基于人工智能的基因育种中跨群体与环境精准预测棉花纤维长度的基因鉴定

《International Journal of Molecular Sciences》：Identification of Genes Accurately Predicting Fiber Length for AI-Powered Gene-Based Breeding Across Populations and Environments in Cotton

　　

人工智能驱动的基因育种（AI-powered gene-based breeding, AI-GBB）有望成为下一代育种技术。然而，尚不清楚从一个群体鉴定的农艺基因能否可靠地用于跨不同群体、环境和生态农业系统的AI-GBB。研究人员利用两个多样化的群体（在中国和美国的11个环境中种植）评估了474个棉花纤维长度（cotton fiber length, GFL）基因。从143个基因中鉴定出475个对纤维长度有显著影响的功能性单核苷酸多态性（functional SNPs），并测试了其在AI-GBB中的应用。无论是使用这些功能SNP的有利等位基因总数（total number of favorable alleles）还是将它们作为DNA标记本身，这些475个功能SNP或其143个基因各取一个SNP均能在多个环境中以0.75–0.89的精度预测纤维长度，其表现优于基因组选择数倍。在一个环境中训练的预测模型能够准确且一致地预测所有其他环境中的纤维长度。研究发现，富集于蛋白水解、蛋白质结合和UDP-糖焦磷酸化酶途径的GFL基因在其可预测性中发挥重要作用。研究结果表明，从一个群体中鉴定的农艺基因可以作为稳健的预测因子，用于跨不同群体和环境的AI-GBB中对数量性状进行预测。这些功能SNP为利用迄今开发的所有分子育种方法强化棉花育种提供了最理想的工具，而对这些基因的功能认知对于在所有作物中开发和部署AI-GBB是必要的。

研究背景与科学问题

传统的育种方法，如基因组选择和基因组辅助育种，主要依赖全基因组随机组学特征（如SNP）预测目标性状的表型来进行亲本选择和后代筛选。近年来发展的人工智能驱动基因育种（AI-GBB）被认为是一种革命性的下一代育种技术。它允许育种者像工厂生产一样，基于控制育种目标和相关农艺性状的基因内容，通过计算机设计并开发出适应不同环境和生态农业系统的优良品种。已有研究表明，AI-GBB在效率、速度和成本效益上比现有方法高出数十至数百倍。

然而，一个关键的科学问题尚未明确：从一个群体（例如双亲群体）中鉴定出的农艺基因，能否可靠地用于跨不同遗传背景的群体、不同生态环境和不同年份的AI-GBB？本研究旨在通过棉花纤维长度这一典型数量性状，验证这一假设，并筛选出适用于跨群体和跨环境AI-GBB的核心基因集。

研究内容与核心结论

研究人员利用此前从一个陆地棉与海岛棉种间杂交重组自交系（RIL）群体中鉴定的474个GFL基因，在两个完全不同的群体（包含254份材料的陆地棉全基因组关联分析群体和一个包含198份RIL的TN育种群体）中进行了验证。这两个群体分别在中国三个地点（安阳、库车、南京）连续三年（共9个环境）和美国德克萨斯州College Station两年（共2个环境）进行了表型鉴定。

主要结论包括：1）从474个GFL基因中鉴定出143个基因含有475个显著影响纤维长度的功能SNP。2）无论采用这475个功能SNP的有利等位基因总数（NFA）方法，还是将其作为标记直接建模，都能以0.75–0.89的高精度预测纤维长度，其预测能力远超使用上千个随机基因组或基因内SNP的基因组选择方法。3）在一个环境中训练得到的预测模型，能够准确应用于预测其他所有环境中的纤维长度。4）仅从143个基因中各选取一个效应最大的功能SNP（共143个SNP），同样能达到0.70–0.89的预测精度，大幅降低了基因分型成本。5）功能富集分析表明，这些可用于跨群体、跨环境预测的GFL基因显著富集于蛋白磷酸化、蛋白水解、蛋白质结合以及UDP-糖焦磷酸化酶等生物学过程和通路，这些特性可能是其高预测稳定性的分子基础。

研究意义

该研究首次系统性证明，从一个双亲群体中鉴定出的农艺基因可以稳健地用于跨群体、跨环境和跨生态农业系统的AI-GBB。这极大地推动了AI-GBB从理论走向实际应用，不仅为棉花纤维品质改良提供了最直接的基因资源和分子工具，也为其他农作物乃至畜牧业的AI-GBB研发和部署奠定了方法论基础。

关键技术方法

1. 1.
   植物材料与田间试验：使用了两个群体——一个是由254份陆地棉品种和地方品种组成的GWAS群体，在中国三个地点（安阳、库车、南京）2007–2009年进行三年三重复田间试验；另一个是由198份RIL及其双亲组成的TN育种群体，在美国德州College Station于2010年和2011年进行两年三重复田间试验。纤维长度以上半部平均长度（UHML）表示。
2. 2.
   基因分型与功能SNP鉴定：利用GWAS群体的全基因组重测序数据，提取474个GFL基因的SNP。通过将群体按SNP基因型分组并进行t检验或方差分析，鉴定出对纤维长度有显著影响的SNP，定义为功能SNP。
3. 3.
   表型预测方法：采用两种策略进行预测：一是计算每个材料中所有功能SNP的有利等位基因总数（NFA），建立简单的线性回归模型；二是直接将功能SNP作为标记，利用11种参数和非参数回归模型（如BayesA/B、BRR、Ridge、Lasso、SVM、随机森林等）进行预测。预测精度通过五折或十折交叉验证进行评估。
4. 4.
   基因功能与富集分析：通过转录组组装和定量分析，比较不同基因集在群体中的表达模式和剪接多样性。利用基因本体（GO）分类和京都基因与基因组百科全书（KEGG）通路进行富集分析，揭示高预测性GFL基因的特征。

研究结果

2.1 纤维长度的变异

GWAS群体在9个中国环境中的纤维长度呈正态分布，范围23.2–33.9 mm，变异系数4.8–5.2%，年份间和地点间的相关性极高。TN群体在美两年的纤维长度也呈正态分布，范围23.1–35.8 mm。

2.2 GFL基因的核苷酸序列变异及其对纤维长度的影响

在461个含SNP的GFL基因中，发现14,940个SNP。其中，来自143个基因的475个SNP显著影响纤维长度BLUP值，每个SNP解释1.0–7.0%的表型方差。这些功能SNP在纯合和杂合状态下表现出多种遗传效应，包括负向完全显性、负向超显性、加性和超显性。

2.3 143个含功能SNP的GFL基因预测纤维长度的能力与效率

利用475个功能SNP的NFA方法和模型方法，预测GWAS群体纤维长度的精度分别为0.803和0.800。利用此模型预测不同年份、地点和中国各生态区的纤维长度，精度达0.75–0.88。预测美国TN群体纤维长度的精度达0.82–0.88。与使用1000个随机基因组SNP或基因内SNP的基因组选择相比，功能SNP的预测精度高出数倍。

2.4 143个含功能SNP的GFL基因在AI-GBB中的应用

仅使用每个基因中效应最大的一个功能SNP（共143个SNP），在11种模型中预测精度为0.43–0.76。使用NFA方法重新训练模型，精度可达0.83。进一步筛选出在9个中国环境中均一致的50个基因的50个SNP，预测精度为0.67。使用143个SNP模型预测美国TN群体，精度达0.80–0.82。此外，在一个环境中训练的模型可以准确预测其他环境中的纤维长度（精度0.78–0.89）。

2.5 选用于AI-GBB的143个和50个含功能SNP的GFL基因的特征

相对于全部474个GFL基因，143个和50个核心GFL基因在群体中的表达普遍性更高。GO富集分析显示，它们显著富集于蛋白磷酸化和蛋白水解等生物学过程，以及蛋白质结合、蛋白激酶活性和催化活性等分子功能。KEGG通路富集分析表明，50个核心基因显著富集于UDP-糖焦磷酸化酶、BR信号激酶等5条通路，这些特征可能赋予它们跨群体和环境的高预测能力。

讨论与结论总结

本研究首次证实，从一个双亲群体中鉴定出的农艺基因能够稳健地用于跨不同群体、环境和生态农业系统的AI-GBB。鉴定的143个GFL基因及其475个功能SNP，不仅对AI-GBB至关重要，也是传统育种、基因组选择、基因编辑、RNA干扰、遗传工程和标记辅助选择等所有现代分子育种方法中最理想的工具。这些基因和SNP使得基于基因内容的精确亲本选择、杂交设计和早期世代后代选择成为可能，从而大大加速育种进程并降低成本。研究还指出，建立一个涵盖多数棉花品种和育种系的农艺基因数据库对于高效实施AI-GBB具有重要意义。最后，对GFL基因的分析为理解数量性状的分子机制提供了新见解，即约29–34%的纤维长度遗传变异源于基因核苷酸替换，其余则受基因表达、可变剪接、基因互作和G×E互作等因素调控。