综述:基因组选择结合高通量表型组学与快速育种技术助力智慧绿色水稻(Oryza sativa)遗传改良

《Genes》:Genomic Selection Integrated with High-Throughput Phenotyping and Speed Breeding for Smart and Greener Rice (Oryza sativa) Improvement

【字体: 大 中 小 】 时间:2026年07月31日 来源:Genes 3.1

编辑推荐:

  背景:水稻育种需要在环境变异加剧及投入约束日益严格的生产体系中,更快地培育出高产、气候适应性广、资源高效利用且品质优良的新品种。基因组选择(Genomic Selection, GS)可在大规模田间评价之前预测育种值,但其有效性取决于基因组、表型组与环境信息的

  
背景:水稻育种需要在环境变异加剧及投入约束日益严格的生产体系中,更快地培育出高产、气候适应性广、资源高效利用且品质优良的新品种。基因组选择(Genomic Selection, GS)可在大规模田间评价之前预测育种值,但其有效性取决于基因组、表型组与环境信息的整合程度。方法:本叙述性综述批判性审视了水稻基因组选择的最新进展及其与高通量基因分型、高通量表型组学(High-Throughput Phenotyping, HTP)、机器学习、多环境预测及快速育种技术的整合路径。结果:全基因组标记数据可支持对谷粒产量、稻米品质、抗病性、耐旱性、耐盐性及养分利用效率等育种材料的早期排序。预测性能受性状遗传架构、标记密度、训练群体规模、训练群体与候选群体间的遗传亲缘关系、表型数据质量及基因型×环境互作(Genotype-by-Environment Interaction, G×E)的影响。红绿蓝(RGB)、多光谱、高光谱、热红外及激光雷达(Light Detection and Ranging, LiDAR)平台可获取与植株构型、生物量、水分状况、营养状况及胁迫响应相关的时序性状,在适宜的群体与验证设计下可提升预测精度。快速育种体系可缩短世代间隔,促进快速进阶、轮回选择及优异亲本的循环利用。结论:将基因组预测、高通量表型组学、环境数据与快速育种相结合的集成化育种流程,能够提升选择效率并缩短水稻改良周期。该模式的广泛推广需要可负担的技术平台、标准化的数据系统、多环境验证、育种家能力建设以及面向智慧绿色农业的协作数据共享框架。
1. 引言
水稻(Oryza sativa L.)是全球半数以上人口的主粮作物,对亚洲、非洲及其他稻米依赖地区的粮食安全、农户收入及农村就业具有支撑作用。2025/26年度全球稻谷预计产量达5.413亿公吨(精米计),而人口增长、城市化进程、膳食结构变化及气候相关生产风险持续加大稻米供给压力。传统水稻改良依赖优良农艺性状亲本的鉴定、有计划杂交、自交或双单倍体技术推进世代,以及从分离世代到多点产量试验的重复表型选择,需耗费大量土地、劳动力、种子资源及多年时间方可进入区域试验与品种审定阶段,这推动了能够在更早阶段做出选择决策的基因组预测方法的发展。
基因组选择利用全基因组分子标记通过基因组估计育种值(Genomic Estimated Breeding Values, GEBVs)预测候选品系的遗传价值。早期水稻研究主要聚焦于单一群体内个别性状(如谷粒产量、开花期、稻米品质、稻瘟病抗性、耐旱性及耐盐性)的GS精度评估,比较了基因组最佳线性无偏预测(Genomic Best Linear Unbiased Prediction, GBLUP)、贝叶斯回归、核方法等统计模型,重点关注标记密度、训练群体规模、性状遗传力及训练群体与预测群体间遗传亲缘关系对预测性能的影响。当候选品系与训练群体遗传距离较远或G×E导致性状在不同地点和季节表达发生改变时,预测性能往往下降。近期研究已将GS与高通量基因分型、HTP、机器学习及快速育种相结合,但这些组件常被作为独立技术发展讨论。一个更完整的育种框架应探讨全基因组标记、影像衍生表型性状、环境数据与快速世代推进如何在单一水稻改良流程中共同指导选择决策。本综述系统梳理了水稻基因组选择的最新进展及其与上述技术的整合路径,分析了这些技术对提升预测精度、选择效率及缩短育种周期的贡献,同时指出了当前局限性与未来研究重点。
2. 水稻改良的基因组选择平台
GS基于全基因组标记数据预测水稻基因型的遗传价值,通常估算加性育种值用于选择。该流程始于训练群体——其全基因组基因型数据与可靠表型记录已知,而候选品系仅需基因分型即可通过GEBVs排序。表型数据通常需通过最佳线性无偏估计(Best Linear Unbiased Estimation, BLUE)或最佳线性无偏预测校正地点、年份、重复、区组效应及管理条件后用于模型构建。GBLUP通过标记数据计算的基因组亲缘关系矩阵表征品系间的实际遗传相似性,并据此估计各基因型的育种值。岭回归最佳线性无偏预测(Ridge Regression Best Linear Unbiased Prediction, RR-BLUP)在所有标记方差一致的假设下估计各标记的小效应,贝叶斯模型允许标记效应大小存在差异,而再现核希尔伯特空间(Reproducing Kernel Hilbert Space, RKHS)模型可捕捉非加性遗传效应。一项针对417份籼稻种质的研究利用Hyper-seq技术对24,502个单核苷酸多态性(Single-Nucleotide Polymorphisms, SNPs)进行分型,通过五折交叉验证重复30次评估直链淀粉含量与胶稠度的预测性能,GBLUP在该相关性指标下分别达到0.8360和0.7185;当使用与目标性状关联(p≤0.1)的SNP时,相关性分别提升至0.9669(直链淀粉含量,2431个标记)和0.9520(胶稠度,2453个标记)。需注意此类数值为未校正的基于相关性的性能指标,不应解释为与未观测真实育种值的相关性或是经遗传力校正的预测精度。另一项研究对459份水稻品种共3955个SNP进行九性状五折交叉验证(重复9次),报告相关性预测性能跨性状跨模型介于0.4066至0.8960之间,多环境数据集均值为0.6629,杭州点均值为0.5684,陵水点均值为0.5391。跨研究比较需综合考虑指标定义、参考表型、交叉验证设计、性状遗传力、群体结构、训练集构成及训练与验证材料间亲缘关系等因素。
GEBVs的准确性取决于标记质量、密度、基因组分布及训练群体与候选群体的遗传关联度,这使得平台选择与训练群体设计成为GS的核心环节。水稻育种项目可通过SNP芯片、基因分型测序(Genotyping-by-Sequencing, GBS)、低覆盖度全基因组测序、全基因组重测序、靶向扩增子测序、竞争性等位基因特异性PCR(Kompetitive Allele-Specific PCR, KASP)检测及简化基因组测序平台获取标记数据。SNP芯片在常规筛选中提供预定义位点的标准化基因型,而基于序列的平台可在目标种质中识别多态性并依据育种目标与可用资源调整标记密度。靶向平台适用于质量控制、品种指纹图谱绘制及已验证主效基因的选择,而受多微效位点控制的复杂性状的基因组预测通常需要广泛的基因组覆盖。训练群体应包含当前杂交周期中的优异亲本、高级品系及代表性后代,并在目标环境中采集表型记录。合理的群体设计可强化训练品系与未来候选材料间的遗传联系,在后续育种周期与训练材料保持关联时有助于提升预测性能。
统计模型决定全基因组标记信息如何转化为GEBVs。GBLUP通过基因组亲缘关系矩阵估计加性遗传值,RR-BLUP在所有标记方差一致假设下估计各标记效应,二者为多基因性状(如谷粒产量、开花期、株高及穗部构型)提供了高效的基准方法。贝叶斯模型(包括BayesA、BayesB、BayesC、BayesR及贝叶斯最小绝对收缩与选择算子)允许标记效应方差不等,可对连锁大效应数量性状位点(Quantitative Trait Loci, QTL)的位点赋予更高权重。RKHS模型利用标记衍生的核矩阵捕捉非线性遗传效应及潜在上位性互作。模型性能应通过代表育种程序中预期选择场景的交叉验证方案进行评估。研究表明,针对干旱相关性状,结合性状特异性标记集与多环境预测模型的RKHS回归可提升预测能力;在交替湿润干燥与持续淹水条件下,纳入多环境的模型改善了不同水分制度下育种品系的预测表现。当存在相关辅助性状时,多性状模型对籽粒微量元素浓度的预测能力更高。多环境与多性状多环境模型相比单环境分析可提升籽粒砷浓度与谷粒产量的预测性能。综上,GBLUP与RR-BLUP可作为基准模型,而贝叶斯、RKHS、多性状及多环境方法对受主效位点、相关表型、非线性效应或G×E影响的性状可能更具优势。
GS已在水稻生产力、稻米品质及抗病性等育种目标中得到评估。对于谷粒产量,基因组模型可在大规模多环境评价前对品系的产量潜力、开花期、株高及相关产量构成因子进行排序。一项针对111份优质灌溉稻品系在15个环境中的研究将预测能力定义为验证环境中预测值与校正表型间的皮尔逊相关系数,三种未测试环境验证场景下谷粒产量的报告相关系数为-0.29至0.62,表明环境间存在强烈变异,但不应与可靠性校正精度或群体内随机交叉验证获得的相关系数直接比较。稻米品质研究涵盖直链淀粉含量、碱消值、籽粒尺寸、垩白度、碾磨回收率及食味品质等性状。抗病性研究则因种群结构、病原菌分离物、标记加权程序及验证方案的差异而呈现不同的预测指标。研究发现,利用全基因组关联分析(Genome-Wide Association Study, GWAS)衍生的标记信息加权的GBLUP模型,在特定数据集中比传统GBLUP模型的预测能力提升4%–37%。
非生物胁迫下的应用对智慧绿色农业尤为重要。一项包含280份雨养低地水稻种质的泛基因组研究(215,000个SNP)显示,在验证场景下,性状特异性标记集使预测能力提升高达22%,多环境模型使预测能力提升高达32%。耐盐性预测可靶向盐胁迫与对照条件下的地上生物量、根系性状、分蘖数、钠钾浓度及胁迫响应指数。一项研究利用241份粳稻种质20,255个SNP训练八个形态性状与离子质量分数的模型,成功预测了393份育种品系在轻度盐胁迫下的表现。养分利用效率特别是氮素利用效率是低投入稻作系统的另一重要应用方向。基因组预测可支持低氮供应下的谷粒产量、氮吸收、氮利用、生物量积累及不同氮制度下的产量稳定性选择。研究显示,当利用多样性面板预测遗传距离较远的高地稻育种群体时,预测能力大幅下降,提示训练群体需随当前育种周期材料定期更新。上述案例表明,GS设计需考虑性状遗传架构、目标生产环境、测量方案及训练与候选群体间的遗传亲缘关系。
群体结构与遗传亲缘关系可能虚高基因组预测性能,当近缘个体、同一亲本后代或同一遗传亚组成员同时出现在训练集与验证集中时,随机k折交叉验证可能捕捉到共享祖先、亚群特异性等位基因频率及共连锁不平衡模式,而这些模式在未来育种材料中未必成立。因此,随机k折交叉验证最适用于遗传关联群体内预测;留一族交叉验证评估跨亲本组合的传递性;前向周期验证检验后期育种周期的预测表现;跨年验证评估未来季节的表现;跨环境验证评估向未测试地点或管理条件的传递性;独立外部验证测试模型开发时未使用的材料。多项研究证实,随机划分下的高性能未必能可靠预测新家系、未来周期、非亲缘种质、未来年份或新环境。水稻GS研究应报告训练与验证材料间的遗传关系、环境重叠情况、群体划分方式,并至少采用一种与预期育种应用场景对应的验证设计。
验证方案的选择应与基因组模型拟支持的育种场景相匹配。留一族交叉验证通过扣留某一全族后代评估其他家族信息对其的预测能力,提供了跨亲本组合预测的更严格评估。跨育种周期前向预测利用早期周期训练模型、后续周期验证,从而检验亲本贡献变化、等位基因频率改变、连锁相变化及选择历史的影响。G×E是另一限制因素,当水稻基因型在不同地点、季节、水分制度、土壤类型、施肥水平或胁迫强度下排名发生逆转时,预测性能显著下降。研究表明,九性状多环境模型平均预测能力为0.6629,而杭州与陵水单独分析分别为0.5684和0.5391;多环境模型与性状特异性标记集对干旱相关性状的预测能力更高,支持在训练数据集中纳入代表性目标环境。随着新亲本组合改变等位基因频率、连锁相及单倍型组成,预测传递性在育种周期间进一步下降。表型方案差异、基因分型平台不同、标记填充质量及田间管理的异质性也会降低历史训练数据集与新候选群体间的一致性。水稻育种项目应在每周期后利用优异亲本及近期后代更新训练群体,在代表性目标环境中维持表型记录,并通过代表未来选择候选者的独立验证集评估模型,而非仅依赖随机交叉验证。
3. 高通量表型组学与机器学习在基因组预测中的应用
HTP可在超越人工评估可行规模的层面上,对水稻生长、冠层发育、胁迫响应及产量相关性状进行重复且客观的测量。田间HTP系统利用手持传感器、固定相机、地面车辆、龙门架或移动传感平台在目标生产条件下量化冠层高度、分蘖密度、冠层覆盖度、生物量、开花日期、叶角、倒伏及光谱植被指数。温室系统通过自动化成像室或传送带平台在设定的水分、盐分、温度及养分处理下对水稻材料进行受控评价。无人机(Unmanned Aerial Vehicle, UAV)表型组学通过RGB、多光谱、高光谱、热红外及LiDAR传感器将田间评估从单个小区扩展至大型育种圃。成像衍生表型可提供形态、光谱、生理及病害相关性状,作为直接选择标准或基因组预测模型中谷粒产量、干旱适应性、氮素状况及抗病性的辅助变量。
各传感模态对结构、生理或胁迫相关性状的贡献各异。RGB图像提供投影植株面积、冠层覆盖度、绿色像素比例、颜色指数、分蘖角度、分蘖数、冠层高度及倒伏相关性状。时间序列RGB图像可生成冠层高度分析的数字表面模型。多光谱传感器记录可见光、红边及近红外波段,支持植被、叶绿素及水分敏感指数的计算,可量化冠层活力、叶面积指数、生物量积累、氮素状况、衰老进程及水分限制。高光谱成像相比多光谱系统提供更窄且连续的光谱信息,可表征叶绿素浓度、叶片氮含量、色素组成、叶片水分状况及病害相关光谱响应。热成像测量冠层或叶片温度,提供与蒸腾、蒸发冷却、水分利用效率及干旱响应相关的性状。LiDAR系统生成三维点云,支持非破坏性估计冠层结构性状,包括冠层高度、冠层体积及高度分布。这些重复获取的传感衍生性状可作为直接选择目标或辅助表型,服务于谷粒产量、干旱适应性、养分利用效率及抗病性的基因组预测模型。
传感衍生表型可通过四种统计学与生物学上截然不同的路径贡献于水稻基因组预测。第一,冠层高度、冠层温度、生物量、水分利用、光谱指数或病害严重度可作为直接选择目标,前提是所测性状具备农艺价值、足够遗传力、可重复测量及支持选择的遗传变异。第二,传感衍生性状可作为多性状基因组模型中初级育种目标(如谷粒产量)的次级表型,其增益取决于性状间遗传相关性、次级性状的遗传力与测量精度及其在训练群体或候选品系中的可获得性。第三,生理测量值(如冠层温度或水分状况指数)可作为协变量进入模型,解释胁迫暴露、发育差异或环境变异而不作为选择目标。第四,生长速率、叶面积、分蘖发育等生理特征可作为两阶段或过程模型中的中间表型,连接基因组、环境信息与最终目标性状。HTP衍生性状最可能在具备足够遗传力、与初级性状存在遗传关联、在信息丰富的发育阶段测量、获取成本低于或早于初级性状、且在对应预期选择场景条件下可获得时,改善基因组预测。有限的遗传相关性、强烈的环境敏感性、不适宜的测量时机、冗余预测信息或候选品系缺乏次级性状测量则可能削弱甚至消除预期优势。
除单时间点测量外,重复RGB成像可生成每日投影植株面积、冠层覆盖度、分蘖扩展速率、植株紧密度及生长轨迹;多光谱、热红外及LiDAR测量可提供植被指数、冠层温度、冠层高度、生物量积累及水分利用响应的时序轨迹。这些数据可通过多性状模型(将不同日期的测量值视为相关表型)或随机回归模型(估计基因型特异性跨时间性状轨迹)纳入基因组预测。纵向方法比单独分析各时间点捕捉到更多遗传变异。多性状随机回归模型可利用生物量发育与水分利用间的遗传关联改善每日水分利用轨迹的预测。时序数据集还可总结为最大值、生长速率、拐点、曲线下累积面积或功能主成分得分后纳入基因组模型,从而在最终谷粒产量可得之前识别出早期生物量积累快、水分亏缺下冠层降温稳定、衰老延迟或水分利用效率高的品系,支持更早的选择决策。
机器学习与深度学习模型并不自动优于GBLUP、贝叶斯回归或RKHS,其性能取决于群体规模、标记维度、性状架构、遗传亲缘关系、特征选择、超参数优化及验证设计。跨14个植物育种数据集的基准测试显示,深度学习与GBLUP并未在所有性状上均表现更优,GBLUP在加性效应主导的性状上仍具竞争力,深度学习则在若干复杂性状及排序任务中展现优势。长短期记忆模型在某些评估中预测能力达0.27–0.78,超过GBLUP、RKHS及贝叶斯模型,但该研究采用随机90:10交叉验证及大量架构调优,限制了向非亲缘家系或未来育种周期推广的结论。深度神经网络基因组预测在小数据集上与传统模型精度相当,在大样本多组学数据集上精度更高且计算时间最多降低十倍。这表明当数据集足够大且输入异质性强时,深度学习可能具备优势。在较小的仅含标记的籼粳稻群体中,简单模型可能以更低计算需求和更高模型透明度获得相似或更优的样本外性能。机器学习与深度学习应在相同群体划分、表型校正及验证指标下与GBLUP、贝叶斯回归及RKHS进行比较,且填充、特征选择、缩放及超参数优化应在每个训练折内完成以防止数据泄露。
数据泄露会在验证观测信息参与模型开发、数据预处理或预测变量构建时虚高基因组与表型组预测性能。这在纵向HTP数据中风险尤高——当同一基因型、小区、家系、年份、环境或时间轨迹的观测值同时出现在训练集与测试集中时,模型可能识别基因型特异性生长模式或共享环境信号,而非可向新育种材料迁移的关联。因此,数据划分应在预期预测单元层面进行,同一基因型、家系、小区、年份或环境的所有重复观测应归属同一划分。填充、归一化、环境校正、特征选择、降维、时间特征提取及传感器校准必须在每个训练划分内拟合后再应用于相应验证划分。嵌套交叉验证(内层选择特征与超参数,独立外层估计模型性能)可有效解决此问题。对于多环境与时间序列水稻数据集,验证应根据预期育种应用按基因型、家系、年份、地点或完整生长轨迹分组观测,超参数优化与模型选择仅使用内层训练折,因为对外层验证集的重复访问会将模型评估转化为模型开发的额外阶段。
4. 快速育种与加速遗传增益的集成育种流程
水稻快速育种通过分阶段调控光周期、光谱、光强、温度、湿度、种植密度、养分供给及早熟种子收获缩短种子到种子的间隔。其生物学基础在于将营养生长期划分为基本营养生长阶段(幼株光周期敏感性有限)与随后的光周期敏感阶段(短日照促进穗分化)。SpeedFlower协议专为配备可调LED通道、自动化灌溉、气候控制软件、可控气流、湿度调节及二氧化碳供应的全封闭可编程生长舱设计,应用红主导光谱(800 μmol m?2 s?1)、播种后前15天24小时光周期、随后10小时光周期直至开花与种子收获,维持32/30 ℃昼/夜温度及65%相对湿度,并在初始营养阶段后辅以远红光处理。穗在花后13–15天收获,38 ℃烘干后用赤霉素处理促进快速发芽。该协议在涵盖所有12个O. sativa种群组的198份种质验证 panel 中实现58–71天完成一个世代,相当于每年约5.1–6.3个世代。SpeedyPaddy协议则为大型育种群体提供了低成本替代方案,利用纤维板网室、便携式工作台、穴盘、卤素灯、加热器及加湿器实现,采用高密度种植(约700株/m?2)抑制分蘖并降低株高,幼苗与营养发育期13小时光照11小时黑暗,生殖发育期8小时光照16小时黑暗,光强维持在750–800 μmol m?2 s?1,昼/夜温度30–32 ℃/23–25 ℃,相对湿度约70%。通过限量水肥供给维持紧凑生长,花后15天收获的种子经38 ℃烘干后以100 ppm赤霉素或2%氯化钙处理后直播。SpeedyPaddy实现68–75天一个世代,每年4–5个世代,每周期容纳约15,680株,使早、中、晚熟水稻品种的育种周期分别缩短51、60及76天。综上,SpeedFlower适用于优先考虑环境精度与广泛种质验证的高度受控设施,而SpeedyPaddy则为基础设施与运营预算有限但需要高群体通量的项目提供了可扩展系统。
上述受控系统提供了将基因组预测转化为育种程序内重复选择周期所需的短世代间隔。杂交后可于SpeedFlower或SpeedyPaddy条件下建立大型F2或F3家系,苗期基因分型后利用GEBVs对早期世代难以经济可靠评估的性状(如谷粒产量、干旱适应性、稻米品质及养分利用效率)进行排序。仅高排名植株通过密植、单粒传或受控自交推进,其余植株在进入后续周期前淘汰,节约空间资源。该方法将快速育种(快速世代周转)与GS(早期大规模家系排序)相结合。源自两个优异亲本的育种群体可在F2代基因分型,通过标记辅助选择筛查主效位点有利等位基因,依据GEBVs对产量与开花期排序,并在快速循环中推进至F5或F6。近固定品系进入多点试验,而优选早期世代品系也可立即回交作为下一杂交周期亲本。在杂交稻中,基因组预测还可在大规模制种前对潜在父本母本组合排序,减少田间测试所需杂交组合数。快速循环对轮回GS同样有价值,每轮预测后选择植株杂交以提高有利等位基因跨周期频率。SpeedFlower与SpeedyPaddy均被设计为支持快速杂交、自交、作图群体构建、GS及基因组编辑,体现了GS决定推进哪些植株与杂交组合、快速循环决定这些决策转化为下一代育种群体的速度这一分工。
基于早期世代排序与快速循环,集成化水稻育种流程应将杂交设计、全基因组基因分型、HTP、基因组预测及受控世代推进连接为连续的数据循环。首先依据亲本GEBVs、互补单倍型及目标性状组合选择杂交组合,随后大型F2或F3群体基因分型并筛查主效等位基因与全基因组育种值。快速育种设施将选中植株快速推进至后期自交世代,同时温室与田间表型组学从代表性子集收集冠层生长、开花期、株高、光谱指数、胁迫响应及籽粒性状的重复测量。这些表型记录在质量控制后加入训练群体用于更新下一周期基因组预测模型,有助于在亲本组合与等位基因频率变化时维持预测精度。多环境田间试验对高级品系仍属必需,尤其对于谷粒产量与胁迫适应性,但其主要角色从筛选所有育种材料转向在目标生产环境下验证经基因组选择的较小候选群体。HTP可为该流程提供辅助信息,但结合表型组与基因组数据的价值需通过独立验证跨性状、跨群体及跨目标环境进行评估。因此,集成应设计为迭代育种架构:基因组预测指导早期选择,表型组学更新预测模型并验证生理响应,快速育种压缩连续选择决策间的间隔。
尽管该迭代育种架构可缩短连续选择决策间的间隔并提升中期遗传增益,其长期价值还取决于跨轮回加性遗传方差的保持。基因组预测与快速育种支持更大候选群体、更强选择强度及更快的优异亲本循环,但反复使用少量高GEBV品系会降低有效群体规模、增加基因组共祖度与近交率、缩小未来改良可用的遗传基础。水稻模拟分析表明,两年期基因组选择周期在不同G×E水平下比三年周期提升中期遗传增益22%–27%,但在有利等位基因接近固定、加性遗传方差下降的重复多周期后该优势可能衰减。大豆长期模拟显示,跨家系与预选家系策略在28–58周期内耗尽80%初始遗传方差,而家系内选择将遗传方差保持至184周期并产生更高长期增益。因此,水稻育种项目应在快速推进高价值品系的同时平衡受控亲本贡献、最低家系代表性、避免近缘亲本间重复杂交,并基于预期后代表现与家系内变异共同选择杂交组合。最优贡献选择、基因组配偶分配、定期引入多样化供体材料,以及常规监测基因组近交率、成对共祖度、有效群体规模、等位基因频率变化及加性遗传方差,可支持快速短期进展而不耗尽后续育种周期所需的遗传资源。
5. 未来方向
未来水稻改良的优先事项应根据各项技术的成熟度及育种项目中支持性证据的强度加以评估。全基因组预测、多环境评价、高通量表型组学、快速世代推进及数字化育种数据管理已在多个水稻项目中达到或接近可操作应用水平。OneRice育种框架提供了端到端结构,连接产品谱系、亲本选择、育种流程、测试网络及品种部署,尽管各国各地区项目实施程度可能存在差异。这些成熟组件可在训练群体、表型方案、环境表征、数据质量及独立验证满足目标育种程序要求的前提下纳入现有育种流程。
多组学预测在植物育种中仍处于实验阶段,尚未在水稻选择流程中实现常规应用。基因组、转录组、代谢组、蛋白组及表观基因组数据集可为复杂性状提供互补信息,但其价值取决于组织类型、发育阶段、环境处理、群体规模、数据处理方法及预测设计。拟南芥研究表明,转录组与甲基化组模型对若干复杂性状达到与基因组模型相当的预测性能,但额外分子层并未对所有性状产生一致增益。水稻转录组与代谢组研究已鉴定出与杂种优势、稻米品质、胁迫响应及营养组成相关的分子过程,但多数聚焦于生物学发现而非跨独立育种周期的前瞻性选择验证。多组学整合目前仅有实验性支持,其操作化推广有待检测成本降低、采样标准化、训练群体扩大及超越基因组与表型信息预测增益的前瞻性证据。
作物模拟模型处于实验演示与育种应用的中间位置。结合基因组预测、生长相关中间性状及环境信息的水稻研究初步证明,过程模型可在设定实验条件下支持生物量、开花、冠层发育及胁迫响应的预测。广泛应用需跨基因型、年份、管理系统及目标环境进行校准,随后在未参与模型开发的育种群体中进行验证。用于数据质量控制、杂交优先级排序、试验分配及候选排序的自动化决策支持工具主要处于概念验证或早期实施阶段,能够持续模拟候选水稻杂交的遗传组成、开花行为、胁迫响应及田间表现的"数字孪生"仍为前瞻性构想。当前农业数字孪生研究主要关注作物监测、资源管理、受控环境及生产决策,尚无充分证据支持可验证"杂交到品种"预测的操作级水稻育种数字孪生。该系统需整合系谱、基因组、表型组、环境、作物模型及种子库存数据,并对跨育种周期与地点的预测不确定性进行前瞻验证。因此,能够评估候选杂交的数字孪生应作为长期研究方向而非当前水稻育种流程的成熟组件。
低成本育种平台对无法获取先进受控环境设施、高密度标记芯片、无人机、高光谱传感器及高性能计算的水稻产区至关重要。实用系统可结合低密度SNP芯片、靶向KASP检测、智能手机成像、廉价RGB相机、手持冠层传感器、开源表型软件、共享基因分型服务及半受控快速世代设施。公共育种项目可建立区域中心,为较小国家项目提供集中基因分型、云端数据处理及标准化表型支持。育种决策应采用分层选择:早期世代通过低成本标记与简易表型测量评估,仅对排名靠前的品系进行更深入的基因组与多环境评价。该结构允许项目在无需各站点购置昂贵设备的前提下维持大群体规模并缩短育种周期。
最后,数据共享与育种家能力建设将影响集成化水稻育种系统在少数资源充足机构之外的推广程度。项目应采用共享性状本体、标准化田间记录簿、种质与种子批次唯一标识符、机器可读元数据、版本控制的分析流程,以及基因分型、表型组学、环境条件及模型更新的清晰记录。数据治理框架应界定所有权、访问权限、惠益分享、许可、隐私保护及负责任使用农户、育种家与机构数据的程序。可查找、可访问、可互操作、可重用(FAIR)原则强调支持数据发现、访问、互操作与复用的元数据与标准,评估工具可在数据集纳入协作育种网络前识别缺失元数据与合规缺口。能力建设应涵盖数量遗传学、实验设计、数据管理、田间表型组学、遥感、编程、基因组预测及育种决策不确定性解读。
6. 结论
本综述的核心结论是,GS在水田改良中的最大价值源于其作为集成育种系统决策核心的功能,该系统连接全基因组基因分型、传感器表型组学、环境表征与加速世代推进。这种集成可提高选择强度、缩短育种周期并将田间资源导向预测价值最高的候选材料,但当训练群体与未来育种材料关联薄弱、跨地点跨年份表型记录不可比、验证方案不反映实际操作选择场景,或反复使用狭窄亲本基础侵蚀加性遗传方差时,遗传增益仍将受限。主要挑战还包括先进表型平台成本高昂、计算基础设施获取不均、数据标准碎片化、育种家在定量与数字化方法上的专业能力不足,以及多组学模型、作物模拟框架与人工智能工具在跨独立育种周期方面的前瞻性证据缺乏。未来研究应优先关注前向周期与跨环境验证、训练群体的定期更新、HTP的性状特异性评估、元数据与质量控制程序的协调统一,以及平衡短期遗传增益与有效群体规模和长期遗传多样性的选择策略。实际实施应建立分层可负担的流程,结合低成本标记芯片、RGB或智能手机表型组学、共享分析服务及可扩展快速育种设施,尤其面向资源有限稻区的公共项目。上述领域的进展将决定集成基因组育种能否成为在日益多变的生产条件下持续交付高产、气候适应性强、资源高效且品质优良水稻品种的常规手段。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号