全基因组关联研究（GWAS）和正则化回归方法成功识别了与水稻特定生长阶段耐盐性相关基因的SNP（单核苷酸多态性）。 研究人员包括： Sampathkumar Renukadevi Sruthi、Zishan Ahmad、Anket Sharma、Venkatesan Lokesh、Natarajan Laleeth Kumar、Arulkumar Rinitta Pearlin、Ramanathan Janani、Yesudhas Anbu Selvam 和 Muthusamy Ramakrishnan

《Plants》：GWAS and Regularised Regression Identify SNPs Associated with Candidate Genes for Stage-Specific Salinity Tolerance in Rice Sampathkumar Renukadevi Sruthi, Zishan Ahmad, Anket Sharma, Venkatesan Lokesh, Natarajan Laleeth Kumar, Arulkumar Rinitta Pearlin, Ramanathan Janani, Yesudhas Anbu Selvam and Muthusamy Ramakrishnan

　　

摘要

土壤盐分仍然是影响水稻产量的主要限制因素，尤其是在植物对渗透压和离子胁迫非常敏感的早期发育阶段。在这项研究中，我们评估了来自3K Rice Diversity Panel的201个遗传多样性高的水稻基因型，以研究盐分耐受性的阶段特异性机制，并开发基于机器学习的预测模型，用于快速表型筛选。在萌发和幼苗早期阶段，我们在对照组和盐碱条件下测量了形态和生理特征，以确定胁迫耐受性指数（STI）。通过多特征STI曲线计算出的平均隶属函数值（AMFV）有效地捕捉了盐分响应的变异，并将这些基因型分类为五个耐受性等级。使用高密度SNP标记进行的全基因组关联分析发现了36个显著的标记-特征关联，其中包括1号和12号染色体上的潜在新SNP。一些基因位点与候选基因（LTR1、LGF1、OsCPS4、OsNCX7 和 OsNHX4）共定位，而基因内的功能SNP（OsDRP2C、RLCK168 和 OsMed37_2）以及非同义变异（qSVII11.1 和 qSNaK3.1）进一步支持了它们在盐分耐受性中的作用。通过对有利的因果基因SNP进行筛选，我们找到了与STI表型模式一致的多基因组合，其中基因型91-382表现出最强的耐受性，在整个发育阶段都具有更强的Na⁺排除能力、K⁺保留能力和生物量恢复力。为了解决STI特征之间的多重共线性问题，我们应用了交叉验证的LASSO（萌发阶段）和Elastic Net（幼苗早期阶段）模型，获得了较高的预测准确性，并揭示了从萌发阶段的生物量驱动耐受性到幼苗阶段的离子调节过程的转变。独立验证显示预测的AMFV与实测AMFV之间有很强的一致性。通过整合生理指数、全基因组关联分析得到的SNP信号和规则化的机器学习方法，本研究为鉴定优质亲本和加速耐盐水稻的育种工作提供了坚实的基础。