环境组学模型在G×E互作中预测陆稻适应性及种植区划的应用价值

本研究针对陆稻基因型-环境互作(G×E)的复杂性问题，由巴西研究团队通过整合383种环境型协变量(ECs)，构建了融合GIS与遗传数据的环境组学预测模型。研究发现81个ECs即可达到最佳预测精度，并揭示环境异质性比地理距离对基因型变异的影响更为关键。该研究为热带地区陆稻育种提供了像素级环境建模新范式，对全球旱稻种植区划具有重要指导意义。

　　

环境组学(Enviromics)作为一种整合多维度环境信息的组学方法，被应用于解析巴西陆稻基因型与环境互作(G?×?E)的复杂机制。研究团队利用WorldClim、NASA POWER和SoilGrids平台，从143个地点跨越27年的数据中提取了383个环境型协变量(ECs)，构建了融合地理信息系统(GIS)与遗传数据的预测模型。

研究表明，当使用约81个ECs时模型预测能力达到峰值，而包含全部383个ECs时模型趋于稳定，证实了环境变量全面性对预测准确度的关键作用。环境异质性相较于地理距离更能解释基因型变异，这强调了多维度协变量在预测模型中的必要性。

通过遗传力(heritability)空间制图发现，巴西南部地区呈现高遗传力集中分布，表明该区域遗传选择更具效率。研究同时发现传统 mega-environment 聚类方法效率有限，证实基于像素级的环境组学建模能为陆稻育种决策提供更可靠的支持。该成果为特定环境条件下的基因型筛选提供了新策略，不仅指导巴西水稻种植向新农业区扩展，也对全球多样环境下的陆稻种植区划具有重要参考价值。