象草基因型生物质能源生产的基因型排序与重复性系数研究

本研究通过混合模型（REML/BLUP）和重复性分析，评估了73种象草基因型的生物质产量、分蘖数、株高和茎粗等性状，揭示了King Grass、Taiwan A-46等基因型在巴西里约热内卢北部地区的适应性、稳定性及高产潜力，为生物能源作物育种提供了关键数据支撑。

　　

摘要

象草（Pennisetum purpureum）因其高生物量产出（>40吨干物质/公顷）和优异能源特性（热值约17,000 kJ/kg），成为生物能源领域的研究热点。研究团队通过10次收获周期评估73个基因型，发现干物质产量(DMY)与分蘖数(NT)呈显著正相关，茎粗(SD)受环境影响最小。混合模型分析显示，八次测量可确保选择准确性达91%，其中基因型47（King Grass）以28.87%的遗传增益位列榜首。

核心发现

1. 遗传参数解析

• 方差组分：临时环境方差占比最高（DMY达68.87%），基因型方差较低（DMY仅12.4%）。
• 重复性系数：DMY(0.172)、NT(0.416)表明需多次评估以克服环境干扰，八次测量可使选择效率提升91%。
• 基因型相关性：茎粗(SD)和分蘖数(NT)的跨测量相关性达0.647-0.821，显示性状稳定性。

2. 优势基因型筛选

• 综合表现：King Grass(47)、Taiwan A-46(31)、Pasto Panamá(65)在DMY、NT、PH三性状中均位列前10%，其HMRPGV（谐波均值相对遗传值）稳定性指数超过1.2。
• 能源潜力：最优基因组可实现700 GJ/ha能量产出，灰分还可作为农业肥料循环利用。

3. 统计模型创新

• REML/BLUP应用：通过模型55（y = Xm + Zg + Wp + Ti + e）解构基因型×环境互作(G×E)，发现HMGV（谐波遗传值）能同步评估生产力与稳定性。
• 选择准确性：茎粗性状的Acm（选择精度）达0.851，属"极高"等级。

农业实践意义

该研究为热带地区生物能源作物育种建立了一套高效筛选体系，推荐的5个基因型不仅适应里约热内卢北部的Aw气候（年降水784.2 mm），其半干旱耐受性更可推广至类似生态区。未来育种可聚焦这些材料进行杂交，以优化纤维含量（C/N比）与热值的协同提升。

方法论启示

研究首次在象草中验证：

1. 八次表型测量是平衡成本与精度的最优解
2. 茎粗可作为早期选择的辅助指标
3. 混合模型能有效压缩环境噪声，即便在低遗传力(h²_g=0.124)性状中仍能提取可靠信号

这些发现为多年生能源作物的表型组学研究提供了范式转移。