整合显著标记与基因型×环境互作模型提升花生产量预测精度

这篇研究通过评估四种基因组预测（GP）模型在花生产量相关性状（PY、SW、SW100）中的表现，揭示了整合显著标记和基因型×环境互作（G×E）对预测能力的提升作用。结果表明，包含G×E的模型（M3、M4）能显著降低环境与残差方差，尤其在CV1和CV00场景下优势明显，为缺乏表型数据的育种场景提供了高效解决方案。

　　

研究背景

花生（Arachis hypogaea L.）是热带地区小农户的重要经济作物，但其在撒哈拉以南非洲（SSA）的产量长期低于全球平均水平。气候变迁加剧了产量波动，因此培育抗逆高产品种成为关键目标。多环境试验（MET）中，基因型×环境互作（G×E）会改变基因型排名，增加选择难度。本研究通过整合基因组预测（GP）与G×E模型，旨在优化花生育种策略。

材料与方法

试验设计：192个ICRISAT育成的花生品系在乌干达（Serere、Nakabango）和马拉维（Chitala、Chitedze）四个环境下进行MET，采用α格子设计。性状包括荚果产量（PY）、种子重量（SW）和百粒重（SW100）。基因型数据经质控后保留38,853个SNP。

模型构建：

• •

  M1：基础表型模型（环境+品系随机效应）

• •

  M2：加入基因组主效应（环境+品系+基因组随机效应）

• •

  M3：扩展为包含G×E互作（环境+品系+基因组+G×E随机效应）

• •

  M4：在M3基础上固定显著GWAS标记（111个PY相关、187个SW相关、96个SW100相关）

验证策略：采用四种交叉验证（CV）方案模拟实际育种场景：

• •

  CV2：已知基因型在已知环境预测未知组合（模拟稀疏测试）

• •

  CV1：预测未知基因型在已知环境

• •

  CV0：预测已知基因型在未知环境

• •

  CV00：预测未知基因型在未知环境（最具挑战性）

结果与分析

表型与遗传力：PY、SW和SW100的遗传力（H²）范围分别为0.39–0.85、0.42–0.77和0.10–0.76。G×E解释了SW100高达16%的方差，而残差方差占比最高达52%。

模型表现：

• •

  方差分解：M4显著降低环境与残差方差（PY降4.8%和2.9%；SW降5.4%和4.0%）。

• •

  预测能力：

  • •

    CV2下M4预测能力最高（PY 0.78，SW 0.71，SW100 0.90），因训练数据充足。

  • •

    CV1和CV00中，M4因整合显著标记表现突出（PY预测能力提升至0.73）。

  • •

    CV0下M2（仅基因组主效应）最优，暗示G×E在预测新环境中作用有限。

讨论与展望

G×E的价值：通过反应范数模型（Jarquín et al., 2014）建模G×E，有效捕捉了基因型对环境响应的异质性。这与大豆（Canella Vieira et al., 2022）和木薯（Lubanga et al., 2025）研究一致，但SW100因环境协变量解释力不足未显示优势。

标记整合策略：固定效应标记在低信息场景（CV1/CV00）提升显著，与水稻（Spindel et al., 2016）和辣椒（Kim et al., 2022）结论吻合。未来需探索非线性模型（如CGM-WGP）和非高斯先验优化。

局限与方向：单季节数据未涵盖基因型×年份（G×Y）效应，且高斯先验可能低估大效应标记。建议结合惩罚回归（Avagyan et al., 2025）和随机回归（Tolhurst et al., 2022）深化研究。

结论

整合G×E与显著标记的GP模型可显著提升花生育种效率，尤其在资源有限时（如预测新基因型或环境）。CV2的优异表现支持通过多环境测试积累数据，而CV1/CV00的优化方案为早期选择提供了可行路径。