杂交玉米Nixtamalization水分含量的基因组解析与育种策略：产量与品质协同改良之路

本文深入探讨了利用近红外光谱（NIR）和基因组学工具（如GWAS和rrBLUP模型）预测和选育杂交玉米Nixtamalization水分含量（NMC）的育种策略。研究证实NMC受环境影响显著，但遗传方差充足，且与产量无显著负相关，为育种家在不牺牲产量的前提下，通过早期基因组选择（GS）和表型预测（如CHIP-NMC模型）培育优质食品级玉米种质提供了关键理论与实践依据。

　　

Abstract

Nixtamalization水分含量是衡量谷物在Nixtamalization过程中吸收水分量的指标，对以masa为基础的终产品质量具有重大影响。近期开发了一种应用，能够从原始自交系和杂交玉米（Zea mays L.）籽粒预测Nixtamalization水分含量，但其在育种背景下的实用性尚未评估。本研究在多达三个环境、跨越两年的试验中，评估了包括变异划分、遗传架构以及与产量关系在内的重要育种考量因素，研究对象包括多样化的玉米杂交种（n = 560）、现代商业杂交种（n = 10）和历史高种植面积杂交种（n = 15）。研究表明，Nixtamalization水分含量受生长条件影响很大，但存在足够的遗传方差，使育种者能够通过选择获得增益。Nixtamalization水分含量与产量之间没有显著相关性，表明育种者可以同时选择这两个性状而不会对任一性状产生负面影响。观察到了加性和显性遗传作用，并且基因组预测能够预测杂交种的Nixtamalization水分含量，平均Spearman等级相关系数在0.253至0.451之间，均方根误差在0.00579至0.00691之间。研究结果表明，可以在育种早期世代对Nixtamalization水分含量进行选择，从而使育种者能够开发改良的食品级玉米种质，而不会对产量产生负面影响。

1 INTRODUCTION

玉米（Zea mays L.）是全球种植最广泛的谷类作物之一，是食物、饲料和工业原料的主要来源。人类直接消费玉米的一种方式是通过masa类产品，如玉米饼和玉米片。这些产品是通过一种称为Nixtamalization的高温、高pH烹饪过程制成的，该过程通过吸水软化胚乳并通过碱水解去除果皮。由masa制成的产品根据多种质量参数进行评估，例如味道、质地、营养概况和加工性能。Nixtamalization过程中吸收的水量（即Nixtamalization水分含量）会影响每个质量参数，并被认为在46%至51%之间是可接受的，具体取决于产品。Nixtamalization水分含量是一个复杂性状，当烹饪参数保持恒定时，主要由原始籽粒的组成驱动。籽粒组成受遗传和环境效应的影响，进而影响Nixtamalization水分含量。

培育品质性状可能很困难，因为它们与其它重要性状（如产量）的关系，以及对于Nixtamalization水分含量而言，需要符合狭窄的可接受范围。例如，已知蛋白质含量与产量呈负相关，而淀粉含量与产量呈正相关。据推测，提高产量会增加Nixtamalization水分含量，降低产量会降低Nixtamalization水分含量。Nixtamalization水分含量与产量之间的关系此前尚未被研究。然而，其它物种已成功实现在保持品质性状（如小麦的烘焙品质）的同时提高产量。指数选择等选择策略允许育种者在进行选择时考虑多个性状，即使是负相关的性状，以同时改善品质和农艺性状。

为了在育种种质中改善Nixtamalization水分含量和相关的masa品质性状，需要高通量表型分析，其规模适合育种计划的早期世代，此时样本量小但样本数量大。育种公司目前使用代理测试（如籽粒硬度、密度或凹痕深度）在育种过程后期进行选择，因为这些性状往往与烹饪品质相对应。最终，数量非常有限、考虑商业化的品种会在中试工厂进行测试，每个样本需要500-1000磅谷物。许多送到制造商进行中试测试的品种都失败了，一个常见的原因是Nixtamalization过程中吸收的水分量。最近开发了一种名为CHIP-NMC的机器学习模型应用，它可以扩展到育种计划的需求，并能够基于近红外（NIR）光谱以高通量方式提供不同玉米种质中Nixtamalization水分含量的准确估计。

在培育Nixtamalization水分含量时，了解该性状的遗传基础（包括基因作用方式和遗传架构）是有帮助的。性状的遗传基础会严重影响育种计划的交配方案和选择策略。例如，对水稻（Oryza sativa）籽粒品质的分析表明，在测交杂交种中，加性标记遗传力范围为0.18至0.76，显性标记遗传力范围为0.11至0.31，总遗传力范围为0.42至0.88。Nixtamalization水分含量的基因作用方式此前尚未被研究，其遗传架构仅在自交系背景下被研究过。鉴于玉米是一种异花授粉物种，以杂交品种形式商业化，加性和显性基因作用模式都可能影响商业种质中的Nixtamalization水分含量。在研究Nixtamalization水分含量的遗传基础时使用杂交种，可以同时研究加性和显性效应。更深入地了解Nixtamalization水分含量的遗传架构可以为育种者提供在早期选择阶段监控的标记。

除了识别与Nixtamalization水分含量相关的遗传位点外，基因组预测模型可以使育种者在早期育种世代做出明智的选择。Nixtamalization水分含量是一个高度数量性状，部分基于与籽粒组成相关的基因。这种复杂性与许多遵循无穷小模型的基因组预测模型的假设相匹配。然而，由于Nixtamalization水分含量对组成的依赖性，籽粒组成中看到的环境效应可能会降低基因组预测的准确性。虽然之前没有研究评估过玉米Nixtamalization水分含量的基因组预测能力，但在其它物种的品质性状（如小麦的烘焙品质）中已观察到成功案例。

本研究的目的是产生所需的基础知识，以制定食品级玉米（特别是Nixtamalization水分含量）产量和品质同步改良的育种策略。为此，划分了Nixtamalization水分含量的变异，以量化遗传、环境及其相互作用对Nixtamalization水分含量的影响。通过相关分析评估了Nixtamalization水分含量与产量之间的关系，以量化选择另一个性状时期望的任一性状变化。通过亲本-杂交种比较和全基因组关联研究（GWAS）研究了影响Nixtamalization水分含量的遗传作用模式。最后，开发并验证了杂交玉米Nixtamalization水分含量的基因组预测模型，证明了该方法在育种计划中的有效性。本研究将现代育种方法应用于Nixtamalization水分含量，并证明可以在不对理想农艺性状（如产量）产生负面影响的情况下遗传改良Nixtamalization水分含量。

Core Ideas

• •
  Nixtamalization水分含量可以使用近红外光谱在育种计划早期进行选择。
• •
  在多样化或精英种质中，产量与Nixtamalization水分含量没有显著相关性。
• •
  加性和显性基因作用影响杂交玉米的Nixtamalization水分含量。
• •
  基因组预测可用于杂交玉米育种早期评估Nixtamalization水分含量。

2 MATERIALS AND METHODS

2.1 植物材料和生长条件

使用了在开发CHIP-NMC过程中使用的Wisconsin Diversity Panel杂交种、其亲本自交系以及商业杂交种面板。总共560个多样化杂交种是使用Wisconsin Diversity Panel中的约280个自交系作为母本，分别与B73和Mo17作为父本杂交产生的。杂交种以及自交亲本于2022年和2023年夏季在明尼苏达州圣保罗的农业实验站同时种植。杂交种和自交系实验均采用随机完全区组设计，每个年份设两个重复，基因型在重复内按早花和晚花时间进行区组。两个实验中，每个检查基因型在每个区组每个重复中种植五个小区。从每个小区中间连续10株代表性植株上收获所有结穗籽粒，并在63°C的强制通风烘箱中干燥7天。商业杂交种面板也在2022年和2023年于明尼苏达州圣保罗和明尼苏达州瓦塞卡种植。10个商业杂交品种面板采用随机完全区组设计，每个地点每年设两个重复。每个小区种植四行，用小区联合收割机收获后，从中间两行收集谷物子样本（约2500克）。

除了先前报道的实验外，还评估了一个包含1950年至2020年间美国中西部历史高种植面积的15个杂交种的面板。历史杂交种采用随机完全区组设计，每个地点每年包含三个播种日期，每个播种日期设两个重复。实验于2022年5月11日、5月19日和5月31日在圣保罗，2022年5月24日、6月3日和6月10日在瓦塞卡，2023年5月17日、5月26日和6月5日在圣保罗，以及2023年5月22日、6月1日和6月8日在瓦塞卡种植两行小区。用小区联合收割机收获后收集谷物子样本。谷物样本于2022年11月22日在圣保罗，2022年10月27日在瓦塞卡，2023年11月4日在圣保罗，以及2023年11月9日在瓦塞卡收获。保留的谷物子样本在63°C的强制通风干燥机中干燥7天。

2.2 从NIR光谱预测Nixtamalization水分含量

通过将近红外（NIR）光谱数据上传到CHIP-NMC中来预测Nixtamalization水分含量，并在整个手稿中以克水分/克籽粒（gw gk^-1）为单位报告。先前收集了Wisconsin Diversity Panel杂交种和自交系以及商业杂交种的NIR光谱。历史杂交种的NIR光谱按照Burns等人描述的方法收集。简要来说，样品使用Perkin Elmer LM3610研磨机精细研磨，一部分研磨样品使用Perten DA7250光谱仪在小杯（约30克）、旋转设置下扫描。光谱输出为950至1650 nm的每五个波波段。将NIR光谱上传到CHIP-NMC，杂交样本选择杂交模型，自交样本选择自交模型。报告的最小值设置为0，最大值设置为1，以便在去除外推后不受限制地包含样本。输出中未包含所用模型训练集之外的预测（即，杂交样本用杂交模型，自交样本用自交模型）。从CHIP-NMC下载Nixtamalization水分含量预测值，并在R v4.0.3中与相关光谱数据合并。

2.3 计算实验因素解释的方差比例

绘制了每个实验每年Nixtamalization水分含量预测值的分布图。使用lme4包v1.1-26，通过方程（1）计算Wisconsin Diversity Panel杂交种实验因素解释的方差比例，通过方程（2）计算商业和历史杂交种面板的方差比例。对于Wisconsin Diversity Panel杂交种，使用方程（1）的方差分量，对于商业和历史杂交种，使用方程（2）的方差分量，通过方程（3）计算每个实验的entry-mean broad-sense遗传力。由于年份间Nixtamalization水分含量的差异以及年份解释的变异量，还使用方程（4）针对Wisconsin Diversity Panel杂交种，以及方程（5）针对商业和历史杂交种面板，分别计算了每年实验因素解释的方差比例。随后的分析也分别对每一年进行。

2.4 计算产量并评估Nixtamalization水分含量与产量的关系

通过机械脱粒（Wisconsin Diversity Panel杂交种和自交系）或使用小区联合收割机（商业和历史杂交种）在收获时确定每个实验的产量。对于Wisconsin Diversity Panel实验，产量根据15.5%水分下的谷物质量计算，并根据31,000株/英亩的种植密度进行 extrapolated。发芽率低于75%的小区从下游分析中移除。每个小区的产量根据其所在区组-重复组合内检查品种的平均差异与整体检查品种平均值的差异进行调整。对于商业和历史杂交种实验，使用小区联合收割机收获，提供水分校正后的产量（蒲式耳/英亩），并转换为标准单位（吨/公顷）进行比较。这些实验进行了空间限制，因此未包含检查品种，也未进行空间校正。

为了确定Nixtamalization水分含量与产量之间的基因型关系，使用方程（4）针对Wisconsin Diversity Panel杂交种，以及方程（5）针对商业和历史杂交种，计算每个实验每年的最佳线性无偏估计（BLUEs）。在所有实验中，基因型作为固定效应，所有其它因素作为随机效应。使用lme4包v1.1-26分别对Nixtamalization水分含量和产量进行建模，BLUEs提取为基因型值加上每个模型中的截距。使用R v4.0.3中的基础stats包，确定每个实验每年Nixtamalization水分含量BLUEs与产量BLUEs之间的Pearson相关系数。

2.5 自交亲本对杂交种Nixtamalization水分含量的影响

使用Wisconsin Diversity Panel自交系和杂交种评估自交亲本对杂交种Nixtamalization水分含量的影响。使用上述杂交种的Nixtamalization水分含量BLUEs进行比较，并通过方程（4）计算自交亲本的Nixtamalization水分含量BLUEs，其中基因型作为固定效应，所有其它因素作为随机效应。计算自交系和杂交种的BLUEs后，使用每个杂交组合的自交系BLUEs确定高亲值并计算中亲值。通过从方程（4）计算的杂交种BLUE中减去高亲值或中亲值来计算与高亲值和中亲值的偏差。将每个杂交种相对于高亲值和中亲值的偏差绘制在密度图中，并进行t检验以确定杂交种是否显著偏离高亲值或中亲值。除了评估与高亲值和中亲值的偏差外，还在反应规范图中绘制自交系和杂交种的BLUEs，以评估自交系组合可能存在的加性和非加性效应。

为了确定是否可以直接从自交亲本的表型预测杂交后代，使用R v4.0.3中基础stats包的lm函数，在80%的杂交基因型上训练线性回归模型。该模型迭代100次，以考虑划分变异对每年内根据自交系Nixtamalization水分含量BLUEs预测杂交种Nixtamalization水分含量BLUEs准确性的影响。使用每个亲本和交互项的系数来确定是否存在加性和显性作用模式。显著的母本或父本系数被认为是显著的加性效应，显著的交互项系数被认为是显著的显性效应。

2.6 杂交玉米Nixtamalization水分含量的遗传架构

通过对Wisconsin Diversity Panel杂交种的Nixtamalization水分含量BLUEs进行GWAS，确定了杂交系统中Nixtamalization水分含量的遗传架构。使用TASSEL 5通过命令行界面将Wisconsin Diversity Panel先前发布的SNP数据的VCF文件转换为hapmap格式。杂合标记设置为缺失（"NN"）。然后，基于自交亲本系谱，通过在每个位点连接两个亲本的唯一标记，计算推导出杂交种的基因型。对标记进行过滤，次要等位基因频率大于5%，缺失数据少于15%，留下1,387,451个过滤后的SNP。然后使用基因组关联和预测集成工具（GAPIT）v3.5将hapmap文件数值化，采用加性或显性编码。加性编码为纯合标记返回0或2，杂合标记返回1；显性编码为纯合标记返回0，杂合标记返回1。使用加性和显性编码的标记确定标记数据解释的表型方差百分比。将加性和显性遗传关系矩阵以及表型BLUEs输入基因组复杂性状分析（GCTA）v1.94.0，以确定加性或显性遗传解释的表型方差比例。

为了确定Wisconsin Diversity Panel杂交种的群体结构，使用GAPIT v3.5对原始hapmap进行主成分分析。随后的分析使用了五个主成分。之后，过滤每年的Nixtamalization水分含量BLUEs表型文件、数值化hapmap、遗传图谱和群体结构文件，以确保内容相同且顺序一致。GWAS方法遵循先前对自交系籽粒组成和Nixtamalization水分含量的研究。简要来说，使用固定和随机模型循环概率统一（FarmCPU）v1.02对加性和显性编码的hapmap文件进行GWAS，以在每个年份中找到标记关联，并提供每个标记的显著性和标记效应大小。使用Bonferroni调整显著性阈值进行多重检验校正，标记在p值低于3.604 × 10^-8时被认为是显著的。使用显著标记的坐标在MaizeGDB基因组浏览器中找到标记上游或下游最近的基因。使用MaizeGDB中注释的基因序列、外显子序列和氨基酸序列，通过NCBI的标准非冗余（nr）序列查询数据库确定推定的功能注释。记录每个BLAST查询中最常见的注释。需要承认的是，由于局部连锁不平衡（LD）模式，最近的基因不一定是致病位点，这是此方法的一个局限性。

2.7 基因组预测模型

使用在每个父本组上进行的GWAS结果开发了一个基因组预测模型。根据标记在另一个父本组中与Nixtamalization水分含量的关联性来选择每个父本组的标记。在每个染色体上，从每个年份的加性和显性GWAS模型中迭代选择25个最显著的标记。为了减少年份和模型类型内的冗余，在选择最显著的标记后，移除考虑范围内距该标记500 kb以内的标记。该阈值是根据先前描述的方法确定的。简要来说，通过使用PLINK v1.90b6.10确定所有染色体上50个随机标记之间的LD，计算了Wisconsin Diversity Panel的背景LD和LD衰减率。将中位数LD降至背景LD以下的窗口用作标记间的冗余阈值。为了评估GWAS选择标记的有效性，还选择了均匀跨越每个染色体的100个标记用于基因组预测。

在根据GWAS显著性减少hapmap数据集后，将杂合位点转换为缺失值（NN）。然后通过caret v6.0-86中的决策树模型对所有缺失数据进行插补，该模型在R v4.0.3中训练。决策树模型基于250个没有缺失数据的基因型的等位基因状态来预测每个位点的缺失数据。通过10折交叉验证评估决策树插补模型的准确性。使用完全插补的数据集，通过在每个位点连接自交亲本的唯一标记值，计算推导出杂交后代的基因型。将杂交种hapmap数值化，其中hapmap等位基因列中列出的第一个等位基因（参考等位基因）转换为零，列出的第二个等位基因转换为二，杂合状态转换为一。对一个父本组的数值化hapmap基因型与另一个父本组的表型文件进行成对过滤，以确保预测模型仅使用同时具有遗传和表型信息的数据构建。此过滤导致2022年和2023年分别有239个B73杂交种和204个Mo17杂交种被纳入分析。均匀间隔标记的hapmap也经过过滤，以匹配GWAS选择标记hapmap中可用的基因型，以便进行模型性能比较。

使用RRBLUP R包v4.6.1创建了一个岭回归最佳线性无偏预测（rrBLUP）模型，用于预测Nixtamalization水分含量BLUEs。通过将数据集划分为10折来进行模型测试，用于每年的交叉验证。rrBLUP模型在九折上训练，并用于预测相应年份的剩余一折。重复此过程，直到每一折都用作性能测试集。此交叉验证方案重复10次以提高预测准确性评估。rrBLUP模型被训练为在交叉验证一（CV1）设计中预测Nixtamalization水分含量BLUEs作为遗传信息的函数，即在已知环境中预测未知基因型。将预测的Nixtamalization水分含量值与每个父本组内每个重复交叉验证折的观测Nixtamalization水分含量BLUEs进行比较。收集每个年份和轮回亲本组合的Spearman等级相关系数和均方根误差。确定每个杂交种每年的平均预测值，并绘制图表以说明每个轮回亲本每年预测性能的差异。

3 RESULTS AND DISCUSSION

3.1 Nixtamalization水分含量在不同年份间差异显著

使用CHIP-NMC中的杂交模型预测了Wisconsin Diversity Panel杂交实验、商业杂交实验和历史杂交实验中的Nixtamalization水分含量，并用于确定变异如何在不同年份和实验地点间划分。这些预测在各年份内和跨年份大致呈正态分布，总体均值分别为：Wisconsin Diversity Panel杂交实验0.427 gw gk^-1（0.377–0.467），商业杂交实验0.435 gw gk^-1（0.411–0.456），历史杂交实验0.426 gw gk^-1（0.400–0.456）。在每个实验中，2022年样本的平均Nixtamalization水分含量高于2023年样本，平均高出0.0116 gw gk^-1（0.0103–0.0127）。各年份间的这种显著差异与之前的发现一致，表明生长环境对谷物Nixtamalization水分含量有巨大影响。Nixtamalization水分含量是一个可接受范围在46%至51%之间的性状。1%的差异代表了跨masa产品的可接受范围的20%。特定产品（例如玉米片）的范围可能更窄。观察到的不同年份间Nixtamalization水分含量的差异可能是由于籽粒组成、大分子组分在籽粒内的分布以及籽粒形态的变化所致，但需要更多研究来解析导致玉米Nixtamalization水分含量改变的原因性环境因素及相关组成变化。

还确定了每个实验中实验因素解释的方差比例，以进一步量化环境和基因型对每个实验中Nixtamalization水分含量的影响。混合线性模型分析的结果表明，当将两年数据都纳入混合线性模型时，年份解释了最大比例的方差。当分别分析每一年时，基因型和地点都成为非残差变异的重要来源，尤其是在Wisconsin Diversity Panel杂交实验和历史杂交实验中。使用方差参数确定了每个实验中Nixtamalization水分含量的遗传力。合并年份时，Wisconsin Diversity Panel杂交实验的entry-mean广义遗传力为0.655，商业杂交实验为0.440，历史杂交实验为0.682。本研究中观察到的遗传力低于先前在自交玉米种质中进行的Nixtamalization水分含量研究，但与其它物种（如小麦）品质性状的遗传力相似。这些结果表明，杂交玉米种质中存在Nixtamalization水分含量的遗传变异，并表明育种者应能通过选择在Nixtamalization水分含量上获得增益。

3.2 产量与Nixtamalization水分含量不相关

产量是玉米育种中最重要的性状之一，已知它与淀粉和蛋白质含量等性状显著相关，而这些性状会影响Nixtamalization水分含量。在Wisconsin Diversity Panel的2023年实验中观察到产量与Nixtamalization水分含量存在显著相关性，但Pearson相关系数仅为0.1。Wisconsin Diversity Panel杂交实验中微弱的相关性可能是由于它是一个多样化群体，未经过产量选择，因此也未经Nixtamalization水分含量的间接选择，从而提供了无偏的评估。还在商业杂交实验和历史杂交实验中评估了Nixtamalization水分含量与产量之间的关系，这两个实验都包含了经过显著产量改良选择的杂交种，采用更大的小区规模，并使用联合收割机收获。在这两个实验中，任一年均未观察到产量与Nixtamalization水分含量之间的显著相关性。虽然商业杂交种的总体产量高于Wisconsin Diversity Panel，但产量值的范围要小得多（约3吨/公顷），这可能会降低观察到Nixtamalization水分含量与产量之间统计学关系的能力。然而，历史杂交实验包含的杂交种产量范围稍大（约5吨/公顷），但仍未观察到Nixtamalization水分含量与产量之间的显著相关性。所有三个实验均缺乏相关性表明，产量和Nixtamalization水分含量不一定是协同或拮抗的，育种者可以在不减损产量的情况下继续培育改良的Nixtamalization水分含量。

3.3 观察到自交亲本与杂交后代之间存在加性和显性基因作用

为了评估遗传加性和显性对Nixtamalization水分含量的影响，比较了Wisconsin Diversity Panel杂交种及其杂交组合相关的自交系。由于年份解释了最大比例的方差，通过比较相应年份内的杂交和自交数据来控制其影响。首先通过反应规范图评估了加性和显性效应，该图显示父本性能的差异在2022年转移到了杂交种性能上，表明加性基因作用模式可以影响Nixtamalization水分含量。同样值得注意的是，杂交种的Nixtamalization水分含量值往往超出每个 trio 内自交亲本的值（2022年总体较高，2023年总体较低），表明也存在显性效应。

为了量化显性效应，评估了杂交后代与自交亲本的中亲值和高亲值的偏差。2022年，杂交种Nixtamalization水分含量通常高于中亲值（平均差异 = 0.0194 gw gk^-1, p值 < 0.001）和高亲值（平均差异 = 0.0101 gw gk^-1, p值 < 0.001）。相反，2023年，杂交种的Nixtamalization水分含量低于中亲值（平均差异 = -0.0211 gw gk^-1, p值 < 0.001）和高亲值（平均差异 = -0.0284 gw gk^-1, p值 < 0.001）。这更多地是由年份间自交系平均值的变化驱动的，而不是杂交种平均值之间的变化。有充分证据表明，在极端环境下，杂交种表型通常比自交系表型更稳定。可能是跨年份的生长条件以及自交系对这些条件的反应，造成了自交系Nixtamalization水分含量相比杂交种更大且相反的变化。需要未来的研究来全面了解生长条件对Nixtamalization水分含量的影响。

创建了一个线性回归模型来确定自交亲本与其杂交后代之间加性和非加性关系的显著性，并确定是否可以根据两个自交亲本的BLUEs预测杂交种Nixtamalization水分含量。该模型使用一部分数据进行训练，以预测剩余数据，并迭代了10次。父本项在94.5%的模型迭代中显著，母本项在82%的迭代中显著，父本与母本的交互作用在73%的迭代中显著。当考虑2022年B73和Mo17两种杂交组合时，预测准确性（以Pearson决定系数衡量）适中（均值 = 0.449，范围 = 0.289–0.602），而在2023年相对较低（均值 = 0.198，范围 = 0.0644–0.351）。还分别针对每个父本训练了模型。在B73杂交组合上训练和评估的模型在2022年和2023年的表现均优于Mo17模型。总体而言，这些结果表明，即使在相同环境下，自交亲本的表现也只能略微预测杂交种的表现。先前的研究报告称，为自交系谷物开发的NIR光谱模型不能应用于杂交系谷物。有人提出，籽粒组成分布和形态的差异可能导致自交模型在杂交种质上缺乏准确性。这些差异也可能导致此处观察到的预测能力不足，因为杂交籽粒的组成分布和形态预计不能代表自交籽粒。更高程度的活力和光合面积会影响光合产物的积累，进而影响组成特性。成功的受精率和穗上的籽粒密度会影响籽粒组成和形状，从而影响烹饪过程中吸水可