编辑推荐：
针对燕麦产量遗传改良低效难题，研究人员利用南达科他州立大学燕麦育种数据，通过全基因组关联分析（GWAS）筛选与产量及株高、抽穗期等性状相关的 38 个基因组区域。虽固定效应模型未提升预测精度，但仅用关联标记建模使准确率提高 4–6%，为燕麦育种提供新策略。
燕麦作为全球第七大谷物，兼具粮食、饲料和覆盖作物用途，其 β- 葡聚糖成分对人体心血管和代谢健康有益。然而，自 1960 年以来，全球燕麦种植面积和产量持续下降，且其籽粒产量遗传增益显著低于玉米、小麦等作物。这一困境源于产量性状的遗传复杂性及与环境的强互作效应，导致传统育种难以高效改良。因此，解析燕麦产量相关的基因组区域并优化基因组预测模型，成为突破产量瓶颈的关键方向。
南达科他州立大学（South Dakota State University, SDSU）与美国农业部农业研究服务局（USDA-ARS）的研究团队，针对这一挑战开展了系统研究。他们利用 2015 至 2022 年间 6 个育种群体、26 个环境（年份 - 地点组合）的 1281 份燕麦品系数据，结合全基因组关联分析（GWAS）和基因组预测（GP）模型，旨在挖掘与产量及相关性状（株高、抽穗期、倒伏、茎秆弹性、冠锈病严重度）关联的遗传标记，并评估其对预测精度的提升潜力。研究成果发表于《Euphytica》，为燕麦分子育种提供了重要理论支撑。
关键技术方法
- 表型数据采集：在南达科他州多个试验点，对籽粒产量（kg/ha）、株高（PHT，cm）、抽穗期（HDT，天）等 6 个性状进行多年多环境测定，采用最佳线性无偏估计（BLUEs）校正环境效应。
- 基因型分析：利用简化基因组测序（GBS）技术，对育种材料进行基因分型，获得 38,070 个单核苷酸多态性（SNP）标记，经过滤和填充后用于后续分析。
- 全基因组关联分析（GWAS）：通过 GAPIT R 包的 BLINK 模型，校正群体结构（主成分分析），识别与性状显著关联的 SNP 标记，结合连锁不平衡（LD）分析划定基因组区域。
- 基因组预测模型：基于线性混合模型，比较包含全标记（MS1）、关联标记（MS2）、区域标记（MS3）的随机效应模型，及固定效应模型对产量预测的准确性。
研究结果
1. 表型变异与性状关联
- 环境影响显著：籽粒产量在不同环境间差异悬殊，2021 年因干旱导致产量显著降低，株高和抽穗期也受气候影响。冠锈病严重度（CRS）在部分环境中与产量呈强负相关，表明抗病性对产量形成的重要性。
- 性状相关性动态变化：主成分分析（PCA）显示，产量与抽穗期的相关性随年份波动，2021 年干旱条件下晚熟品系产量更高，体现环境对遗传效应的修饰作用。
2. 基因组区域识别
- 多性状关联标记：通过 GWAS 鉴定出 193 个显著 SNP，归为 76 个基因组区域，进一步过滤得到 38 个核心区域（含 153 个 SNP），分布于 18 条染色体。其中，7D 染色体上的 Schr7D_508618782 标记与产量、冠锈病抗性、株高和抽穗期均相关，显示多效性或紧密连锁效应。
- 已知与新发现区域：约半数区域为已知位点（如 7D 染色体的冠锈病抗性基因 Pc 系列），部分 A 基因组区域为首次报道，尤其与茎秆弹性（SPK）相关的标记，填补了该性状研究空白。
3. 基因组预测优化
- 固定效应模型无效：将显著标记作为固定效应纳入模型（GPM2-GPM4），未提升产量预测准确性，可能因产量遗传结构复杂，单一位点效应不足以解释表型变异。
- 标记子集优化有效：仅使用关联标记（MS2，132 个 SNP）的模型较全标记模型（MS1）预测准确率提高 4–6%，表明关键标记可有效捕获产量相关遗传变异，减少冗余标记干扰。
结论与意义
本研究通过多环境 GWAS 揭示了燕麦产量及相关性状的复杂遗传结构，鉴定出 38 个核心基因组区域，其中 7D 染色体的多效性区域为抗病与高产协同改良提供了靶点。尽管固定效应模型未达预期，标记子集优化策略显著提升了基因组预测效率，为分子标记辅助选择（MAS）与基因组选择（GS）的结合应用奠定了基础。研究结果不仅加深了对燕麦产量遗传机制的理解，也为其他复杂性状作物的育种提供了方法论参考，助力应对全球粮食安全与气候变化挑战。
