利用农学、图像衍生物表层基因组学方法表征春小麦籽粒产量

《Crop Science》：Characterization of grain yield in spring wheat using agronomic, image-derived phenomics, and genomic approaches

　　

小麦未来产量的提升将日益依赖于结合表型组学与基因组学数据的多组学方法。在本研究中，研究人员利用冠层成像技术检测了植株随时间的生长过程，以评估植株生长动态并确定它们与籽粒产量及产量构成要素之间的关系。双单倍体春小麦群体（AAC Brandon/Pasteur）于2021至2023年间在加拿大渥太华进行了表型分析。使用PlotCam收集高通量图像数据，并辅以产量构成要素的人工测量。利用基于单核苷酸多态性的基因型鉴定数据，将这些数据用于建立产量预测模型和数量性状基因座分析。发现图像衍生性状，特别是估计生物量（EBM），与最终干生物量和籽粒产量之间存在显著相关性。QTLs与产量构成要素、表型性状和籽粒产量相关联。值得注意的是，6D染色体上的一个主要籽粒产量QTL与从分蘖期到面团期的EBM相关联。2B染色体上的一个种子重量QTL与衰老率相关，而6B染色体上的另一个QTL与抽穗期、开花期和面团期的EBM共定位。此外，5B染色体上的一个穗数和种子数量QTL与出苗期、抽穗期和面团期的EBM相关联。这些结果突出了整合图像衍生物表型组学与基因组学分析以更好理解籽粒产量生理学基础的价值。该方法为深入理解源-汇动力学提供了基础，并为在不同环境中选择高性能基因型提供了框架。

小麦是全球至关重要的粮食作物，为满足日益增长的全球人口需求，迫切需要提高其籽粒产量。籽粒产量是一个受生理过程、基础遗传学及环境互作共同影响的复杂性状。传统产量提升手段主要依赖常规表型鉴定与经典育种。近年来，研究逐步转向利用表型组学与基因组学等多组学数据来深入理解并改良农艺性状。植株生物量是谷物的重要生理性状，其与籽粒产量的相关性是解析复杂产量结构的关键。多生长阶段的图像衍生生物量估计已被证实在产量预测上优于单点人工测量。小麦籽粒直接由传统产量构成要素（如种子重量、每穗粒数及单位面积穗数）决定，在源-库关系框架内深入理解这些要素是增加产量的有效途径。然而，在加拿大及其他北美小麦种质资源中，基于表型组学的数量性状基因座研究仍十分有限。为填补这一空白，研究人员对AAC Brandon与Pasteur杂交构建的双单倍体（DH，指通过单倍体染色体加倍获得的纯合植株）春小麦群体开展了研究。于2021至2023年间在加拿大渥太华进行了田间表型鉴定，并结合基因组分析，旨在明确性状表达背后的遗传机制及重要性。研究得出结论，整合图像衍生的表型组学与基因组学分析能够极大地深化对产量构成及源-库动力学生理基础的理解，并为跨环境筛选高产基因型提供理论依据和技术框架。该成果发表在《Crop Science》上。

关键技术方法
研究使用AAC Brandon与Pasteur杂交构建的包含336个株系的纯合双单倍体群体，并在渥太华的3个站点-年份开展了随机完全区组设计的试验。在数据采集方面，采用了低成本手持式近端表型分析平台PlotCam进行田间高通量图像采集，该设备集成了红绿蓝（RGB）相机与深度传感器，同步获取植被覆盖度（VC，植被覆盖地面的比例）和冠层高度（HT）以计算估计生物量（EBM，通过VC与HT乘积估测的冠层生物量）。结合年度内发育度日（GDD，基于每日最高与最低气温计算的累积温度值）拟合逻辑生长曲线提取关键发育节点的表型指标。在数据分析方面，使用META-R程序计算最佳线性无偏预测（BLUP，一种统计遗传学中用于估计随机效应的方法）值和广义遗传力，并运用逐步回归法构建产量预测模型；通过Illumina 90k Beadchip平台进行基因型鉴定，利用MapDisto软件构建高密度遗传连锁图谱，并使用QTL IciMapping软件进行数量性状基因座（QTL，控制数量性状的染色体区域）区间映射。

研究结果
性状变异与籽粒产量预测
通过关联分析与回归模型拟合，研究发现图像衍生性状估计生物量（EBM）在生长早期（如茎伸长期）及后期均与籽粒产量呈显著正相关，且EBM在茎伸长期表现出较高的遗传力，可作为早期世代筛选的潜在目标。此外，植被覆盖度衰老率（VCSE，植被覆盖度从最大值下降的速率）与籽粒产量及种子重量呈显著负相关。在逐步回归分析中，结合产量构成要素（如种子重量、种子数量）与表型性状（如开花期EBM、衰老率VCSE）构建的综合模型对籽粒产量变异的解释度最高，显著优于仅依赖单一数据来源的模型，证明了互补数据源在提升产量预测精度上的价值。

群体遗传图谱
通过高通量基因型鉴定与质量过滤，研究人员筛选出高质量的snp标记。利用共分离标记聚类分析，构建了包含33个连锁群、总遗传距离为4096 cM的高密度遗传图谱。标记在基因组中的分布显示，40%的标记定位于A基因组，49%定位于B基因组，11%定位于D基因组。

QTL鉴定
在全基因组扫描中，研究鉴定出与图像衍生表型性状、产量构成要素及籽粒产量相关联的众多qtl。对于图像衍生性状，在多个发育阶段的EBM均检测到qtl，其中4B染色体上的qtl解释了极高的表型变异。对于产量构成要素，鉴定了控制种子重量、种子数量、干生物量及收获指数的多个遗传位点。此外，在2A、3D、6A、6D和7D染色体上检测到与籽粒产量显著相关的qtl，其中6D染色体上的qtl在多个环境中稳定表达。

性状间共享位点
研究发现多个性状在特定染色体区域存在共享的遗传位点。例如，4B染色体区域同时控制株高、干生物量及多个EBM表型性状；5B染色体区域同时关联穗数、种子数量及多发育阶段的EBM。尤为重要的是，6D染色体上同时存在控制籽粒产量、收获指数、种子重量及早期茎伸长期EBM的qtl，揭示了这些性状间可能存在一因多效或紧密连锁的遗传调控机制。

Rht-B1基因位点的效应
针对群体中发生分离的主要矮秆基因Rht-B1，研究发现其矮秆等位基因Rht-B1b虽显著降低植株高度与抽穗期EBM及干生物量，但并未对最终籽粒产量产生显著负面影响。进一步的回归分析表明，携带矮秆等位基因的品系其单位生物量转化为籽粒产量的效率更高，说明在半矮秆品系中，由Rht-B1b驱动的收获指数提升补偿了总生物量的下降。

讨论部分与结论
研究讨论了非破坏性图像衍生物表型在揭示源-库动力学中的生理学与遗传学价值。从作物生理学的“源-库”概念来看，表型性状可视为源强度的指标，而产量构成要素则主要反映库强度。分析表明，库强度性状对籽粒产量的预测能力强于源强度性状。更为关键的是，Biomass作为源指标，其积累与种子重量呈正相关但与种子数量无显著关联，这表明生物质源能量更多用于增加粒重，证实了早期源可用性与库容建成在决定最终产量结构中的复杂时序作用。

遗传分析表明，4B染色体上与Rht-B1紧密连锁的主效qtl深刻塑造了株型、生物量累积与种子重量。在半矮秆背景下，尽管Rht-B1b等位基因减少了总生物量，但通过维持或提升籽粒产出，从而实现了产量恒定。此外，在6D染色体上同时关联籽粒产量、种子重量与EBM的重叠qtl，暗示了调控源-库平衡的共享遗传基础；而一些产量特异性qtl并未与主要源、库性状相关联，凸显了产量遗传基础的复杂性。研究最终得出结论，估计生物量作为对冠层生物质积累的重复性估计手段，在早期育种世代展现出了极大的应用潜力。研究中揭示的性状关联与多效性qtl为将图像衍生的表型组学数据整合进产量预测模型及标记辅助选择提供了坚实基础。