《Frontiers in Plant Science》:Forage yield stability of tall fescue genotypes across eight location-year combinations in the United States and Canada
编辑推荐:
高羊茅(Festuca arundinacea Schreb.)是一种冷季型、异源六倍体(allohexaploid)多年生禾草,用于饲草、土壤保持和草坪。在美国,其主要适应于温带北部和温和南部之间的过渡带,广泛分布于中部和东部地区。饲草产量取决于基因型、施肥
高羊茅(Festuca arundinacea Schreb.)是一种冷季型、异源六倍体(allohexaploid)多年生禾草,用于饲草、土壤保持和草坪。在美国,其主要适应于温带北部和温和南部之间的过渡带,广泛分布于中部和东部地区。饲草产量取决于基因型、施肥和环境条件。由于高羊茅生物量产量的基因型表现受基因型-环境互作(G×E)显著影响,研究人员利用多环境试验中的434个观测值,评估了14个高羊茅基因型在美国和加拿大八个地点-年份组合下的生物量产量及其稳定性。研究人员采用加性主效应和乘性互作(AMMI)、基因型加G×E(GGE)双标图以及基于限制最大似然(REML)的混合模型来估计最佳线性无偏预测(BLUP)。AMMI分析揭示了显著的基因型、环境和G×E效应(P < 0.001),前两个互作主成分轴共同解释了总互作方差的81.8%。GGE双标图证实了环境特异性基因型表现,支持了宏环境划分,并在环境簇中鉴别出获胜基因型(g2t和k21)。均值与稳定性及理想基因型分析表明,k21和jmx是跨环境兼具产量表现和稳定性的最有利基因型之一。混合模型BLUP估计和基于概率的排序在部分不平衡数据下进一步支持了这些发现。为同时选择生产力和稳定性,通过整合BLUP预测产量与基于AMMI的稳定性计算了产量加权稳定性指数(YWSI),为基因型表现的比较评价提供了复合标准。YWSI结果与其他分析方法获得的结果一致。AMMI、GGE、BLUP和YWSI的联合使用为表征G×E模式并促进跨不同环境的基因型评价提供了一个综合框架。
**论文解读:高羊茅基因型跨环境产量稳定性综合评价**
**研究背景**
高羊茅(*Festuca arundinacea* Schreb.)是一种冷季型、异源六倍体(allohexaploid)多年生禾草,广泛用于饲草、土壤保持和草坪。在美国,其主要适应于温带北部与温和南部之间的过渡带,集中分布于中部和东部地区,年降水量约102–117 cm,年饲草产量通常在6–15 Mg ha
-1 yr
-1之间,取决于基因型、施肥和环境条件。然而,在多环境条件下,基因型排名常因基因型-环境互作(G×E)而不一致,这给品种选育带来挑战。以往研究多依赖单一分析工具、有限的环境覆盖或短期评价,且饲草育种面临多年生习性、交配系统及评价环境(如株播 vs. 草皮小区)等因素的额外复杂性。因此,本研究旨在综合评估高羊茅基因型在多个年份和地点的G×E及产量稳定性,并识别兼具高生物量产量和稳定表现的优势基因型。该研究发表在《Frontiers in Plant Science》。
**关键技术与方法**
研究人员采用多环境试验(MET)设计,在三个地点(美国佐治亚州Iron Horse Farm、纽约州Cornell大学农业试验站、加拿大新斯科舍省Nappan农业与农业食品部研究农场)于2020–2023年设置8个地点-年份组合(C20、C21、C22、I21、I23、N20、N21、N22),共434个观测值(部分不平衡重复)。主要技术方法包括:加性主效应和乘性互作(AMMI)模型分解G×E效应;基因型加G×E(GGE)双标图可视化基因型表现、稳定性及宏环境划分;基于限制最大似然(REML)的混合模型估计最佳线性无偏预测(BLUP);以及构建产量加权稳定性指数(YWSI)整合BLUP预测产量与AMMI稳定性值(ASV)。
**研究结果**
**3.1 试验结构与产量变异(Trial structure and yield variation across environments)**
跨所有观测值,年生物量产量范围为2.48–19.38 Mg ha
-1,均值为9.10 Mg ha
-1,变异系数(CV)为42%,表明环境间存在显著异质性。
**3.2 固定效应方差分析(Fixed-effects analysis of variance)**
固定效应ANOVA显示基因型、环境及G×E对产量均有极显著影响(P < 0.001),环境效应解释了总变异的最大比例。
**3.3 AMMI分析与产量稳定性(AMMI analysis and biomass yield stability across environments)**
AMMI方差分析证实基因型、环境和G×E效应显著(P < 0.001),IPCA1和IPCA2分别解释G×E方差的51.2%和30.5%。AMMI1双标图显示g05、k05、lcm等基因型靠近横轴(IPCA1≈0),稳定性较高;g2t、jmx等基因型均值较高但位于轴外,存在较强互作。AMMI2双标图表明环境N20、N21、N22与C20分布在IPCA1正侧,I21、I23、C21在负侧,呈现温度梯度驱动的互作模式。
**3.4 GGE双标图分析(GGE biplot analysis)**
GGE双标图PC1和PC2分别解释37.76%和31.11%的GGE变异。
- **哪个赢了哪里(Which-won-where)**:划分出两个宏环境——k21在N20、N21、N22、C20中表现最佳(较冷环境),g2t在I21、I23、C21中获胜(较暖环境),k31在C22中获胜。
- **均值与稳定性(Mean vs. stability)**:jmx和k21兼具较高均值产量和可接受稳定性,接近理想基因型位置;kkn和k31产量低且稳定性差。
- **测试环境判别力与代表性(Discriminating ability and representativeness)**:I21判别力最高但代表性较低,N21代表性最强且判别力适中,接近理想环境。
- **环境间关系(Relationships among test environments)**:N22与C20呈正相关,C21与C22紧密关联,I21与N20、C20呈弱或负相关,反映生长条件差异。
**3.5 基因型BLUP估计(Genotype BLUP estimates)**
混合模型方差组分显示基因型(占7%)和G×E(占22%)效应显著(LRT检验P < 0.05)。BLUP均值范围约8.6–9.4 Mg ha
-1,g2t、k21、jmx、tma位居前列,kkn和k31最低。
**3.6 基于概率的基因型排序(Probability-based genotype ranking)**
概率排序进一步证实g2t和k21具有最高的优异表现概率,与BLUP估计一致,kkn和k31概率最低。
**3.7 整合产量与稳定性参数(Integrated yield and stability parameters)**
Tukey HSD检验表明多数基因型均值差异不显著,但稳定性参数(Shukla方差、ASV、WAASB)显示lcm、k05、k11稳定,kkn、k31不稳定。YWSI整合了BLUP预测产量与ASV,综合排名前三位为g2t、jmx、k21,与AMMI、GGE及BLUP分析结果一致。
**讨论与结论**
讨论部分强调环境效应是年生物量产量变异的主要来源,但G×E显著导致排名变化(交叉互作)。AMMI和GGE有效捕捉了互作结构,并揭示了温度梯度驱动的环境分化。GGE双标图鉴别出两个宏环境及对应获胜基因型(k21和g2t),并评价了测试环境的判别力与代表性(N21为最理想环境)。混合模型BLUP在部分不平衡数据下提供了收缩估计,概率排序增强了决策可靠性。YWSI作为复合选择标准,同时考虑了产量和稳定性,其排名与其他方法高度一致,为多环境试验中的基因型比较提供了实用工具。
**研究结论(翻译自原文5 Conclusions)**
对14个高羊茅基因型在八个地点-年份组合下的多环境评价表明,环境效应是年生物量产量变异的主要来源,而基因型和G×E效应也极显著。交叉互作的存在表明基因型排名随环境变化,强调了在品种选择中评价稳定性和适应性的重要性。AMMI和GGE双标图的联合使用有效表征了互作模式,支持了宏环境划分,并促进了广适应性和特异性适应基因型的鉴别。基因型k21、jmx和g2t在多种分析方法中持续表现出良好的产量和稳定性,是本研究中最有前景的基因型。其他基因型表现出更强的互作效应,表明其在特定环境簇中具有潜在应用价值而非整个测试网络。使用基于REML的BLUP进行的混合模型分析在部分不平衡数据下提供了收缩性能估计,并强化了从AMMI和GGE方法获得的基因型排名。为整合BLUP预测产量和基于AMMI的稳定性而开发的YWSI,提供了一个同时考虑生产力和稳定性的复合选择框架,其对基因型进行综合排名,以同时考虑跨环境的生产力和稳定性。YWSI排名与图形分析和混合模型分析的一致性进一步支持了其作为多环境试验中实用决策工具的有效性。总体而言,整合AMMI、GGE、BLUP和YWSI方法学为解释G×E和提高高羊茅育种计划中的选择效率提供了一个综合框架。这种多模型策略增强了高产、广适应基因型的鉴别,同时允许在特定宏环境中进行定向部署,以优化不同农业生态条件下的饲草生产力。