《Crop Science》：Some objective functions and ideas to optimize experimental designs in artificial selection programs
编辑推荐：
人工选择程序中的实验设计必须在有限资源与跨多样环境进行准确遗传评估的需求之间取得平衡。研究人员提出一个决策点框架，将整体设计过程分解为顺序分配步骤，每个步骤使用基于代表性（representativeness）的目标函数进行优化。通过随机模拟（stochast
人工选择程序中的实验设计必须在有限资源与跨多样环境进行准确遗传评估的需求之间取得平衡。研究人员提出一个决策点框架，将整体设计过程分解为顺序分配步骤，每个步骤使用基于代表性（representativeness）的目标函数进行优化。通过随机模拟（stochastic simulations），研究人员评估了这些目标函数如何影响多个设计决策中的准确性（accuracy）和遗传增益（genetic gain）。关键结果如下：第一，选择足够大且具有代表性的环境集对跨目标环境群体（target population of environments, TPE）的准确性影响最大。当TPE复杂时，稀疏测试（sparse-testing）策略始终优于完全平衡设计，即使总试验小区数保持不变。第二，使用修正的最优贡献函数（?q′Dq）进行环境选择优于随机抽样、k均值（k-means）和层次聚类（hierarchical clustering），准确性提升高达20%并降低了不确定性。第三，一旦环境固定，条目（entries）在环境间的分配具有中等但显著的效果，尤其是在遗传相关性在TPE中变化较大时。第四，环境内的设计决策强烈影响准确性：最优田间大小取决于空间异质性程度，而使用基因组关系矩阵（genomic relationship matrices）时，重复（replication）的影响相对有限。最后，优化空间分配在强空间噪声下提高了准确性，但计算成本增加。总体而言，该框架确认了先前发现，同时为优化表型评估提供了一种实用且计算高效的方法。通过为目标函数针对特定决策点进行定制，育种程序可以提高准确性、降低风险并更好地利用有限资源。
**论文解读：人工选择程序中实验设计的目标函数优化框架**
**研究背景与问题**
在人工选择程序中，实验设计需在有限资源（如试验小区数、经费）与跨环境准确评估遗传价值之间取得平衡。传统设计聚焦于田间内重复、随机化与区组化以降低噪声，但近年来基因型与环境的交互作用（G×E）的重要性日益凸显，研究者开始关注环境间资源分配。然而，现有方法通常仅优化单一环节（如田内设计），缺乏全局视角。此外，育种程序常面临一系列决策：选择多少环境、哪些环境、如何分配测试材料、田内试验大小与空间布局等。这些决策相互依赖，联合优化计算复杂度过高。因此，需要一种结构化框架，将整体设计拆解为顺序决策点，并为每个决策点提供基于数量遗传学原理的目标函数，以近似实现最优分配。本研究旨在提出并评估这类目标函数，通过随机模拟检验其对准确性（accuracy）和遗传增益（genetic gain）的影响。
**研究内容与结论**
研究人员构建了一个决策点框架，模拟了中小规模育种程序中的目标基因型群体（target population of genotypes, TPG）和目的环境群体（target population of environments, TPE），并评估了不同目标函数在多个决策中的表现。主要结论包括：稀疏测试（sparse-testing）策略在TPE复杂时优于完全平衡设计；修正的最优贡献函数（?q′Dq）在选择代表性环境时显著优于随机或聚类方法；条目（entries）在环境间的分配影响中等；田内设计中的田间大小和空间优化对准确性有显著影响，而重复级别影响较小。该框架提供了实用且计算高效的方法，发表于《Crop Science》。
**关键技术方法**
研究人员采用随机模拟（stochastic simulations）生成TPG和TPE。TPG模拟了10条染色体、50个数量性状位点（QTLs）/染色体、加性与显性效应；TPE模拟了300个环境，遗传相关系数分布为rG~MVN(0.3, 0.3)（多元正态分布），表型包含强空间变异（方差50σ2g）。在决策点中，环境选择方法包括k-means、层次聚类（hclust）、随机抽样和基于遗传算法的目标函数f(q)=?q′Dq（D为环境间关系矩阵）；条目分配使用该函数或平衡设计；田内设计比较了不同田间大小（100–900小区）和重复级别（1.0–2.0）；空间分配比较了经典随机化、A-最优性（odw）和遗传-空间目标函数（GbySpat）。统计模型采用混合模型，包含空间效应和基因组关系矩阵（GRM）。所有模拟重复100次，记录准确性、遗传增益和计算时间。
**研究结果**
**3.1 多少环境代表TPE，以及何种稀疏水平代表TPG？**
在总小区数5000的约束下，稀疏测试方案（20–25个环境，每个环境测试200个个体，覆盖全部1000个体）实现了最高的跨TPE准确性（0.48±0.03），比完全平衡设计（5环境/5000小区，准确性0.45±0.03）更高，且仅使用80%的小区数。当环境数较少（<10）时，更平衡的稀疏设计（更多个体在同一环境）表现更好；当环境数增加时，更稀疏的设计（少个体多环境）优势显现。
**3.2 哪些环境更好地代表TPE？**
在环境数6–25范围内，修正的最优贡献函数（?q′Dq）在准确性上平均比随机、k-means和层次聚类提升约20%，且标准误差更小。例如，在25个环境时，?q′Dq准确性为0.60±0.014，而随机为0.55±0.017。遗传增益也相应提升8.4%–15%。当环境数较少时，优势更明显。
**3.3 如何跨环境分配条目？**
在20个选定环境下，完全平衡设计（所有条目在所有环境测试）准确性最高（0.68±0.03）。将同一家族成员集中到同一环境（不良对照）准确性最低（0.39±0.06）。修正的最优贡献函数（?q′Dq）得到准确性0.54±0.04，优于随机分配。当环境数减少至5时，方法间差异缩小。
**3.4 田内试验应多大？**
田间大小从100增至900小区，准确性持续上升，在400–500小区时达到平台（约0.60）。重复级别（1.0–2.0）的影响较小，低重复（允许更多独特条目）略优。例如，200小区时，重复1.0准确性约0.44，重复2.0约0.43。
**3.5 如何在田内空间分配条目？**
在200条目增强设计（augmented）中，A-最优性（odw）和遗传-空间目标函数（GbySpat）的准确性（0.56±0.04和0.54±0.04）高于经典随机化（0.50±0.04），远优于家族聚集（0.40±0.06）。在1000条目时，优化设计同样提升准确性，但计算时间显著增加（经典随机化~10秒，GbySpat~28分钟，A-最优性~56分钟）。
**讨论与结论**
讨论部分指出，稀疏测试策略在TPE复杂时优势明显，但效果依赖于TPE的遗传相关结构；育种程序应通过模拟定制自身策略。环境选择中，经典聚类方法并未优于随机选择，而?q′Dq函数通过最小化选择环境间的冗余有效提升代表性。条目跨环境分配的影响主要在遗传相关系数变异大时显著。田内试验中，足够大的田间规模（>400小区）是充分建模空间变异的关键，而重复级别在GRM模型下重要性较低。空间分配优化在高空间噪声下有效，但计算成本高；遗传-空间启发式方法在准确性和计算时间之间取得了较好平衡。研究局限性包括：假设了基因组和环境关系矩阵可用，且结果基于特定模拟参数，需谨慎推广。
结论部分翻译：人工选择程序中跨地点和地点内的实验设计对于降低噪声和改善遗传评估至关重要。由于存在许多相互作用因素，整体处理该主题是复杂的。本研究通过将设计过程分解为离散的决策点，每个决策点使用量身定制的目标函数进行优化，以近似接近最优分配。结果突显了分配因素间的一致交互作用，使程序能够针对其自身的TPE和TPG定制建议。主要建议是使用基于数量遗传学原理的目标函数（以代表性为核心概念）来解决关键分配决策。随机模拟展示了这些函数在多种场景下的价值。在跨环境决策中，有效采样TPE（确定环境数量、稀疏水平以及包含哪些环境）对准确性的影响大于条目在环境间的具体分配。一旦避免不良设计，随机分配往往接近最优。在环境内决策中，需要最低田间规模来充分建模空间变异（使用空间模型或基于GRM的评估）；本模拟中阈值约为400小区。重复级别在测试足够条目后对准确性影响较小。最后，空间分配主要在强空间变异下影响准确性和遗传增益；优化设计（A-最优性或遗传-空间距离）在强空间噪声下优于标准随机化，但计算成本增加。总体而言，所提出的决策点框架和目标函数为设计表型评估提供了一种实用且灵活的方法，平衡了准确性、资源利用和计算可行性。
