表型组学辅助的马铃薯育种稀疏测试

《Scientific Reports》:Phenomics-assisted sparse testing for potato breeding

【字体: 大 中 小 】 时间:2026年07月15日 来源:Scientific Reports 4.9

编辑推荐:

  近几十年来,全球天气模式发生了剧烈变化,给农业带来了更大的不可预测性。植物育种的一个主要挑战是制定在这种不确定性下仍能保持准确的选择策略。稀疏测试是一种成熟的方法,用于在田间试验中增加评估的基因型数量,同时控制成本。然而,将基于图像的数据整合到稀疏测试中仍然具

  
近几十年来,全球天气模式发生了剧烈变化,给农业带来了更大的不可预测性。植物育种的一个主要挑战是制定在这种不确定性下仍能保持准确的选择策略。稀疏测试是一种成熟的方法,用于在田间试验中增加评估的基因型数量,同时控制成本。然而,将基于图像的数据整合到稀疏测试中仍然具有挑战性。研究人员开发了一种策略,将高通量表型数据整合到马铃薯育种的稀疏测试中,以提高多环境试验中的预测性能。该方法构建了一个环境核(environmental kernel),该核源自基于图像数据的协方差矩阵(covariance matrix)。研究人员评估了几种回归模型在稀疏测试下的预测性能,包括单独基于基因组(genomic)或表型组(phenomic)数据的模型及其组合。仅使用所提出的环境核的模型,在各种稀疏测试场景中实现了与基因组预测模型相当或更高的预测精度。块茎产量(tuber yield)作为马铃薯育种的关键性状,观察到了最佳结果。这些发现凸显了基于图像的环境核在提高稀疏测试效率和准确性方面的潜力。该方法成本效益高且可扩展,尤其适用于资源有限的育种项目。
**论文解读:表型组学辅助的马铃薯育种稀疏测试研究**

**研究背景**
气候变化导致全球天气模式剧烈波动,农业生产的不可预测性显著增加。植物育种面临的核心挑战是在这种不确定性下开发仍能保持准确的选择策略。稀疏测试(sparse testing)作为一种成熟方法,能通过减少每个环境中表型评估的基因型数量来增加总的测试基因型数,同时控制试验成本。然而,如何将基于图像的高通量表型(high-throughput phenotyping, HTP)数据整合进稀疏测试框架仍是一大难题。马铃薯(*Solanum tuberosum* L.)作为全球粮食安全的重要作物,因其繁殖系数低、病害易感性高及自交相容的四倍体基因组(2n = 4x = 48)复杂性,育种进展缓慢。传统基因组选择(genomic selection, GS)虽能缩短育种周期,但在预测新基因型在未测试环境中的表现时,受逐年气候变异和基因型-环境互作(genotype-by-environment interaction, G×E)影响,预测精度可能下降。已有研究表明,基因组辅助稀疏测试能提高评价效率,但HTP数据在稀疏测试中的应用尚未充分评估。因此,本研究旨在探索如何利用HTP数据构建环境核(environmental kernel),以提升多环境稀疏测试中关键农艺性状(如总块茎重量、块茎大小分布、淀粉含量)的预测性能。

**研究人员开展的研究、结论及意义**
研究人员利用256份马铃薯育种克隆和品种,在瑞典南部两个地点(Helgeg?rden和Mosslunda)、两个年份(2020和2021)构成的三个环境(location-year组合)中开展试验。通过无人机(unmanned aerial vehicle, UAV)获取多时相RGB图像,提取植被指数(如可见光抗大气指数VARI、绿红比指数GRRI等)及株高、覆盖度等图像性状,并采用曲线下面积(area under the curve, AUC)整合时间动态。同时收集常规性状(总块茎重量、分级块茎重量、淀粉含量)及环境协变量(温度、降水等)。基因分型采用DArTag方法获得2500个单核苷酸多态性(single nucleotide polymorphism, SNP)标记,编码为四倍体等位基因剂量。研究人员开发了一种基于主成分分析(principal component analysis, PCA)的方法:在每个环境中对图像性状进行PCA,提取第一主成分(PC1)的特征向量,计算环境间Pearson相关系数,形成环境核矩阵(E)。然后构建线性混合效应模型,比较不同内核组合(基因组关系矩阵G、环境核E、G+E组合、以及不含互作项的简化模型)在多种稀疏测试场景(数据完整性从10%到66%)下的预测精度,评估指标包括平方Pearson相关系数(r2)、Kendall’s Tau(τ)、均方误差(MSE)和平均绝对误差(MAE)。

研究得出以下主要结论:在三个环境场景中,当数据完整性为33%时,淀粉含量是唯一r2超过0.5的性状;基因组核G在大多数性状上表现略优,但环境核E在替代指标(τ、MSE、MAE)上表现竞争性。在66%完整性时,G与E核在总块茎重量、淀粉含量及大块茎(50–60mm和>60mm)上表现相当。两个环境场景中,当数据完整性为50%时,单独使用E核在所有性状上均显著优于G核及G+E组合,总块茎重量预测精度提升高达60%。在40%完整性时,E核在总块茎重量及中等级块茎上仍占优,但在极端稀疏(10%–20%)条件下G核更稳健。研究还发现,图像性状能清晰区分环境间的表型差异,而常规环境协变量(如气象数据)在相邻地点间区分能力有限。环境核与基因型-环境互作效应BLUP(best linear unbiased prediction)的相关性模式一致,证实了其作为环境相似性度量的有效性。

这项研究的重要意义在于:首次提出将图像衍生的环境核用于马铃薯稀疏测试,并证明其在特定场景下可达到甚至超越基因组预测的精度。该方法成本低、可扩展,尤其适合资源有限的育种项目;同时,HTP数据可重复利用于早期选择,减少表型测试工作量,加速遗传增益。论文发表于《Scientific Reports》。

**主要关键技术与方法**(不超过250字)
1. 基于PCA的环境核构建:在三个环境中分别对标准化后的六种图像性状(VARI、GRRI、冠层反射率CR、覆盖度、株高、叶绿素含量)进行PCA,提取第一主成分特征向量,计算环境间Pearson相关系数矩阵作为环境核E。
2. 稀疏测试交叉验证设计:模拟多种稀疏场景(数据完整性10%–66%),每个场景重复50次,评估不同核组合(G、E、G+E、简化模型)在预测常规性状BLUE(best linear unbiased estimate)时的表现。模型采用贝叶斯框架(BGLR包)拟合线性混合效应模型,基因组关系矩阵G基于SNP标记的等位基因剂量计算。
3. 样本队列来源:256份马铃薯育种克隆和品种(包括瑞典南部两个试验地点Helgeg?rden和Mosslunda,分别于2020和2021年种植),三个环境(Helgeg?rden 2020、Helgeg?rden 2021、Mosslunda 2021)。

**研究结果**

**Phenotypic evaluation across environments(跨环境表型评估)**
通过密度图、PCA及环境协变量热图分析,发现图像性状(如VARI、GRRI)在不同环境间的均值差异明显,而常规性状(如块茎重量)的差异更多体现在分布形状上。PCA显示图像性状的主要变异归因于环境差异(地点和年份),而常规环境协变量(来自NASA POWER数据库)在相邻地点间区分度有限。

**Genetic analyses and trait heritabilities(遗传分析与性状遗传力)**
采用线性混合模型估计方差组分和遗传力。多数性状(除株高外)的基因型主效应和G×E效应均显著(p < 0.05)。图像性状对试验设计的行列效应敏感,表明其能捕捉微观环境变异。对于G×E效应,异质性一阶自回归方差-协方差结构(heterogeneous first-order autoregressive)在多数性状中具有最低的AIC和BIC值,支持环境间存在相关性及方差异质性。基于BLUP的相关性分析显示,Helgeg?rden 2020与Helgeg?rden 2021之间的相关性接近Helgeg?rden 2021与Mosslunda 2021之间的相关性,而Helgeg?rden 2020与Mosslunda 2021间的相关性最低,反映时间与空间梯度。

**Defining the association between environments using image-based traits(利用图像性状定义环境间关联)**
分别对每个环境内的图像性状进行PCA,提取第一主成分特征向量并计算环境间相关矩阵。该矩阵的大小与基于BLUP的G×E效应相关性矩阵一致,且Mosslunda 2021与另两个环境呈负相关,可能与田间管理差异有关。因此,该相关矩阵可作为预测模型中的环境核E。

**Prediction models for sparse testing across three environments(三环境稀疏测试预测模型)**
在三个环境场景下,当数据完整性为66%时,含与不含G×E互作项的模型表现相似;在更高缺失率时,含互作项的模型性能下降,故后续专注于不含互作项的简化模型。在10%–20%完整性时,所有性状的r2均值低于0.5;淀粉含量在20%完整性下使用G核获得最高r2(约0.47)。在33%完整性时,只有淀粉r2>0.5;对于>60mm块茎重量,G核r2约0.48,E核约0.35,但τ、MSE、MAE差异较小。在66%完整性时,G与E核在淀粉、总块茎重量及中大块茎上表现相当;对小块茎(<40mm和40–50mm)G核略优。组合G+E核在任何场景下均未提升预测精度。

**Prediction models for sparse testing across two environments(两环境稀疏测试预测模型)**
在两环境组合下,当数据完整性为50%时,单独使用E核在所有性状上显著优于G核及G+E组合。与G核相比,E核在50–60mm块茎重量上提升约62%,总块茎重量提升约60%。在40%完整性时,E核在总块茎重量和中等块茎大小上仍占优;在30%完整性时性能因环境组合而异;在10%–20%极端稀疏时,G核通常表现更佳。总体而言,在至少33%完整性的所有场景中,E核与G核表现相当或更优。

**总结与讨论**
研究讨论部分指出,HTP数据对环境和试验单元(如重复、行列)的变异高度敏感,因此通过PCA提取环境核能有效量化环境相似性,克服传统环境协变量(如气象数据)在相邻地点间区分能力不足的局限。该方法避免了在稀疏测试中因部分基因型缺失图像数据而无法直接使用图像性状作为协变量的难题。在具有相似环境条件的试验中,基于图像的E核预测能力与G核相当;在极端缺失数据时,G核更稳健。两环境场景表现优于三环境场景,可能与样本量有限且模型复杂度随环境增加有关。研究还指出,该环境核可能存在信息泄露(因其来自同一试验框架),且评估环境较为相似,限制了结论向更对比条件的泛化。未来需在更严格验证方案和独立环境中检验其鲁棒性。对于基因型数量少、环境数量有限的场景,图像基环境核可成为基因组信息的有效替代或补充,尤其对马铃薯这类育种周期长的作物,有助于在不降低遗传增益的前提下减少每个环境评价的基因型数。对于营养性状(如淀粉含量)环境差异小,环境核提升有限;而产量性状(总块茎重量)则表现最佳。

**研究结论部分翻译**:
我们的研究结果表明,在多种评估情景和性状中均观察到了令人鼓舞的结果。尽管使用的SNP标记数量相对有限,但先前研究已证明该标记密度足以在马铃薯中产生可靠估计,这与我们的发现一致。然而,我们认识到相对有限的样本量和评估环境数量可能影响了模型性能。与早期研究一致,我们的结果也强调了表型组学在监测作物发育中的价值。图像性状在不同环境间的明显表型差异被清晰捕捉,支持了图像衍生物性用于环境表征的实用性。值得注意的是,在某些情景下,基于图像性状构建的环境核的预测性能与基因组关系矩阵相当。在我们的实验条件下(环境相对相似),HTP衍生的信息可能比传统环境协变量更好地捕捉细微的环境变异。虽然各环境间BLUE的相关性因性状而异,但即使在相关性较低的性状(如按尺寸分类的块茎重量)中也观察到了积极结果。此外,由于马铃薯复杂的遗传结构可能降低基因组关系矩阵完全捕捉基因型特异性响应的能力,基因组核的部分预测贡献实际上可能类似于单位矩阵成分,这或许解释了在某些情景下(甚至包含G×E项)加入两项时观察到的有限额外增益。虽然在缺失数据极端的极端情况下基因组数据提供了更稳健的预测,但在每个环境至少30%个体拥有完整数据的所有情况下,使用图像基环境核预测总块茎重量的精度与仅使用基因组数据相当,甚至在某些情况下更高。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号