通过稀疏测试设计优化芒属育种中基因组预测的资源分配

《Frontiers in Plant Science》:Optimizing resource allocation in Miscanthus breeding via sparse testing designs for genomic prediction

【字体: 大 中 小 】 时间:2026年08月05日 来源:Frontiers in Plant Science 5.9

编辑推荐:

  高通量表型鉴定高生物量多年生作物耗时费力,传统多年生作物育种计划的遗传增益率通常较低,因此识别能在育种流程中产生效率提升的方法尤为重要。芒属(Miscanthus)是一种C4多年生草本植物,具备作为生物燃料及多种生物基产品原料的有利特性,提高生物量产量将增加盈

  
高通量表型鉴定高生物量多年生作物耗时费力,传统多年生作物育种计划的遗传增益率通常较低,因此识别能在育种流程中产生效率提升的方法尤为重要。芒属(Miscanthus)是一种C4多年生草本植物,具备作为生物燃料及多种生物基产品原料的有利特性,提高生物量产量将增加盈利与环境效益,是芒属育种的关键目标。此外,为在广泛环境条件下筛选适应性良好的基因型,需建立多环境试验(METs)。稀疏测试(sparse testing)是一种基于基因组预测的策略,通过在部分环境中评估部分基因型子集,进而预测未观测基因型-环境组合的表现,从而降低METs中的表型鉴定成本。研究人员以含336个基因型的荻属(Miscanthus sacchariflorus, MSA)群体在三个环境中的观测数据开展稀疏测试设计分析,实施三种考虑主效应(环境、基因型、基因组)与互作效应(基因型×环境;G×E互作)的预测模型,对干生物量产量(YDY)、总茎秆数(TCM)、平均节间长度(AIL)和茎秆节数(CNN)进行预测。基于不同组成与规模的多组校准集,在固定测试集规模下以预测能力(PA)与均方误差(MSE)评估性能。训练集规模自52至112不等,用于预测三个环境中固定的224个未观测基因型。结果显示,考虑G×E互作的模型始终呈现最高PA与最低MSE:CNN(PA约0.77,MSE约0.5)与YDY(PA约0.70,MSE约1.3),而TCM与AIL的PA约0.28至0.41、MSE约1.3至4.3。总体看,变动训练集与分配策略不影响PA与MSE,以每环境52个非重叠、0个重叠基因型为最优成本效益分配框架。这表明在芒属等多年生作物育种中实施稀疏测试设计可在不损害PA的前提下使表型鉴定成本降低约五倍。
研究背景与立项依据:芒属(Miscanthus)为C4多年生草本,是生物燃料与生物基产品的重要原料,但其育种面临田间建立需2至3年、 rhizome无性繁殖成本高、多环境试验(METs)表型鉴定昂贵等瓶颈,传统全基因组选择(genomic selection, GS)虽可借基因组预测(genomic prediction, GP)加速选育,但在多年生作物中尚未系统评估稀疏测试(sparse testing)的资源优化潜力。为此,研究人员以荻属(Miscanthus sacchariflorus, MSA)为材料,探究在多环境试验中引入稀疏测试设计能否在维持预测能力(PA)的同时大幅削减表型成本,并比较三类预测模型的表现。
关键技术方法:研究基于东亚野生收集的590份MSA核心种质,经缺失值过滤保留336个基因型在三个环境(韩国春川CH、日本札幌SP、中国诸暨ZJU)的Best Linear Unbiased Estimates(BLUES)表型;基因组数据来自RAD-seq,质控后保留136,814个SNP。研究人员构建完全非重叠(NO)、完全重叠(O)及混合NO/O三类分配方案,训练集每环境52至112个基因型、测试集固定224个基因型,每方案10次重采样;采用BGLR包拟合M1(E+L)、M2(E+L+G)、M3(E+L+G+GE)三类线性混合模型,以Pearson相关算PA、以均方误差算MSE,并以方差组分估算广义遗传力(H2)。
研究结果:
3.1 方差组分与入均值遗传力:环境方差占表型变异25%至43%,G×E互作方差在M3中解释YDY 32.9%、TCM 25.7%、AIL 28.1%、CNN 25.8%,显著高于遗传主效应;M3下残差方差较M1大幅下降,入均值H2在YDY、TCM、AIL、CNN分别为0.358、0.254、0.245、0.442,均高于M1。
3.2 预测能力(PA):M3在四性状中PA最高且对NO/O比例不敏感,YDY约0.70、CNN约0.77,TCM与AIL约0.28至0.41;M2随重叠基因型增多PA缓升,M1在纯CV2(112/0)尚可但趋近CV1(0/112)时降至近0;训练集自112降至52时M3的PA基本不变。
3.3 均方误差(MSE):M3全程MSE最低(YDY约1.5、CNN约0.5、TCM约4.3、AIL约1.5),且不随重叠比例增加而变化;M1的MSE随重叠增多而恶化,M2略优于M1但仍高于M3。
讨论与结论翻译:基因组型稀疏测试设计是以成本效益加速育种计划的途径,可在多环境中评估候选基因型并详细评价其广适性与稳定性。本研究在MSA多环境试验中评估了不同训练集组成与分配方案,含G×E互作项的GP模型M3(E+L+G+GE)在各分配方案与所有性状上均具最佳PA与最低MSE,证明将G×E纳入GP模型可提升PA并适用于稀疏测试。M3在缩小校准集时仍维持高准确度,可显著降低芒属METs表型成本并提升测试容量。理想的多环境芒属试验设计策略为:在各环境中测试少量公共重叠基因型,配以更多非重叠基因型。该文发表于《Frontiers in Plant Science》。
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