基于BLUP的稳定性与多性状选择指数在不同环境下鉴定稳定高产玉米基因型的研究

《Frontiers in Plant Science》:Identification of stable and high-yielding maize genotypes using BLUP-based stability and multi-trait selection indices across diverse environments

【字体: 大 中 小 】 时间:2026年07月22日 来源:Frontiers in Plant Science 5.9

编辑推荐:

  玉米(Zea mays L.)是全球最重要的谷类作物之一,是食品、饲料和工业原料的主要来源;然而,在不同环境下鉴定高产且稳定的玉米基因型是玉米改良计划的关键目标。共计60份玉米基因型在四个环境[2023年夏季(E1)、2023年冬季(E2)、2024年夏季(E

  
玉米(Zea mays L.)是全球最重要的谷类作物之一,是食品、饲料和工业原料的主要来源;然而,在不同环境下鉴定高产且稳定的玉米基因型是玉米改良计划的关键目标。共计60份玉米基因型在四个环境[2023年夏季(E1)、2023年冬季(E2)、2024年夏季(E3)和2024年冬季(E4)]中以α格子设计进行评估,含两次重复,由六个不完全区组组成,每区组10个条目。随后评估了15个形态学和产量相关性状,以鉴定跨环境的优越且稳定的玉米基因型。合并方差分析显示所有性状的基因型、环境和基因型×环境互作效应均极显著。广义遗传力在籽粒产量(92.40%)、生物产量(97.10%)、穗轴产量(92.60%)和株高(99.20%)上较高,而散粉-吐丝间隔表现为低遗传力(12.70%),表明强烈的环境影响。籽粒产量与穗轴产量、生物产量、株高、每穗粒数、穗长、百粒重和穗直径呈强正向基因型相关。MGIDI下的因子分析识别出三个因子解释了76.06%的总变异,分别代表产量构成、分配效率和穗形态特征。基于15%的选择强度,选择了九个基因型,预测遗传增益范围从散粉-吐丝间隔的-0.523%(表明ASI的理想减少)到籽粒产量的50.6%。观察到MGIDI与FAI-BLUP之间的最高重合指数为66.67%。基因型G26和G27在所有指数中均被一致选择,表明其优越的性能和稳定性。这些基因型是多环境评估的有希望的候选者,并可作为旨在改善玉米籽粒产量和适应性的杂交计划中的潜在亲本。
研究背景方面,玉米作为全球关键谷类作物,在粮食安全中占据重要地位,随着人口增长,提升其生产力与适应性成为育种首要目标。印度等地区的玉米种植面临显著的季节与环境变异性,基因型×环境互作(GEI)复杂,单一性状或单环境评估难以识别真正稳定广谱的栽培种。传统稳定性模型如Wricke’s ecovalence、Finlay–Wilkinson回归、AMMI及GGE双标图多基于单性状(通常为产量)评估,忽视多性状协同与稳定性兼顾,易导致选中表现平庸稳定而非高产稳定的基因型。近年基于最佳线性无偏预测(BLUP)的多性状选择指数如多性状基因型-理想型距离指数(MGIDI)、多性状稳定性指数(MTSI)、多性状均值表现与稳定性指数(MTMPS)及基于因子分析与基因型-理想型距离的多性状指数(FAI-BLUP)提供了整合均值表现与稳定性的框架,但在印度北部多季节系统评价仍有限。因此研究人员在四个跨年跨季环境中评估60份玉米基因型,通过REML-BLUP方差组分估计、BLUP稳定性(WAASB、WAASBY)及四种多性状指数综合选种,并比较指数间重合度以识别共识优良基因型,为北方印度多样环境玉米改良提供科学依据。该研究发表于《Frontiers in Plant Science》。
关键技术方法包括:研究人员于2023–2024年在印度Acharya Narendra Deva农业大学研究农场(26°47′ N, 82°12′ E, 113 MSL)四个环境(夏2023、冬2023、夏2024、冬2024)以α格子设计(两重复、六不完全区组、每区组10条目,含1份对照)种植60份玉米基因型;记录15项物候、形态、产量构成及生产力性状;采用REML拟合线性混合模型估计方差组分与广义遗传力(h2bs),通过BLUP获得基因型预测值;进行一阶因子分析(FA1)比较协方差结构;基于BLUP值计算WAASB与WAASBY指数进行稳定性-均值综合评价;应用MGIDI、MTSI、MTMPS、FAI-BLUP四类多性状选择指数(15%选择强度)选种并借重合指数分析比较选种一致性。
研究结果如下:
3.1 Mean performance and analysis of variance:合并方差分析显示基因型、环境及GEI对所有性状均极显著,LSD0.05介于0.84(百粒重)至180.80(每穗粒数);各性状均值与变异范围明确,ASI均值4.02天(2–7天),籽粒产量均值112.23 g/株(51–256 g/株);变异系数(CV)较低至中等,ASI(21.19%)与每穗粒数(33.32%)较高,表明环境敏感性较强。
3.2 Variance components and likelihood ratio test:REML估计表型方差(σ2p)以生物产量最高(16937.00),其后为每穗粒数(9663.00)、穗轴产量(3510.00)、籽粒产量(1415.00);广义遗传力(h2bs)株高99.20%、生物产量97.10%、穗轴产量92.60%、籽粒产量92.40%、收获指数88.00%、每穗粒数79.00%为高,ASI仅12.70%;GEI决定系数(GEI r2)穗长最高0.259,ASI最低0.010;选择准确度(AS)生物产量与收获指数达0.997,ASI为0.857;基因型间环境相关(rge)每穗粒数0.909、生物产量0.860较高,ASI仅0.012;似然比检验(LRTge)所有性状GEI均极显著。
3.3 Evaluation of the FA1 covariance structure:FA1模型较原始GEI模型拟合更优(对数似然269.39 vs 263.90,AIC -530.77 vs -519.80,BIC -514.08 vs -503.11),两模型基因型排名秩相关r=0.968,优异基因型G22、G23、G29、G27一致,表明遗传协方差建模提升拟合且优良基因型识别稳健。
3.4 Trait associations and distribution patterns across environments:基因型相关显示籽粒产量与穗轴产量(0.894)、生物产量(0.776)、株高(0.681)、每穗粒数(0.639)、穗长(0.623)、百粒重(0.604)、穗直径(0.599)强正相关,与ASI弱负相关(-0.119);散粉与吐丝天数近完全相关(0.996);株高与收获指数负相关(-0.208);生物产量与收获指数负相关(-0.548)。
3.5 BLUP-based stability analysis and ranking of maize genotypes using WAASB and WAASBY indices:WAASB×Y双标图将基因型分为四象区,IV区(高产量低WAASB)含G26、G45等12份基因型,其中G26与G45最接近理想区;II区高产量高WAASB为环境特异型;III区低产低WAASB为稳定低产型;I区低产高WAASB为最差型。WAASBY排名前列为G10、G26、G45、G49、G27,对照C1稳定性相对较低。
3.6 Genotype selection across the test environments using different selection indices:MGIDI因子分析提取三因子(特征值5.97、2.01、1.14)解释76.06%总变异,FA1载荷籽粒产量(0.89)、百粒重(0.83)、穗轴产量(0.80)等产量相关,FA2载荷脱壳率(-0.93)、收获指数(-0.89)分配效率,FA3载荷行粒数(0.88)、每穗粒数(0.72)穗形态;15%强度下MGIDI选9份基因型;优势-劣势分析显示G27三因子均低贡献(均衡接近理想型),G26强于FA1弱于FA3,C1弱于FA2与FA3;MGIDI选择差分籽粒产量最高55.9%,预测遗传增益ΔG%籽粒产量50.6%、ASI -0.523%。
3.7 Coincidence index and common genotypes selected from the different multi-trait-based stability models:四指数(MGIDI、MTSI、MTMPS、FAI-BLUP)各选约9份基因型;重合指数最高MGIDI与FAI-BLUP为66.67%(6份共有),其后MGIDI与MTSI 55.56%(5份),MTMPS与MTSI最低22.23%(2份);G26与G27为四指数共有共识基因型。
讨论部分总结:研究人员指出合并ANOVA与GEI显著性印证多环境评价的必要性;广义遗传力高预示籽粒产量、生物产量等受遗传控制强,ASI低遗传力与低rge表明其环境依赖,需在目标胁迫下专项评价;性状相关证实籽粒产量与穗部、生物产量协同,株高与收获指数权衡需多性状兼顾;WAASB×Y双标图有效规避单看均值或稳定性的偏差,G26、G27居IV区且四指数共识选中,验证其高产广谱稳定;MGIDI三因子结构将多性状降维为产量构成、分配效率、穗形态,便于诊断基因型优劣以指导杂交配组(如G26×G27互补FA1与FA3);各指数重合度差异源于稳定性度量不同(WAASB vs Wricke’s ecovalence),但跨模型一致选出的G26与G27最具可靠性。结论部分翻译:在本研究中整合多环境试验、方差组分分析、基于BLUP的稳定性估计与多性状选择指数,为多变农业气候条件下玉米改良提供了全面且统计严谨的框架。在四个跨越两夏两冬季节的环境中的评价提供了有意义的时间重复,通过拟合随机效应模型捕获季节与年份GEI效应。关键产量性状高广义遗传力的识别证实结构化多环境试验中表型选择可有效捕获这些性状的遗传价值。MGIDI为基础的选择差分与较高籽粒产量遗传增益估计突出了所评估种质中的重要育种价值及通过定向选择实现快速遗传改进的潜力。本研究鉴定的精英基因型,特别是G26和G27,应在涵盖多样农业气候区的多地点试验中验证,再提出更广泛区域的部署建议。未来研究应聚焦这些精英基因型的分子表征以阐明其优越表现与稳定性的基因组基础,使其有利等位基因通过标记辅助导入本地适应背景。此外,扩展评价至更广环境网络(含胁迫敏感点)将进一步验证这些基因型的广谱适应性并为特定农业生态区制定靶向部署策略提供信息。
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