挪威云杉(Picea abies)木材性状跨世代基因组预测：基于独立验证的评估与育种策略优化

本研究针对森林树木育种周期长、表型评价成本高的瓶颈，通过整合两代挪威云杉(Picea abies)在两种环境下的木材性状数据（包括密度、管胞特性等），首次系统评估了基因组选择(GS)在跨世代（G0母树→G1子代）和跨环境预测中的效能。研究发现GBLUP模型对高遗传力性状（如木材密度）的预测准确性(ACC)可达0.57，且单年轮直接测量法(SAD-GBLUP)与累积加权法(AWE-GBLUP)效果相当，为育种实践中低成本表型方案的可行性提供了实证依据。该成果发表于《BMC Genomics》，为针叶树多世代基因组育种体系的建立奠定了方法论基础。

　　

森林树木育种面临着一个根本性矛盾：重要经济性状（如木材质量）往往需要数十年才能充分表达，而传统育种方法依赖于耗时耗力的表型评价。挪威云杉作为北欧最重要的商用针叶树种，其木材密度、管胞特性等指标直接影响纸浆质量和建筑用材价值，但现有育种体系面临选择周期长（>20年）、子代测试成本高等挑战。基因组选择(GS)技术通过全基因组标记预测育种值，理论上可大幅缩短育种周期，但现有研究多局限于单世代交叉验证，难以反映实际育种中跨世代重组和环境变异的影响。

瑞典农业科学大学(SLU)联合瑞典林业研究所(Skogforsk)等机构的研究团队，利用包含6,000余株挪威云杉（两代群体、两个试验点）的独特资源，首次对木材性状开展跨世代基因组预测的系统验证。研究整合了母树(G0)和子代(G1)的194,831个SNP标记及SilviScan高精度木材表型数据（包括年轮宽度、弹性模量MOE、微纤丝角MFA等），通过三种策略评估预测效能：正向预测（母树→子代）、反向预测（子代→母树）和跨环境预测。

关键技术包括：(1) 基于exome capture测序（平均深度15×）的基因型分析；(2) 径向木材性状的累积加权(AWE)与单年轮(SAD)测量法；(3) 基于VanRaden方法的基因组关系矩阵(G矩阵)构建；(4) 独立验证设计（训练集与验证集完全隔离）。

跨世代预测效能
研究发现木材密度相关性状（如晚材密度LWDENS，h²=0.57）的跨世代预测准确性显著高于生长性状（年轮宽度RWT，h²<0.1）。正向预测中，GBLUP对子代木材密度的预测能力(PA)达0.31，接近传统ABLUP模型（PA=0.46），表明即使训练集仅用母树数据，GS仍能有效捕获加性遗传效应。反向预测则显示，当训练集包含更多遗传多样性（如G1H子代群体），高遗传力性状的ACC可提升至0.75。

测量方法比较

图4数据表明，基于母树第12-18个年轮的SAD-GBLUP模型（模拟现场无损检测）与需破坏性取芯的AWE-GBLUP效果相当（PA峰值均约0.25）。这一发现为育种实践中采用Pilodyn等便携设备进行早期选择提供了理论支持。

讨论与展望
研究揭示了GS在针叶树育种中的特殊价值：(1) 基因组关系矩阵(G矩阵)能校正传统谱系中半同胞家系关系的偏差（图2显示实际基因组亲缘系数均值为0.26 vs. 理论值0.25）；(2) 木材性状的年龄-年龄强相关性使得早期选择成为可能；(3) 需关注低遗传力性状中非加性效应的影响。未来需扩大训练群体规模、整合表观遗传因素，并建立考虑气候年际变异的生长-品质协同优化模型。

该研究为挪威云杉基因组育种提供了首个跨世代实证框架，其方法论对其它长周期林木育种具有普适性启示。通过验证低成本表型方案的可行性，将显著加速高附加值林产品的选育进程。