《Theoretical and Applied Genetics》：Evaluating reaction norm and fixed effect models for genomic selection of end-use quality in wheat
编辑推荐：
关键信息：历史育种项目终用途品质（end-use quality）数据被用于在两个宽泛框架中执行基因组选择（genomic selection, GS），纳入固定效应（fixed effects）位点和基因型×环境互作（genotype by environm
关键信息：历史育种项目终用途品质（end-use quality）数据被用于在两个宽泛框架中执行基因组选择（genomic selection, GS），纳入固定效应（fixed effects）位点和基因型×环境互作（genotype by environment interactions, GE）。
摘要：六倍体面包小麦（hexaploid bread wheat）的优异终用途品质（end-use quality）是其在全球市场销售的重要因素。然而，许多终用途品质性状的检测耗时且昂贵，意味着其测定常延迟至育种项目后期试验。基因组选择（GS）已被证明可促进小麦育种中许多性状的早期世代改良。此外，GS方法的进展可提高模型预测能力（predictive ability），如纳入控制性状的已知位点作为固定效应（fixed effects），以及利用单阶段反应规范模型（single-stage reaction norm models）控制基因型×环境互作（GE）。因此，研究人员评估了传统方法以及上述两项进展，以对蒙大拿州立大学（Montana State University, MSU）春小麦育种项目2010–2022年从842个精英育种品系（elite breeding lines）收集的12个重要终用途品质性状执行GS。研究人员发现，传统GS模型在5折交叉验证（5-fold cross validation）中表现良好，预测能力范围为0.4–0.7，在留一年验证（leave-one-year-out validation）中大多数性状–年份组合超过0.3的预测能力阈值。研究人员未观察到纳入固定效应位点对预测能力有任何差异，但在两种验证方法中均观察到单步反应规范模型（single-step reaction norm models）具有强烈的年内相关性。研究人员得出结论，传统两步GS（two-step GS）和单步反应规范GS（single-step reaction norm GS）均为MSU春小麦育种项目中主要终用途品质性状的早期世代改良提供了可行方法。
研究背景与问题：六倍体面包小麦（hexaploid bread wheat）的优异终用途品质（end-use quality）是其在全球市场销售的重要因素。终用途品质可大致分为磨粉性状、面团性状和烘焙性状。该类性状通常遗传力较高，但受多基因控制；同时，其测定耗时、成本高且需要较大籽粒样品，常被延迟至育种项目后期试验，限制了早期世代选择。基因组选择（genomic selection, GS）可整合全基因组信息，同时建模大效应和小效应位点，较单一位点方法更适合多基因和低遗传力性状。已有研究将GS用于小麦产量、籽粒蛋白含量和抗病性等性状。针对终用途品质，两个方法进展可能提高预测能力：其一，将已知控制性状的数量性状位点（quantitative trait locus, QTL）标记作为固定效应（fixed effects）；其二，利用单阶段反应规范模型（single-stage reaction norm models）处理基因型×环境互作（genotype by environment interactions, GE）。但较少研究将这些进展用于终用途品质预测。因此，研究人员利用蒙大拿州立大学（Montana State University, MSU）春小麦育种项目的长期历史品质数据，在硬红春小麦（hard red spring wheat, HRSW）市场类别中对12个终用途品质性状开展GS，评估传统方法、固定效应位点纳入和GE建模，并采用k折与留一年验证。研究人员得出结论：传统两步GS和单步反应规范GS均能为MSU春小麦育种项目中主要终用途品质性状的早期世代改良提供可行方法，具有重要意义。
关键技术方法：样本来自MSU春小麦育种项目2010–2022年多点产量试验，包括初级产量试验（preliminary yield trial, PYT）和高级产量试验（advanced yield trial, AYT），共842个品系，其中24个对照品种、818个精英实验品系；品质由MSU谷类品质实验室按美国谷物化学家协会（American Association of Cereal Chemists, AACC）方法测定。基因型由USDA-ARS基因分型实验室对842个表型品系进行基因分型测序（genotyping-by-sequencing, GBS），比对IWGSC RefSeq v1.0，过滤与Beagle v5.4插补后获21,958个单核苷酸多态性（single nucleotide polymorphism, SNP）。两步法用混合模型估计最佳线性无偏估计（best linear unbiased estimator, BLUE），再以RR-BLUP、贝叶斯岭回归（Bayesian Ridge Regression, BRR）、B.Lasso、BayesA、BayesB、BayesC、再生核希尔伯特空间（reproducing kernel Hilbert space, RKHS）等预测基因组估计育种值（genomic estimated breeding value, GEBV）；全基因组关联分析（genome-wide association study, GWAS）用GAPIT v3的BLINK，并将GWAS标记、已知种子蛋白基因附近标记或主成分分析（principal component analysis, PCA）主成分作为固定效应。单步法采用Jarquín et al.反应规范模型，合并原始表型与标记，含环境、品系及环境×品系互作。验证为5折交叉验证和留一年验证（leave-one-year-out, LOYO）。
研究结果总览：研究人员用Cullis方法计算12个终用途品质性状的广义遗传力，小麦灰分含量最低，为0.39，其余性状均超过0.60。研究人员计算12个性状BLUE间Pearson相关，强相关（高于0.85）的性状对包括面粉蛋白含量与籽粒蛋白含量、烘焙吸水率与混合吸水率、烘焙时间与混合时间；籽粒蛋白含量仅与11个性状中的4个呈中等正相关，且与混合耐受性呈弱负相关。上述结果说明，尽管籽粒蛋白含量常作为总体品质指标，但其不能充分代表其他重要品质性状。
Two-step analysis results：研究人员对每个终用途品质性状测试7个GS模型，并进行100个循环的5折交叉验证。结果发现，所有循环的平均预测能力范围为0.4–0.7，标准差为0.04–0.06；不同GS模型之间平均预测能力无明显差异，但性状间存在差异，混合耐受性和面粉出粉率平均预测能力最高，小麦灰分含量最低。随后，研究人员用BRR模型评估固定效应，比较基线模型、已知QTL相关标记、训练折GWAS标记、全BLUE数据集GWAS标记、20或3个PCA主成分。结果未发现这些固定效应设置可稳定提高平均预测能力；唯一预测能力提高约一个标准差的情况是纳入基于全表型BLUE数据集GWAS鉴定标记，但该方法同时使用训练和验证数据，导致数据泄漏和预测能力虚高。LOYO验证中，以0.3为有用预测阈值，烘焙时间、面包体积、混合时间、混合耐受性和单粒硬度在所有13年均高于阈值；小麦灰分含量多数年份未达阈值；在2022年前瞻预测中，籽粒蛋白含量和面粉蛋白含量在RKHS模型中预测能力较高。
Single-step analysis results：研究人员对6个GS模型（不包括RR-BLUP）进行单步分析，并实施5折交叉验证。该语境下预测能力指同一地点–年份组合内观测表型值与预测表型值之间的相关性；平均预测能力为100个循环中地点–年份内的平均相关。结果发现，不同模型间差异很小；烘焙时间、面粉出粉率、混合时间和单粒硬度的中位平均预测能力接近0.8，小麦灰分含量最低，略低于0.5；这些性状排序与广义遗传力排序基本一致。LOYO验证中，预测能力取留出年份内地点–试验组合的预测表型值与观测表型值相关；混合时间和烘焙时间在同一年内不同地点–试验间一致性较高，但所有性状的这种一致性在不同年份间有所变化。
讨论总结：研究人员指出，12个终用途品质性状的广义遗传力为0.4–0.9，与面包小麦其他研究一致。性状BLUE相关可大致分为3个重叠组：第一组包括混合时间、烘焙时间、混合耐受性、面包体积、混合吸水率和烘焙吸水率；第二组包括面包体积、混合吸水率、烘焙吸水率、总小麦灰分、籽粒蛋白和面粉蛋白；第三组包括面粉灰分、面粉出粉率和单粒硬度。籽粒蛋白含量仅与11个性状中的5个正相关，并与混合耐受性弱负相关，说明直接通过GS预测品质性状可能优于仅依据蛋白含量选择。两步法除小麦灰分含量外均表现有前景；5折交叉验证中其他性状平均预测能力达到或超过0.5，高于部分研究报道，但与另一些研究一致。研究人员认为，这可能与训练数据集相对较大、育种项目中品系亲缘关系较近、12年多环境训练数据以及约22,000个遗传标记的全基因组覆盖有关；PCA未显示显著群体结构或聚类。更新版IWGSC v2.1参考基因组可能改善未来比对、插补和标记数量，从而提高预测能力。LOYO验证中，多数品质性状在所有年份达到或超过0.3阈值，例外为小麦灰分含量以及较小程度的混合吸水率；两步法模型预测准确率可能高于报告预测能力，尤其对低遗传力性状。2022年前瞻预测通常等于或低于其他研究，Gill et al.的研究是另一项在HRSW市场类别中研究终用途品质GS的工作；2021年PYT品系无基因型数据，使2022年AYT训练品系数较少，可能降低总体预测能力。固定效应方面，已知大QTL加权可能提高预测，但标记识别方式重要；用全数据GWAS标记会产生“inside trading effect”，导致预测能力人为膨胀；已知高分子量谷蛋白基因标记或PCA主成分作为固定效应未明显改善预测。GE互作可降低预测能力，单步反应规范模型可用于特定环境内预测；其中位预测能力较高，并与各性状广义遗传力对应。LOYO验证中，混合耐受性、混合时间、烘焙时间、面粉出粉率和面包体积表现强，籽粒蛋白、面粉蛋白、小麦灰分和混合吸水率较低且不稳定。环境间预测能力存在变异，部分与环境相关，也可能存在离群环境，优化训练数据可能提高一致性。两步法和单步法输出不可直接比较：两步法预测GEBV，表示品系作为亲本跨测试环境的潜力；单步法预测品系在特定环境中的自身表型表现。两者均表现良好，LOYO验证中多数性状预测能力持续高于0.3。
研究结论翻译：研究人员表明，两种基因组选择方法，即两步BLUE法和含标记×环境互作项的单步反应规范模型，可成功用于预测蒙大拿州立大学硬红春小麦育种项目中的重要终用途品质性状。研究人员预期，实施这些方法将允许在育种项目早期、表型测定可行之前改良许多终用途品质性状。这将增加这些性状的选择强度，并随时间提高终用途品质的遗传增益；确保这些性状的育种目标得以实现，并维持依赖品质标准的重要市场，以造福未来年份的生产者。
