Performance of pedigree-based inference in a commercial rose (Rosa sp.) breeding dataset from Ecuador

Desempeño de la inferencia basada en el pedigrí en un conjunto de datos de mejoramiento comercial de rosas (Rosa sp.) en Ecuador

Commercial breeding programs generate extensive and valuable non-experimental phenotypic and pedigree records; however, their suitability for quantitative genetic inference has not been sufficiently studied. This study assesses the performance of pedigree-based linear mixed models using a commercial rose (Rosa sp.) breeding dataset from Ecuador. Alternative pedigree-based best linear unbiased prediction (PB-BLUP) models were fitted for four economically relevant traits. Random-effect structures were compared using relative Akaike’s and Bayesian information criteria, likelihood ratio tests, and residual diagnostics. Variance components, heritability estimates, and genetic values were interpreted as model-dependent diagnostics rather than as population parameters. Accordingly, the unbalanced structure and error variance of the observational archival data were addressed through mixed-model specification rather than experimental control. Therefore, the validity of the results should be understood as dependent on the fitted model and the analyzed data archive. Additionally, a phenotyping framework is proposed to improve data consistency under operational breeding conditions. Model performance differed among traits. Pedigree structure captured consistent patterns for stem length (h² = 0.815), head size (h² = 0.639), and petal count (h² = 0.562). For stem length, PB-BLUP values ranged from -19.22 cm to 11.25 cm across pedigrees, suggesting substantial differences among families. However, inference for flower color was unstable because of phenotyping heterogeneity and limited pedigree connectivity. Overall, the reliability of the inference was primarily determined by trait characteristics, phenotyping quality, and pedigree structure. The results highlight the importance of data standardization over increased model complexity.

Los grandes volúmenes de registros fenotípicos y de pedigrí generados por los programas de mejoramiento comercial tienen un potencial considerable para la inferencia genética cuantitativa; sin embargo, su utilidad en condiciones no experimentales no ha sido suficientemente estudiada. En este estudio se analiza el desempeño de modelos mixtos basados en pedigrí mediante registros históricos de un programa comercial de mejoramiento de rosas (Rosa sp.) en Ecuador. Se ajustaron modelos de predicción lineal insesgada basada en pedigrí (PB-BLUP) para cuatro rasgos de interés y se compararon distintas estructuras de efectos aleatorios mediante los criterios de información de Akaike y bayesiano, pruebas de razón de verosimilitud y diagnósticos de ajuste. Los parámetros genéticos se interpretaron como diagnósticos dependientes del modelo y no como estimaciones poblacionales. En estos datos no experimentales, la estructura desbalanceada y la variabilidad del error se abordaron mediante la especificación de modelos mixtos, en lugar del control experimental. Por tanto, la validez de los resultados de este estudio metodológico debe interpretarse en función del ajuste del modelo y del contexto operativo del programa de mejoramiento. Adicionalmente, se propone un marco de fenotipado orientado a mejorar la consistencia de los registros en condiciones operativas. Los resultados muestran que la inferencia fue más consistente para la longitud de tallo (h² = 0.815), el tamaño de la cabeza floral (h² = 0.639) y el número de pétalos (h² = 0.562). Para la longitud de tallo, los valores PB-BLUP oscilaron entre −19.22 cm y 11.25 cm entre pedigríes, lo que sugiere diferencias sustanciales entre familias. Por otro lado, la inferencia para el color floral presentó una alta inestabilidad asociada a un fenotipado heterogéneo y a la limitada conectividad del pedigrí. La inferencia demostró ser dependiente de la estructura del modelo y su confiabilidad en registros comerciales depende principalmente de la calidad del fenotipado y de la estructura de los datos. Los resultados resaltan la importancia de la estandarización del fenotipado y del registro por encima de una mayor complejidad del modelo.