综述：基于时间序列数据的作物性状遗传结构与基因组预测：挑战与突破

这篇综述系统阐述了利用时间序列表型数据（HTP）解析作物性状遗传结构（QTL/GWAS）和实现基因组预测（GP）的最新进展，重点探讨了随机回归模型（RRM）、动态模式分解（DMD）等创新方法在解决性状动态整合（MT-MTP）和基因型-环境互作（G×E）等关键挑战中的应用，为气候适应性作物育种提供了方法论突破。

　　

作物产量增长的瓶颈与时间序列数据的崛起

当前全球作物年产量增长已难以满足需求，欧洲地区自1990年代起更出现产量停滞现象。传统基于静态标记的基因组预测（GP）方法在动态田间环境中面临巨大挑战，而遥感与近端传感技术的突破使得时间序列高通量表型（HTP）数据获取成为可能。这些数据以不同时间分辨率捕捉单/多生长相关性状的动态变化，为解析遗传架构和提升预测精度提供了全新维度。

时间序列数据带来的五大挑战

第一挑战源于多性状时间序列（MT-MTP）数据的整合难题。将每个时间点视为独立性状的经典数量遗传学方法完全忽视了性状间的时间动态关联。第二挑战涉及不同时空分辨率数据的协调——从分钟级的光合速率变化到季节性的植株生长，测量尺度差异显著。第三挑战聚焦于时间依赖的基因型-环境互作（G×E），现有模型虽能处理多环境试验数据，却无法捕捉环境动态变化对性状的累积效应。第四挑战在于表型组与环境组数据的协同整合，环境因子对表型的滞后效应增加了建模复杂度。第五挑战关乎结果验证，数学模型参数与生物机制间的解释鸿沟亟待弥合。

时间序列分析方法的三维分类体系

基于数据使用方式，现有方法可沿三个维度分类：单/多性状（ST/MT）、单/多时间点（STP/MTP）、单/多环境（SE/ME），形成八种可能组合。其中四类核心方法尤为关键：单性状单时间点（ST-STP）直接分析各时间点独立性状；单性状多时间点（ST-MTP）通过生长曲线参数化捕捉动态；多性状单时间点（MT-STP）利用性状间协方差提升功效；多性状多时间点（MT-MTP）则实现性状网络的时空建模。另按数据处理策略可分为直接使用表型值和间接通过参数化/降维两种路径，后者包含随机回归模型（RRM）、动态模式分解（DMD）等创新方法。

基因组预测技术的时间革命

在直接预测方法中，ST-STP模型虽简单但忽视时间协方差，如玉米株高预测显示花期前数据反而更具预测力。ST-MTP模型通过整合时间维度，在芝麻等作物中实现发育轨迹预测。突破性进展来自动态GP（dynamicGP）方法，其通过动态模式分解（DMD）将多性状时间序列转化为可遗传的算子矩阵A，能同时预测50个性状25个时间点的动态，在玉米多亲本群体中展示出卓越的纵向预测精度。与之互补的MegaLMM模型则通过潜变量分解处理上千性状，在静态终点性状预测中表现优异。

遗传解析技术的时空拓展

传统QTL定位和GWAS在时间序列数据中面临多重假设检验负担。ST-STP直接定位虽能发现阶段特异性位点（如大豆生物量相关30个SNP），但假阳性率高。ST-MTP间接方法通过生长曲线参数化，在拟南芥中识别出控制光适应性的55个动态QTL。功能定位（functional mapping）将时间作为连续变量，用Legendre多项式等建模QTL效应动态，揭示出大豆株高发育的遗传调控网络。最新进展显示，动态GP的算子矩阵元素本身可作为遗传标记，为解析性状协同进化的遗传基础开辟新途径。

未来育种的方向盘

整合环境响应机制的动态GP将成为下一代预测模型的核心。多尺度时间序列的融合（如光保护与生长的跨尺度关联）和G×E互作的动态建模是亟待突破的领域。随着无人机（UAV）和田间机器人采集技术的普及，时间序列表型数据将与基因组、环境组数据深度耦合，最终实现从静态预测到动态模拟的范式转变，为设计适应气候变化的"智能作物"提供精准导航。这些突破将使育种家能够预见基因型在动态环境中的表现轨迹，而不仅仅是终点性状的静态排名。