL) asociadas a la determinación de número de granos en maíz a nivel de planta a través de dos análisis de QTL diferentes: (i) sobre los caracteres finales per se (números de granos por planta, NGP, y biomasa acumulada en la espiga al final del período de floración, BE) y (ii) sobre parámetros específicos de un modelo ampliamente documentado que describe la respuesta del NGP y la BE al crecimiento por planta alrededor de la floración. Se detectaron QTL para NGP, BE y los parámetros del modelo que relacionan NGP y BE con el crecimiento por planta para 125 RILs de la población IBM Syn4 (B73 x Mo17) evaluadas en dos ambientes. Posteriormente se evaluaron varias de estas RILs y otras líneas de la misma población que no estaban incluidas en el análisis de QTL con el objetivo de predecir la BE y el NGP basados en la información de QTL proveniente de cada análisis. La hipótesis a testear es que realizar un análisis de QTL sobre los parámetros del modelo ecofisiológico que describe la respuesta del NGP y la BE al crecimiento por planta alrededor de la floración permitirá predecir estos rasgos de manera más robusta que usar información QTL de los caracteres per se. Todos los caracteres mostraron variaciones significativas entre RILs y ambos análisis detectaron varios QTL para todos los caracteres. Los QTL asociados a BE y NGP per se no se localizaron en las mismas regiones que los QTL detectados para los parámetros del modelo. La información del QTL de los parámetros del modelo ayudó a predecir la BE y el NGP con mayor precisión (r2= 0,13 y 0,12, p<0,001, para BE y NGP, respectivamente) que predecir BE y NGP basados en los QTL detectados para los caracteres finales per se (r2<0,01 y <0,01, p>0,10, para BE y NGP, respectivamente). Hay que destacar que la incorporación de información sobre el crecimiento de las plantas estuvo relacionada a la mejora de las predicciones en el enfoque que emplea el modelo ecofisiológico. En síntesis, se identificaron regiones cromosómicas que incluyen genes potencialmente relevantes relacionados con la determinación de NGP en maíz y se empleó un enfoque que combina la información genética con modelo ecofisiológico para predecir el NGP. La información obtenida ayudó a predecir el NGP sólo parcialmente, sugieriendo que son necesarios otros enfoques.Most maize yield variations are explained by changes in the number of established kernels. Kernel number ¡s dependent upon ear biomass accumulation around flowering. Both are quantitative traits highly influenced by the environment. Determining the genetic basis of quantitative traits is complex because of usual genetic x environment interactions (GxE). Crop physiology models are proposed to help overcome this problem, as they are structured to predict GxE interactions based on dynamic responses. We studied the genetic basis of maize kernel number determination at the plant level by conducting two quantitative trait loci (QTL) analysis: (i) on final traits per se (kernel number per plant, KNP, and ear biomass, EB) and (ii) on specific model parameters of well-documented curves describing KNP and EB response to plant growth around flowering. Quantitative trait loci for KNP, EB and model parameters relating KNP and EB to plant growth were determined for 125 RlLs of the IBM Syn4 (B73 x Mo17) at two environments. We later grew several of these RILs and others from the same population not included in the QTL analysis and attempted to predict EB and KNP based on QTL information from each analysis. We hypothesized that doing the QTL analysis on crop physiology model parameters that describe the response of KNP and EB to pLant growth is better than using direct QTL information. All traits showed significant variation, and both analyses detected several QTL for the studied traits. Associated QTL for EB and KNP per se did not localize with QTL detected for model parameters. This is the first report describing genomic regions for key physiological traits related to maize biomass partitioning around flowering and kernel set efficiency per unit of accumulated EB. The QTL information of model parameters helped predict accumulated EB and KNP with higher accuracy (r2 0.13 and 0.12, p<0.001, for EB and KNP, respectively) than trying to predict EB and KNP based on QTL detected on final traits per se (r2 0.01 and <0.01, p>0.10, for EB and KNP, respectively). Including information about plant growth on the crop physiology model approach was closely related to the increased accuracy over KNP predictions. As such, we identified chromosome Areas including potentially relevant genes involved in maize KNP determination, but this information helped predict KNP at different environments onLy partially, suggesting other approaches might be needed.application/pdfspaopenAccessMaízLoci de rasgos cuantitativosNúmero de granosVariación genéticaVariación fenotípicaInteracción genotipo ambientedoctoralThesisAutorAtribución-NoComercial-Compartirigual 2.5 Argentina (CC-BY-NC-SA 2.5 AR)