对热带小麦品种推荐中的基因型-环境互作进行建模

《Crop Science》：Modeling genotype-by-environment interaction for variety recommendation in tropical wheat

　　

基因型-环境互作（genotype-by-environment interaction, GEI）的复杂性凸显了品种推荐中采用稳健方法的必要性。其不可预测性要求在未经测试的条件下进行预测，而气候变化加剧了这一挑战。育种项目必须在收获前预判哪些基因型-管理组合将最为有效。本研究提出了一种改进的地理信息系统-因子分析（geographic information system–factor analytic, GIS-FA）预测方法，该方法整合了地理信息系统（GIS）技术、多管理因子分析（factor analytic, FA）模型、偏最小二乘（partial least squares, PLS）回归和环境协变量（environmental covariates, ECs），以预测未评估环境中的表型表现。数据集包含来自维索萨联邦大学（Federal University of Vi?osa, UFV）小麦育种项目的91个自交系和12个商业品种，在6年、7个地点（共25个环境）进行评估。环境差异图表明，南部地区与试验网络更为相似，而北部地区则表现出更高的差异值，反映了与实测试验条件更强的环境分歧。整合83个环境协变量（ECs）改善了产量预测。在雨养条件下，逐像素模型预测平均产量为4183 kg ha^-1，比因子分析选择工具（factor analytic selection tools）选出的最佳基因型（UFV_19013）高出9.8%。在灌溉条件下，产量增益达到13.4%，预测平均产量为4756 kg ha^-1，而UFV_19042的产量为4195 kg ha^-1。这些结果凸显了空间显式方法在实现更精准、更针对特定地点的品种推荐方面的潜力。

**论文解读：基于改进地理信息系统-因子分析模型的热带小麦品种推荐研究**

**1. 研究背景与问题**

基因型-环境互作（genotype-by-environment interaction, GEI）是作物育种中的核心挑战，特别是在热带地区如巴西塞拉多（Cerrado），气候和土壤条件的高度变异性使得品种推荐尤为复杂。传统多环境试验（multi-environment trials, MET）虽能评估基因型在不同环境下的表现，但对未测试环境的预测能力有限，且气候变化进一步加剧了这一不确定性。此外，不同管理方式（如雨养与灌溉）对基因型表现的影响尚未被充分整合到预测模型中。现有方法如因子分析（factor analytic, FA）模型虽能通过潜变量分解GEI，但难以直接外推至未采样环境；而近期提出的地理信息系统-因子分析（geographic information system–factor analytic, GIS-FA）方法虽实现了空间外推，但其有效性高度依赖于试验环境对目标环境群体（target population of environments, TPE）的代表性。因此，亟需开发一种能整合多种管理条件、环境协变量（environmental covariates, ECs）及地理空间信息的预测框架，以支持热带小麦的精准品种推荐。

**2. 研究目的与意义**

本研究旨在：1）开发一种结合GIS-FA与多管理策略（雨养和灌溉）的预测方法，绘制米纳斯吉拉斯州（Minas Gerais）热带小麦的基因型适应区；2）识别具有广泛适应性的基因型及针对特定环境生态位的基因型，以优化育种决策。该研究发表在《Crop Science》上，其意义在于提供了一种可扩展的、空间显式的品种推荐工具，有望提升气候变化下作物品种布局的精准性和可持续性。

**3. 主要技术方法**

研究人员采用以下关键技术方法：1）线性混合模型（linear mixed model, LMM）结合因子分析（FA）协方差结构，对多环境试验数据进行表型分析，并依据平均半方差比（average semivariance ratio, ASR）选择最优因子数；2）偏最小二乘（partial least squares, PLS）回归，以试验环境的83个环境协变量（ECs）预测旋转后的环境载荷；3）随机森林空间插值（random forest spatial interpolation, RFSI），对来自NASA POWER、SoilGrids和MODIS等多源数据（空间分辨率1 km²至50 km²）进行空间降尺度，生成一致化的TPE环境矩阵；4）留一法交叉验证评估预测精度。样本来源为维索萨联邦大学（UFV）小麦育种项目的91个自交系和12个商业品种，在2018-2024年间于米纳斯吉拉斯州7个地点共25个环境中评价。

**4. 研究结果**

**4.1 表型变异性与因子模型选择**
不同环境间的遗传方差显著（P<0.05），广义遗传力（H_m²）范围为0.28至0.94，变异系数（CV_m%）范围为6.70%至32.35%。根据ASR标准，含4个因子的FA模型（FA4）解释了75.78%的遗传方差，被选为最优模型。

**4.2 基因型-环境互作与遗传相关**
环境对间的遗传相关从-0.9666（E16 vs. E19）到0.9494（E5 vs. E6）不等，约43%的成对比较呈负相关，表明存在显著的交叉互作。灌溉与雨养环境在遗传相关聚类中未完全分离，提示管理并非唯一驱动因素。

**4.3 基因型选择与适应性分析**
在雨养条件下，UFV_19013通过因子分析选择工具（FAST）获得最高指数（1.71），但其综合性能（整体性能OP和均方根偏差RMSD）不如UFV_9007等更稳定的基因型。灌溉条件下，UFV_19042以最高OP（444.22）当选。通过“胜者-何处”图（which-won-where），BRS_264在北部干旱区域占优，而UFV_19087在南部及Triangulo Mineiro地区表现突出，两者均展示出特定地理适应性。

**4.4 多管理系统预测**
基于逐像素预测，雨养条件下最佳基因型平均产量4183 kg ha^-1，较FAST推荐基因型提高9.8%；灌溉条件下提高13.4%（4756 vs. 4195 kg ha^-1）。环境差异图显示南部区域与试验环境高度相似，预测可靠性较高；北部区域差异值大，需扩展试验网络以提高精度。

**4.5 初步讨论与结论**
研究人员指出，本研究提出的多管理GIS-FA方法通过整合ECs和管理特异性截距，显著提升了未测试环境下的产量预测精度。但该方法的有效性高度依赖于试验环境对TPE的代表性，且当前数据中不同基因型间物候周期差异被忽视，可能引入偏差。未来需结合分子数据和更精细的环境信息，以增强模型鲁棒性。结论部分（翻译）：基因型BRS_264、UFV_14055、UFV_19042和UFV_19087在两种管理条件下均被同时选中，成为巴西热带地区不同耕作体系中的推荐候选材料。自交系UFV_19087（雨养）和UFV_19042（灌溉）表现出优于商业对照的性能和广泛适应性。未来研究应聚焦于整合分子数据、优化区域性杂交组合，并评估将基因型分配至特定环境的风险，以应对气候变化下现代品种的适应需求。