小麦叶锈与茎锈复合抗性育种的多性状基因组选择

《Journal of Agriculture and Food Research》：Multi-trait genomic selection for combined leaf and stem rust resistance in wheat breeding

　　

多性状基因组选择用于小麦育种中叶锈与茎锈复合抗性
研究人员评估了基因组选择（genomic selection, GS）在小麦叶锈和茎锈抗性中的应用。训练群体（training population）和育种群体（breeding population）采用DArTseq标记进行基因分型。在表型鉴定中，实时荧光定量PCR（real-time PCR）与田间视觉评分并行应用。Bayes A与贝叶斯岭回归（Bayesian Ridge Regression, BRR）模型对锈病性状表现出较高的预测准确度（prediction accuracy）。多性状基因组选择（multi-trait GS）鉴定出21个品系，其锈病抗性最高提高16 %。

普通小麦（Triticum aestivum L.）为异源六倍体（AABBDD），基因组约16×10⁹ bp。叶锈（由Puccinia triticina Eriks, Pt引起）和茎锈（由Puccinia graminis Pers. f. sp. tritici Eriks. & Henn., Pgt引起）是威胁小麦产量和籽粒品质的重要生物胁迫；高感品种在茎锈严重发生时产量损失可达100%。已有大量抗性基因和数量性状位点（quantitative trait loci, QTL）被鉴定，但标记辅助选择（marker-assisted selection, MAS）受未知抗性基因/QTL、小效应位点难以检测以及表型鉴定费时费力费钱等限制。作者前期GWAS提示，所用小麦材料的锈病抗性主要由多个小效应位点决定，因此本研究旨在建立适用于小麦育种中叶锈与茎锈联合抗性的基因组选择（genomic selection, GS）模型。研究人员以186份小麦品种/品系为训练群体、103份高级育种品系为育种群体，材料均来自SELGEN育种计划；在Stupice和Prague-Ruzyně两地点多年开展Pgt和Pt独立田间试验，人工接种混合小种，采用CISTA 1–9级视觉评分，并以实时荧光定量PCR（real-time PCR）定量病原含量；DArTseq基因分型后经质控用于预测；采用最佳线性无偏预测（best linear unbiased predictions, BLUP）估计品种效应，比较单性状Bayes A及多性状贝叶斯岭回归（Bayesian Ridge Regression, BRR）等模型，并以交叉验证评价预测准确度，结合后验期望损失（posterior expected loss, PEL）和遗传相似性筛选候选品系。研究结论表明GS可作为MAS的延伸，在全基因组水平改良小麦锈病抗性；基因组估计育种值（genomic estimated breeding values, GEBVs）可用于早期鉴定亲本和育种品系，对Pgt抗性预测准确度尤高；多性状模型改善Pt相关性状预测；基因组预测、PEL和遗传相似性结合可在保持遗传多样性的同时筛选有前景品系。其意义在于减少对重复田间表型鉴定的依赖，提高复杂数量性状改良效率。

关键技术方法（不超过250字）：研究人员使用SELGEN育种计划来源的186份小麦品种/品系训练群体和103份高级育种品系育种群体；在两地点多年、Pgt与Pt独立田间接种试验中各设两次重复，采用CISTA 1–9级视觉评分，并用实时荧光定量PCR（real-time PCR）定量病原含量；DArTseq对两群体基因分型，质控并合并共享SNP；以BLUP进行多环境表型分析；单性状采用Bayes A，多性状采用BRR，并进行100次重复交叉验证；以PEL和平均遗传相似性筛选候选育种品系。

3.1 表型数据分析与遗传力估计（Phenotypic data analysis and heritability estimation）：通过多环境BLUP获得叶锈视觉评价（Evaluation Pt）、茎锈视觉评价（Evaluation Pgt）、Pt含量（Content Pt）和Pgt含量（Content Pgt）四个变量。Pgt视觉评分近似正态，峰值在4–5分；Pt抗性评分呈双峰分布。病原含量值总体低于相应视觉评分，说明病原含量并不总完全反映症状严重度。广义遗传力（broad-sense heritability, H²）为Evaluation Pgt 0.95、Content Pgt 0.79、Evaluation Pt 0.80、Content Pt 0.58；Evaluation Pgt与Content Pgt相关为0.70，Evaluation Pt与Content Pt相关为0.53；Pgt与Pt相关较低（视觉评价0.14，病原含量?0.17，p≤0.05），反映两类锈病抗性受不同遗传控制。

3.2 基因分型（Genotyping）：训练群体用DArTseq成功分型103,307个SNP，质控后保留185份材料、13,275个标记；聚类分析显示材料间高度相关，群体结构分析仅显示弱分化，最优K=6，α=0.20，表明群体存在明显混合且适合作为训练群体。育种群体103份品系用55,612个SNP分型，与训练群体合并质控后得到288份基因型、10,092个共享标记；育种群体均为冬小麦，与训练群体中的冬小麦材料遗传上接近。

3.3 单性状模型预测能力（Predictive ability of single trait models）：研究人员比较6个单性状基因组预测模型，平坦先验模型DIC和残差方差最高；Bayes A的DIC和残差方差最低，被选为最适单性状模型。100次重复交叉验证显示，Pgt相关性状预测准确度为Evaluation Pgt 0.79、Content Pgt 0.75；Pt相关性状较低，Evaluation Pt 0.42、Content Pt 0.38。

3.4 多性状模型（Multitrait models）：研究人员比较SpikeSlab与BRR多性状模型，BRR的DIC更低，故用于后续分析。单性状Bayes A与多性状BRR所得GEBVs高度相关（r=0.984–0.995）。多性状BRR交叉验证准确度为Evaluation Pgt 0.75、Content Pgt 0.72、Evaluation Pt 0.47、Content Pt 0.46；多性状分析主要改善了Pt相关性状预测。以PEL和平均遗传相似性为筛选标准，阈值取约35%期望损失和65%遗传相似性，筛选出约20个优良育种品系（摘要报告21个）；入选与未入选品系平均GEBV相对变化为Evaluation Pgt 16.1%、Evaluation Pt 4.9%、Content Pgt 3.1%、Content Pt 0.5%。

讨论部分总结：作者指出，Puccinia属真菌引起的锈病仍是全球小麦生产的重要生物威胁，病原快速进化可克服已有抗性基因，因而培育持久抗性品种是育种重要目标。表型鉴定费时费钱且受环境和视觉评分主观性影响；本研究中实时PCR病原含量与视觉评分正相关，但不完全一致，尤其对Pt，因此将病原含量定量、表型评价和基因组数据结合可能更全面表征抗性。茎锈与叶锈抗性仅弱相关，除已知紧密连锁位点外，不同Puccinia种抗性的遗传基础可能 largely independent，使常规选择同时组合多种锈病抗性困难，GS因此受到关注。作者将本研究遗传力与Daetwyler et al.、Azizinia et al.、Joukhadar et al.等报道比较，并将预测准确度与Azizinia et al.、Juliana et al.、Tehseen et al.、Daetwyler et al.等比较，认为本研究遗传力较高可能与材料抗性范围广及群体结构弱有关；预测准确度受遗传力、标记覆盖和密度、训练与育种群体亲缘关系及训练群体大小等影响。贝叶斯模型允许异质标记效应，适合锈病抗性可能涉及多个中到大效应QTL的情形。多性状模型可借助相关性状信息，尤其利于低遗传力性状；本研究中主要改善Pt相关性状。PEL提供排序选择依据，遗传相似性用于降低遗传冗余；入选品系Pgt评价估计提高16.1%，Pt评价约提高5%，显示GS同时改良两类锈病抗性的实用潜力。

研究结论部分翻译：总之，本研究证明，基因组选择可作为标记辅助育种的延伸，在全基因组水平上改良小麦锈病抗性。GEBVs可用于在育种过程早期鉴定有前景的亲本和育种品系，其中对Pgt抗性的预测准确度尤其高。Pt的预测准确度低于Pgt；然而，多性状模型改善了对Pt相关性状的预测。基因组预测、后验期望损失和遗传相似性的结合，为在保持遗传多样性的同时鉴定有前景育种品系提供了实用框架。研究人员选择了约20个育种品系用于进一步测试和潜在用于后续育种周期。通过实现早期世代选择并减少对重复田间表型鉴定的依赖，GS可能有助于更高效地改良复杂数量性状。损失函数与遗传相似性的联合使用，使得在尽可能保留遗传多样性的同时，选择对茎锈和叶锈抗性具有有利预测遗传增益的育种品系成为可能。因此，本研究建立的方法可能用于小麦育种计划中的亲本选择、早期世代筛选以及减少田间表型鉴定需求。