基于UAV多光谱表型组学与GWAS解析小麦（Triticum aestivum L.）早期干旱耐受性的遗传架构及候选基因表达验证

《Plant Physiology and Biochemistry》：UAV Phenomics and GWAS Uncover Genetic Architecture of Early Drought Tolerance in Wheat ( Triticum aestivum L.)

无人机（UAV）多光谱表型组学有效捕获221份历史小麦品种中基因型依赖的干旱响应；植被指数（VI）显示遗传力为37.5–73.9%（VARI最高），GNDVI的遗传推进最高达98.6，表明较强选择潜力；对23,897个单核苷酸多态性（SNP）开展全基因组关联分析（GWAS）鉴定出26个多效性位点，10个优先位点中9/10显示显著单倍型效应；SHAP（SHapley Additive exPlanations）分析将红边反射（NDREI；Normalized Difference Red-Edge Index）和有利等位基因频率列为基于产量的耐受性顶级预测因子；实时定量PCR（qPCR；quantitative real-time polymerase chain reaction）验证TaHSP70和TaMDAR1为耐旱基因型中上调的候选基因。

研究背景方面，干旱是限制作物生产力的重要非生物胁迫；小麦早期营养生长期水分亏缺可显著抑制生长并使产量降低18–46%。早期干旱耐受由分子伴侣、抗氧化系统、离子转运和ABA依赖转录调控等多机制共同控制，但多数组分在模式植物或控制环境中被独立研究，遗传多样小麦中冠层水平干旱响应尤其茎伸长前阶段的遗传基础仍不清楚。传统表型受“表型瓶颈”限制，费时、破坏性且时点有限；UAV（unmanned aerial vehicle，无人机）多光谱表型可快速、非破坏、重复表征大群体，GWAS（genome-wide association study，全基因组关联分析）可连接自然变异与复杂表型，但二者整合用于田间小麦早期干旱响应尚未被全面应用。为此，研究人员以221份具有百余年育种历史的巴基斯坦春小麦品种为材料，在灌溉与自然雨旱环境于早期营养期开展UAV多光谱成像，并结合SNP（single nucleotide polymorphism，单核苷酸多态性）信息、GWAS、表型分类、产量耐受指数、有利等位基因频率（FAF；favorable allele frequency）和可解释机器学习，旨在识别多效位点、优先候选基因并交叉验证早期干旱耐受相关位点。其意义在于将位点发现推进到表型、基因组、单倍型、表达和农艺证据汇聚的候选位点优先化，并为标记辅助育种提供依据。

关键技术方法概括（≤250字）：研究人员在NIGAB、NARC、Islamabad的2024–2025年冬季试验中种植221份历史小麦品种，设置全灌溉与自然雨旱两环境；用Parrot Sequoia无人机获取RGB、NIR和red-edge影像，于早期进行两次飞行，经Pix4D Mapper和QGIS提取8个VI（vegetation index，植被指数），并以Otsu阈值去除土壤背景；以GreenSeeker地面NDVI（Normalized Difference Vegetation Index，归一化差异植被指数）验证UAV NDVI；采用混合线性模型计算BLUEs（best linear unbiased estimates，最佳线性无偏估计）、广义遗传力H²和遗传推进。基因型部分使用194份历史材料已有的16K GBTS液相芯片数据，质控后保留23,897个SNP，以FarmCPU模型进行GWAS；在2 Mb窗口注释候选基因，结合expVIP转录组和RT-qPCR验证；记录产量并进行Fernandez分类和STI（Stress Tolerance Index，胁迫耐受指数）分级；以随机森林和SHAP进行特征归因。

研究结果：（1）UAV Phenomics Captures Genotype-Dependent Drought Responses：UAV多光谱表型捕获基因型依赖的干旱响应；方差分析显示VI的基因型效应显著，NDVI、GNDVI、EVI、NDREI和OSAVI处理效应显著，除VARI外基因型×处理互作显著；UAV NDVI与地面NDVI高度相关（r=0.94，P<0.001）；灌溉下多数VI由TP1至TP2上升，干旱下GNDVI几乎不变、EVI下降98.8%、SAVI和OSAVI下降、NDREI改善有限。（2）Vegetation Indices Show Differential Heritability and Genetic Variability：通过CV、遗传方差和表型方差等估计得出VI变异差异大（CV 5.15%–175.83%，GNDVI最高、NDREI最低），环境方差低，H²为37.50%–73.91%（VARI最高，NDREI为70.15%，SAVI最低）；GA在GNDVI最高（98.563），NDREI最低（11.124）；GNDVI和VARI兼具较高H²与较高GA。（3）Strong Interrelationships Among Vegetation Indices Reveal Stress Indicators：Pearson相关分析表明NDVI与GNDVI、EVI、GARI、SAVI强正相关，NDREI与多数指数呈中度负相关，OSAVI与多数性状负相关且与VARI不相关。（4）Phenotypic Classification Revealed Distinct Sub-populations of Wheat Genotypes：PCA和层次聚类均将221份材料分为4个表型亚群；亚群1位于PC1负侧，亚群4位于PC1正侧且离散最大，亚群2和3部分重叠。（5）Population Structure and Genomic Diversity of the Historical Wheat Panel：基因组分析显示B亚基因组SNP密度最高、D最低，2B、3B、5B、6B存在SNP热点；PCA前3成分解释8.9%、7.1%和4.8%，材料无显著聚类，kinship为低至中等关系。（6）Genome-wide Association Mapping Identifies Loci for Drought-Responsive VIs：FarmCPU GWAS在两种环境共鉴定115个SNP/74个位点，干旱环境33个SNP/21个位点，共26个多效位点，并优先10个干旱环境位点；1D、2D、3A、5B、6D和7B显示多效效应，7B为热点。（7）SNP Haplotype and Impact of Favorable Allele in Trait Expression under Heat Stress：单倍型分析显示10个优先位点中9个显著关联一个或多个干旱响应VI，6D_358299018未显示显著单倍型差异；7B三个相邻位点共同影响多达6个VI。（8）Favorable Allele Accumulation Across Wheat Cultivars：FAF在194份材料中为0–90%，多数为20–40%，26份≥50%，168份<50%；历史育种时间线上呈非线性累积，Parwaz-94达90%、Inqilab-91达80%。（9）Annotation of Pleiotropic Loci with Candidate Gene：以2 Mb窗口注释获得42个转录本，并为10个位点各优先1个候选基因，包括TraesCS1D01G136900（AtRabE1c）、TraesCS1D01G217600（HSP70s）、TraesCS2D01G589300（AtGSTU17）、TraesCS3A01G233800（OsTPKb）、TraesCS5B01G045300（GmZF351）、TraesCS6D01G254000（ZmMDAR1）、TraesCS7B01G276700（trichome birefringence-like protein）、TraesCS7B01G287100（TaSnRK3.23B）、TraesCS7B01G293900（OsbZIP62）和TraesCS7B01G318200（TaSAUR75）。（10）Transcriptome Profiling and Expression Validation of Candidate Genes：转录组筛选显示6个候选基因可检测表达；RT-qPCR验证显示水分限制下TaHSP70在Parwaz-94和Gulzar-19中约上调2.7倍和2.5倍，在AARI-2010和Wafaq-2023中约1.2倍和1.3倍；TaMDAR1在耐旱品种约1.6倍和2.2倍，在敏感品种约0.8倍和0.7倍。（11）Fernandez Classification Distinguished Yield Performance Under Contrasting Water Regimes：基于灌溉和干旱产量将194份材料分为A组82份（42.3%）、D组83份（42.8%）、B组15份（7.7%）和C组14份（7.2%），A组兼具高产与耐旱潜力。（12）Yield-based Stress Tolerance Indices Provide Agronomic Benchmark：STI范围为0.008–3.128，按三分位分为耐性64份、中等耐性65份和敏感65份，G176的STI最高（3.128）。（13）SHAP Analysis Identifies NDREI and FAF as Key Predictors of Yield-based Tolerance：随机森林结合SHAP显示NDREI-TP1(C)最重要（平均绝对SHAP约0.10），其次为GARI-TP1(C)、NDREI-TP1(D)、VARI-TP1(C)和NDREI-TP2(D)，FAF排名第六（约0.021）；TP1变量总体贡献更强，红边信息对基因型特异冠层叶绿素和胁迫响应敏感。

讨论部分总结：原文讨论认为，小麦早期干旱耐受涉及分子伴侣介导蛋白稳定、抗氧化与氧化还原循环、液泡离子与渗透调节以及ABA响应转录控制；该研究通过UAV表型组学、GWAS、独立表型分类、FAF、产量胁迫指数和机器学习归因提供多方法汇聚证据，并称其为首次将UAV表型组学–GWAS流程推进至基于基因注释、公共转录组和相对表达谱优先候选位点的小麦研究。不同VI捕获叶绿素状态、冠层结构和色素浓度等不同生理轴；较高H²和遗传变异支撑GWAS检出26个多效位点，其中10个干旱特异位点分布于1D、2D、3A、5B、6D和7B，并与已报道干旱或植被相关QTL区域部分重叠；7B为最强多效热点。FAF与STI在耐旱验证品种Parwaz-94和Gulzar-19中汇聚，且这些品种候选基因表达上调。SHAP结果强调NDREI和FAF的互补预测价值，单倍型验证9/10个优先位点，候选基因注释汇聚于伴侣、Rab-GTPase、GST、钾通道、CCCH锌指、MDAR、SnRK3、bZIP和SAUR等通路，RT-qPCR验证TaHSP70和TaMDAR1在耐旱基因型中上调。86.6%材料携带少于一半的有利等位基因，原文认为可通过有利等位基因聚合和KASP标记开发用于育种。研究结论部分翻译：总体而言，研究人员的发现支持如下模型：小麦早期干旱适应源于多种生理过程的相互作用，这些过程可通过UAV光谱表型检测并经GWAS进行遗传追踪；表型、基因组、机器学习、单倍型和表达证据的汇聚增强了对优先位点和候选基因的支持，而UAV衍生性状与有利等位基因提供的互补信息凸显了表型组学与基因组学整合的价值；更广泛地，该研究表明重复的田块尺度表型能够使干旱研究超越传统终点测量，转向识别可与其遗传和分子机制相联系的早期、可遗传生理特征。