Big BIT玉米实验：一项大规模的、多地点、多年期、多试验者参与的多群体预测育种验证研究

《The Plant Genome》：The Big BIT maize experiment: A large multi-location, multi-year, multi-tester, multi-population predictive breeding validation study

Big BIT玉米研究通过多地点、多年份、多测试者的实验设计，验证了全基因组预测（WGPeGS）在早期遗传评价中的应用。结果表明，基于GEBV的选择显著提高了不同年份和测试者间的选择一致性，特别是在处理基因型-环境互作方面，证实了WGPeGS在优化早期育种策略中的有效性。

　　### 解读：基因组预测育种在玉米改良中的应用与价值

在现代农业育种实践中，基因组预测育种（Genomic Prediction Enabled Selection, WGPeGS）正逐渐成为一种高效、精准的育种方法。这一方法的核心理念是利用基因组信息对作物育种材料进行预测性评估，从而在没有实际表型数据的情况下对候选材料进行排序与选择。为了更深入地理解基因组预测育种在玉米改良中的实际应用效果，Corteva Agriscience（原DuPont Pioneer）开展了一项名为“Big Breeding Innovation Team（Big BIT）”的玉米育种实验，这是目前规模最大的基于基因组数据的预测育种验证研究之一。

#### 实验设计与执行背景

Big BIT实验的规模与复杂性在育种领域极为罕见。该实验涵盖了多个地点、多个年份以及多个测试者，研究对象为由非硬粒（non-stiff stalk）玉米自交系杂交产生的35个育种群体，共计2554个双倍体（DH）材料。这些DH材料与三种不同成熟期的硬粒自交系测试者进行杂交，形成7662个杂交组合。实验的设计理念旨在通过多地点、多测试者的综合数据采集，构建一个全面的数据集，以支持对预测育种策略的评估和优化。

该实验不仅涉及多地点的田间测试，还包括对某些特殊环境条件下的管理实验，如加州Woodland和智利Viluco等。这些地点因特定的环境条件而被选中，以模拟不同的生长压力。此外，实验还覆盖了美国玉米带（Corn-Belt）的多个地点，包括从堪萨斯州Garden City到印第安纳州Windfall，这些地点的地理位置与气候条件各不相同，为研究基因型与环境的交互作用提供了丰富的背景信息。

为了确保实验的科学性与可重复性，实验采用了两阶段统计分析方法。第一阶段用于对每个测试组合和地点的表型数据进行空间调整，以减少环境变异对数据的影响；第二阶段则利用调整后的数据进行基因组预测，生成基因组估计育种值（Genomic Estimated Breeding Values, GEBVs）。这一方法不仅提升了数据的准确性，还增强了对不同环境条件下基因型表现的预测能力。

#### 基因组预测育种的理论基础与实际验证

基因组预测育种的概念最早由Meuwissen等人在2001年提出，他们基于高通量全基因组分子标记数据，展示了基因型整体遗传价值的联合估计方法。这一方法的出现标志着预测育种技术进入了一个新的阶段，即从传统的基于家系关系的预测转向利用基因组信息的预测。

在Big BIT实验中，研究人员通过构建多个独立训练数据集，进一步验证了基因组预测育种的实用性。这些训练数据集涵盖2012至2016年的田间试验数据，其作用是为2017年的实验数据提供参考。研究发现，基于这些训练数据集生成的GEBVs与2017年的表型数据（BLUPs）之间的相关性高达0.8至0.93，表明基因组预测方法在提高育种决策一致性方面具有显著优势。

此外，研究还探讨了基因组预测育种在不同年份和测试者组合下的表现。例如，在2017年和2018年的测试中，GEBVs之间的年份相关性达到了0.96，这表明基因组预测育种能够有效捕捉基因型在不同环境下的稳定性。同样，在同一测试者下，不同育种群体的GEBVs相关性也表现出较高的稳定性，部分群体甚至达到了0.90以上的水平。这些结果表明，基因组预测育种不仅适用于没有表型数据的材料，也适用于已有表型数据的材料，其预测能力不受数据来源的限制。

#### 实际应用中的挑战与应对策略

尽管基因组预测育种在理论上具有巨大潜力，但在实际应用中仍面临一些挑战。例如，环境变化对作物表现的影响是不可忽视的。在2018年，由于春季降雨量较高，导致种植时间推迟，进而影响了收获时的籽粒含水量。而在2019年，由于气候条件的特殊性，部分测试地点的籽粒含水量显著上升。这些现象表明，环境与基因型之间的相互作用在育种过程中具有重要影响。

为了解决这些问题，Big BIT实验采用了多地点、多测试者的实验设计，以确保基因组预测模型能够覆盖更广泛的环境条件。同时，实验还通过使用高密度单核苷酸多态性（SNP）标记数据，构建了一个能够全面解释基因组变异的参考SNP集。这一做法不仅提高了预测的准确性，还为后续研究提供了可扩展的数据基础。

此外，实验还特别强调了数据质量的重要性。在某些年份，由于天气条件或数据质量问题，部分测试地点被排除在分析之外。因此，研究人员在分析过程中采用了多种数据筛选策略，以确保所使用的数据具有代表性。例如，在2019年，由于部分地点的气候条件不理想，实验仅在11个地点进行，而2017年则在20个地点进行。这些差异对基因组预测模型的性能产生了一定影响，但通过使用空间调整的BLUPs和GEBVs，研究团队能够有效减少环境因素对预测结果的干扰。

#### 基因组预测育种的实践意义

Big BIT实验的结果对植物育种实践具有重要的指导意义。首先，实验表明，基因组预测育种在早期阶段的遗传评估中具有显著优势。通过使用GEBVs进行选择，育种者能够在没有表型数据的情况下，对候选材料进行高效排序。这不仅节省了时间和成本，还提高了育种效率。

其次，实验揭示了基因组预测育种在处理不同环境条件下的能力。通过比较不同年份和测试者组合下的预测结果，研究发现，基因组预测育种在跨年和跨测试者场景下表现出较高的一致性。这种一致性使得育种者能够更可靠地预测材料在不同环境下的表现，从而优化育种策略。

此外，实验还展示了基因组预测育种在育种群体内部的应用价值。例如，在同一育种群体内，GEBVs与BLUPs之间的相关性平均达到了0.66至0.92，这表明基因组预测育种能够有效捕捉群体内部的遗传变异。这种能力对于育种者在选择过程中减少误判具有重要意义。

#### 未来展望与研究方向

Big BIT实验的成功不仅验证了基因组预测育种在玉米改良中的有效性，也为未来的研究提供了方向。首先，随着基因组预测技术的不断进步，其在育种中的应用将更加广泛。未来的研究可以进一步探索基因组预测育种与确定性生长模型的结合，以更精确地模拟基因型与环境之间的相互作用。

其次，基因组预测育种的优化仍是一个重要的研究方向。当前的实验表明，使用高密度SNP数据和空间调整的BLUPs能够显著提升预测准确性，但如何在更复杂的环境中进一步优化这一方法仍需深入研究。此外，研究还发现，不同育种群体在不同年份的表现存在差异，这提示育种者在进行选择时需要考虑群体的遗传背景和环境适应性。

最后，基因组预测育种的普及还需要解决数据共享和模型可解释性的问题。尽管Big BIT实验的数据集可以为育种者提供宝贵的参考，但如何确保这些数据在更广泛的育种实践中得到有效利用，仍然是一个值得探讨的课题。同时，模型的可解释性对于育种者的决策也至关重要，未来的研究可以进一步开发更直观的预测工具，以帮助育种者更好地理解基因组预测育种的结果。

#### 结论

综上所述，Big BIT实验为基因组预测育种在玉米改良中的应用提供了有力的实证支持。通过构建大规模、多维度的数据集，研究团队不仅验证了基因组预测育种的准确性，还展示了其在不同环境条件下的稳定性。实验结果表明，基因组预测育种在早期阶段的遗传评估中具有显著优势，能够有效提升育种决策的一致性和可靠性。

未来，随着基因组预测技术的不断发展和应用范围的扩大，其在植物育种中的作用将更加突出。通过进一步优化模型、提升数据质量，并加强与其他育种技术的结合，基因组预测育种有望成为现代农业育种的核心工具之一。同时，育种者也需要不断学习和掌握这一技术，以充分发挥其在提高育种效率和质量方面的潜力。