《The Plant Genome》：Development of conditional cores via supersaturated designs for genetic diversity–based prediction models
编辑推荐：
遗传多样性是可持续作物改良的基础。本研究利用来自大豆巢式关联作图（soybean nested association mapping, SoyNAM）群体的1755份重组自交系（recombinant inbred line, RIL），在九个环境下进行产量
遗传多样性是可持续作物改良的基础。本研究利用来自大豆巢式关联作图（soybean nested association mapping, SoyNAM）群体的1755份重组自交系（recombinant inbred line, RIL），在九个环境下进行产量表型鉴定，以优化给定测试集的训练集构成。利用超饱和设计（supersaturated design, SSD），研究人员通过迭代选择候选基因型生成条件优化训练集，其度量指标为包含候选训练集和固定测试集的基因组矩阵叉积的迹所量化的多样性。考虑了两种策略：（i）最大化与（ii）最小化与测试集的遗传距离。结果表明，在标准基因组最佳线性无偏预测（genomic best linear unbiased prediction, GBLUP）下，相对于随机训练集，最大化与测试集的遗传距离能提高预测准确性。然而，当模型纳入家族结构或基因型×环境（genotype-by-environment, G×E）互作时，该优势消失，此类模型无论训练集选择如何均一致地获得更高的总体准确性。这一结果凸显了考虑多组学整合进行可解释性的复杂性：确定准确性的提升究竟源于更好的模型设定，还是源于捕获了混杂因素。最后，研究人员还发现，相对于测试集最大化训练集的遗传多样性，能够尽可能保留来自不同家族系谱的至少一个个体。相比之下，最小化多样性则会排除某些家族或导致某些家族过度代表。未来研究应考虑完全非平衡的数据集，以模拟育种家在实际育种项目中面临的真实场景。
作物育种的核心目标是开发高产稳产品种，但传统田间试验成本高昂且周期漫长。基因组选择（genomic selection, GS）通过整合训练群体的基因型和表型数据来预测未测个体的育种值，可显著缩短育种周期。GS预测准确性受训练集大小和组成的强烈影响，已有研究提出CDmean、PEVmean等优化准则，而遗传多样性（genetic diversity, GD）也被认为是训练集设计的关键因素。Eskridge等将超饱和设计（supersaturated design, SSD）引入育种框架，通过标记单核苷酸多态性（single-nucleotide polymorphism, SNP）评估群体多样性，用于选择最大化或最小化GD的基因型子集。在此基础上，本研究开发了条件核心集（conditional core, CC），即在固定目标核心（target core, TC）条件下，最大化或最小化训练集的GD，以评估该策略在大豆多环境试验中对GS预测能力的影响，并考察家系结构在其中的作用。
研究人员利用SoyNAM群体中1755份RIL，其亲本遗传背景涵盖三类种质（G1优异品系、G2多样种质、G3外来种质），在2012–2013年间五个美国州共九个环境下获得完整的产量表型记录。每一轮优化中，固定195份基因型作为TC，使用SSD条件采样算法，从剩余1560份基因型中迭代替换候选个体，构建包含195份基因型的CC，分别执行GD最大化（CC-max）和最小化（CC-min）两种策略，并追踪整个迭代过程中的预测能力变化。这项研究的核心结论是：在仅含主效应的GBLUP模型中，最大化训练集与测试集的遗传距离可一致提高预测准确性；但一旦模型纳入基因型×环境互作或家系信息，该优势消失，复杂模型自身获得更高的总体准确性。此外，CC-max策略保留了几乎所有家系中至少一个个体，而CC-min导致部分家系被排除或过度代表。意义在于，该研究为特定测试集定制训练集提供了一套系统框架，同时揭示了对多组学整合结果进行归因解释时须谨慎对待模型设定与混杂因素的潜在影响。
关键技术方法方面，研究使用SoyNAM群体的1755份RIL，基因型经Illumina BARCSoySNP6K芯片测定，过滤后保留4100个高质量SNP。SSD条件采样算法以每轮替换一个基因型的方式，基于SNP矩阵叉积S的迹计算GD，依据最大化或最小化目标迭代至收敛。预测模型采用三种渐趋复杂的GBLUP模型：M1（E+L+G）仅含环境、基因型和基因组主效应；M2（E+L+G+GE）加入基因型与环境互作；M3（E+L+G+F+GE+FE）再纳入家系主效及家系与环境互作。交叉验证采用CV1方案，将TC基因型的所有环境表型视为缺失，用CC训练模型，预测能力以每个环境内观测值与预测值的Pearson相关均值衡量，并独立执行四次重复。
在结果方面，条件采样过程（3.1）显示，算法经八次运行（四次最大化、四次最小化），约160至180次迭代达到停止标准，无需替换全部195份基因型。主成分分析表明，CC-max选择的基因型在基因组空间中均匀分布，而CC-min聚集于一侧，且分化主要由第一主成分解释。预测能力分析（3.2）表明，模型复杂度是预测准确性的主要驱动器：随机基线下M1、M2、M3的平均r分别为0.329、0.386和0.574。CC-min策略在M1和M2中普遍低于随机基线，而CC-max策略在M1的四个重复中均提升准确性，在M2的半数重复中超过基线，对M3则始终未带来增益。家系组成分析（3.3）显示，TC平均包含38.5个家系，CC-max在最终训练集中维持了37至38个家系的代表性，而CC-min降至34个；CC-max下各家族个体数量与TC的平均绝对差异仅为2.3至3.5，CC-min为3.8至4.5。CC-max通过增加弱势家系的代表个体来保持家系丰富度，CC-min则显著偏向少数家族，将多个家系完全排除。
讨论部分指出，少次数迭代即达最优的原因是随机初始样本中已含有约14.3%的最终所需基因型，无需全部替换。家系信息在结构化群体中提供了主要的跨家系方差解释能力，因此当模型已包含家族效应时，多样性优化所提供的信息成为冗余。这一发现同时呼应了以往研究关于训练集多样性与预测能力关系的争议：最大化GD在简单模型中有效，但在复杂模型中优势消失，说明多组学整合时必须警惕将模型改进错误归因于遗传组成。结论部分明确：本研究建立了以GD为准则、针对固定测试集构建条件训练集的方法；加入家系系谱信息是提升预测准确性的主要因素；最大化GD策略通过在训练集中涵盖尽可能多的家系，改善了缺乏家系信息时的模型预测能力；最小化GD则因排除或过度代表家系而系统性降低准确性。
