PBLUP与GBLUP提升紫花苜蓿干物质产量和持久性选择准确性

《The Plant Phenome Journal》:Genomic and phenomic prediction models improve selection accuracy for complex traits in alfalfa

【字体: 大 中 小 】 时间:2026年09月30日 来源:The Plant Phenome Journal CS5

编辑推荐:

  预测育种(predictive breeding)已被提出作为加速复杂性状遗传增益的有效途径。过去十年中,已为紫花苜蓿(Medicago sativa L.)关键性状开发了基因组预测(genomic prediction, GP)模型。最近,表型组预测(phe

  
预测育种(predictive breeding)已被提出作为加速复杂性状遗传增益的有效途径。过去十年中,已为紫花苜蓿(Medicago sativa L.)关键性状开发了基因组预测(genomic prediction, GP)模型。最近,表型组预测(phenomic prediction, PP)模型被提出作为多种作物中GP的低成本、高通量替代方案。尽管PP具有加速植物育种遗传增益的潜力,环境因素和数据采集时间会显著影响预测能力(predictive ability, PA)。为评估表型组学在多年生饲草改良中的可行性,研究人员在多种环境条件下,包括不同刈割日程和肥料管理方式,比较了紫花苜蓿干物质产量(dry matter yield, DMY)和持久性(persistence)的PP与GP。GP模型使用基因组最佳线性无偏预测(genomic best linear unbiased prediction, GBLUP)方法开发。对于PP模型,采用类似方法,通过用无人机(unmanned aerial vehicle)采集的反射数据创建关系矩阵(表型组最佳线性无偏预测,phenomic best linear unbiased prediction, PBLUP)。研究人员实施了不同交叉验证(cross-validation, CV)场景以测试预测模型性能。对于DMY,在同一刈割内和同一管理内进行预测时,PP模型比GP具有更高的预测能力。对于跨刈割或跨管理实践的预测,PP模型的预测能力下降,并与GP相似或更低。对于植株持久性,GP和PP模型获得中等预测能力,范围分别为0.34至0.4和0.25至0.52。对于PP优化,使用来自相邻试验单元的地面真实数据构建的训练模型,与在整个试验中随机抽样构建的模型具有相似预测能力,这在操作上更有效。这些结果表明,GP和PP可在紫花苜蓿及其他多年生饲草中实施,以选育复杂性状改良品种。
紫花苜蓿(Medicago sativa L.)是全球重要多年生豆科饲草,具有广泛适应性、较高饲草品质、较高干物质产量(dry matter yield, DMY)和固定大气氮能力。其栽培种异花授粉、同源四倍体(2n = 4x = 32),并存在严重近交衰退,现代品种多为广基综合群体,常用表型轮回选择。DMY是复杂性状,过去数十年遗传增益出现停滞;持久性(persistence)亦为复杂性状,受病害抗性、非生物胁迫、刈割压力等多因素影响,且评价需多年多刈割。基因组预测(genomic prediction, GP)通过分子数据估计未测个体遗传价值,可加速复杂性状遗传增益,但苜蓿中GP应用受低成本基因分型平台缺乏、多年多刈割表型劳动与资源限制。近年来,表型组预测(phenomic prediction, PP)被提出作为低成本、高通量替代方案,但环境因素和数据采集时间会影响预测能力(predictive ability, PA)。因此,研究人员比较了基因组与表型组信息在基因组范围家系预测(genome-wide family prediction, GWFP)中预测DMY和持久性的表现,并探索优化PP在苜蓿育种中实施的场景。

关键技术方法概括:研究人员在美国佛罗里达州Citra的University of Florida’s Plant Science Research and Education Unit于2021年3月建立两个田间试验AGP21N和AGP21W,样本来源为佛罗里达大学苜蓿育种项目开放授粉选择的非休眠植株产生的144个半同胞家系,并设5个商业对照;两试验氮肥管理不同。共进行22次刈割,记录9次DMY和7次持久性。对139个家系用DArTag 3K panel进行3000个单核苷酸多态性(single-nucleotide polymorphism, SNP)标记基因分型,过滤后保留2305个标记。2022年三次用无人机搭载高光谱成像(hyperspectral imaging, HSI)传感器采集393–995 nm反射数据。采用GBLUP、PBLUP及联合P矩阵和G矩阵的多核模型,在不同交叉验证(cross-validation, CV)场景下评估PA、预测准确性和选择重合度。

研究结果如下。

3.1 表型分析。3.1.1 DMY:两个试验中,AGP21N的育种家系和商业对照DMY高于AGP21W,除2022年11月刈割外;第一年春季H3达到峰值,AGP21N平均3521.4 kg/ha,AGP21W平均2684.4 kg/ha;第二年秋季2023年9月最低,分别平均174.27和106.8 kg/ha;商业对照平均DMY明显低于实验家系。AGP21N广义遗传力(broad-sense heritability, H2)为0.06至0.39,AGP21W为0.11至0.29。不同刈割间DMY的Spearman相关为0.05至0.67和0.03至0.73,较近刈割间相关性较高。3.1.2 持久性:持久性随时间下降,2022年夏季后突然下降;第一年两试验无差异,家系持久性约82.7%至86.4%;第二年AGP21N高于AGP21W,AGP21N为47%至58.4%,AGP21W为27.5%至50.1%;实验家系两年均高于商业对照。AGP21N的H2为0.16至0.21,AGP21W为0.15至0.20。

3.2 同一管理内按刈割预测模型。通过在同一刈割和同一肥料管理内比较GBLUP、PBLUP和多核模型,研究人员发现PP在所有分析刈割中PA高于GP,AGP21N H6最高PA为0.55,AGP21N H5最低为0.15;GP在AGP21N H4最低为0.11,在AGP21N H6最高为0.41;包含G和P矩阵的多核模型与PP相似,AGP21N H6最高为0.57。预测准确性方面,部分刈割PP高于GP,部分刈割GP较高。选择重合度与PA趋势相似,PP高于GP。

3.3 跨管理按刈割预测模型。通过用与目标试验不同肥料管理下采集的反射数据构建P矩阵进行预测,除AGP21N H4和AGP21W H5外,PP的PA低于GP和多核模型;最高PA由GP在AGP21N和AGP21W H6获得,分别为0.41和0.36,PP为0.07至0.24;与同一管理内预测相比,PP的PA和选择重合度下降,多数刈割中PP被GP超越。

3.4 同一管理内跨刈割预测模型。通过用与目标刈割不同的刈割采集的光谱数据构建P矩阵,PBLUP跨刈割在多数测试刈割中PA下降,但AGP21W H4用H5光谱、AGP21N H5为例外;用H4或H6光谱构建P矩阵时PA高于用H5。尽管跨刈割PP相对同一刈割PP有损失,但部分刈割PP仍高于GP;跨刈割PBLUP的选择重合度较同一刈割下降。

3.5 同一管理内组合跨刈割光谱的未来预测。通过合并三个刈割的反射数据构建P矩阵预测未来刈割DMY,同一管理下PP多数优于GP,AGP21W H7除外;AGP21N H8的PP最高PA为0.52,AGP21W H9最高为0.37。跨管理实践时PP的PA明显下降,GP在6个场景中的3个优于PP;PP最高PA为AGP21N H8的0.32和AGP21W H9的0.24。

3.6 表型组预测中随机抽样训练集与按行抽样训练集。通过在AGP21N和AGP21W中比较随机选择家系训练集与来自三连续行家系训练集的PBLUP模型,研究人员发现无论氮管理如何,各分析刈割中两种训练集场景的PA均无差异。

3.7 持久性的表型组和基因组预测。由于第一年持久性无显著变化,研究人员用H2地面真实数据训练模型预测H9最终持久性;PP最佳结果来自使用H6反射数据,AGP21W和AGP21N的PA分别为0.48和0.52;GP平均PA分别为0.40和0.34;包含基因组和表型组预测因子的多核模型未显著提高PA;整合多个刈割反射数据也未比单一刈割反射数据提高PA。

讨论部分总结:4.1 管理实践对DMY和持久性的影响方面,美国东南部种植苜蓿受病害和高温高湿环境挑战,DMY在生长季末明显下降,第二年秋季最低;持久性在第二个夏季后下降,尤其AGP21W;这与“夏季衰退”现象一致。氮肥在每次刈割后施用可提高前两年DMY和持久性。实验家系平均DMY高于商业对照,可能与对照含半休眠秋眠性(fall dormancy, FD)品种及实验群体主要来自非休眠种质有关;实验家系持久性也优于商业对照,显示选择持久家系改良品种的潜力。4.2 同一管理内按刈割光谱预测DMY方面,PP在每个分析刈割中优于GP;GP在H4和H5低可能因训练群体仅30%;训练群体大小与GP的PA相关;PP在给定训练集大小下表现更好;H2与GP的PA无明确关系;多核模型未提高PA。预测准确性中GP在三/六个刈割高于PP,且选择前10%家系的重合度为18.3%至45%,说明反射数据选择不等同于DMY直接表型选择。4.3 不同环境光谱预测DMY方面,用不同肥料管理模拟不同环境时,GP和PP结果相似,PP较同一刈割同一管理大幅下降;反射依赖环境,代表基因型、环境及其互作;这是首次报道肥料管理影响PP准确性。组合三个时间点反射数据预测未来刈割时,多数同一管理场景PP优于GP;跨管理预测损失PA,但半数刈割仍高于GP。结果提示实施PP需考虑环境和时间点,反射数据可能更多预测表型而非育种值,但PP可在低训练群体下增加试验家系和/或区组。4.4 随机抽样与按行抽样方面,传统CV随机分配家系,但田间操作不便;跨管理和跨刈割预测表明PP受环境影响;然而用相邻行地面真实数据训练未损失PA,说明空间变异未影响PP,三连续行数据占11.5%仍可获得较高PA。苜蓿育种者可应用PP增加群体规模并降低成本,未来应探索将PP预测表型与基因组选择整合。4.5 持久性预测方面,GP可加速苜蓿持久性遗传增益,中等PA表明可早期选择并缩短周期;PP的PA与反射数据采集时间点有关,后期刈割反射数据通常更高,因持久性植株损失信号在H5后更明显。无基因组数据时,PP在早期刈割与GP相似,在后期刈割显著优于GP;PP虽需建立试验收集预测因子,但可准确选择并较表型选择缩短评价时间。

研究结论翻译:这些结果表明,GP和PP可应用于紫花苜蓿及其他多年生饲草,以选育复杂性状改良品种。基因组学可纳入紫花苜蓿育种项目,以提高持久性遗传增益并缩短选择周期。在缺乏群体基因组数据时,PP在早期刈割获得相似结果,并在后期刈割显著优于GP。尽管PP需建立试验以收集预测因子,但仍可进行准确选择,并较表型选择缩短评价时间。
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