《Molecular Ecology》：Environmental Association Analyses in Plants and the Influence of Methodological Decisions
编辑推荐：
气候变化预计将影响现有生态系统，因此需要提高我们对植物环境适应的理解，特别是对于保护和开发环境耐受性作物品种而言。环境关联分析（Environmental Association Analyses，EAAs）是一类景观基因组学方法，用于检测与环境因素相关的遗传
气候变化预计将影响现有生态系统，因此需要提高我们对植物环境适应的理解，特别是对于保护和开发环境耐受性作物品种而言。环境关联分析（Environmental Association Analyses，EAAs）是一类景观基因组学方法，用于检测与环境因素相关的遗传标记或基因，从而提供一种自上而下的途径来研究环境适应的遗传学。在此，我们回顾了138项植物EAA研究，揭示了分析各阶段方法的多样性，包括标记过滤、EAA模型选择、所用显著性标准、候选基因选择及任何下游分析。随后，我们使用来自越南传统水稻（Oryza sativa）品种群体的遗传数据比较了四种常用的EAA模型，结果显示，与单基因座混合线性模型（MLM）和潜在因子混合模型（LFMM）相比，近期GWAS模型（FarmCPU和BLINK）检出的显著标记比例更高。不同模型之间重叠的环境相关标记数量为0至22个，这些基因座附近的若干基因与非生物因素存在推定关联。总体而言，这凸显了比较EAA研究结果的挑战性，尤其是在将结果应用于面向未来气候的作物育种方面。
**论文解读：植物环境关联分析方法学决策的影响**
**一、研究背景与问题**
全球气候变化预计将导致昼夜温度升高、极端高温事件、强降水及干旱频发。即使是在温室气体大幅减排的代表性浓度路径（RCP）2.6情景下，到2100年全球温度仍可能上升约2°C，而中等排放情景（RCP 4.5）下升温幅度更大。气候模型预测，33%的陆地生态将发生显著变化，在RCP 4.5情景下这一比例将升至68%。这些变化将推动物种向极地和高海拔迁移，并改变区域植被组成。因此，理解植物如何适应环境对于保护工作和作物育种至关重要，例如鉴定适合种植的气候耐受基因型，或发现适应局部环境条件的等位基因。
环境关联分析（Environmental Association Analyses，EAAs）是景观基因组学的一个分支，通过统计模型将遗传标记与环境条件相关联，通常考虑群体结构的影响。EAA可揭示与环境条件相关的基因座，进而鉴定可能参与环境适应的候选基因。然而，目前该领域缺乏“金标准”流程，各项研究在统计模型、遗传标记类型、标记过滤标准、显著性阈值、多重检验校正及后续分析等方面存在巨大差异。尽管已有综述提供指导，但近年来涌现出如FarmCPU和BLINK等新GWAS方法，其功效和计算效率更高，而这些新方法尚未被系统纳入比较。此外，以往研究多关注动物或昆虫，针对植物EAA的方法学评估相对有限。因此，有必要系统梳理植物EAA研究的现状，并通过实证比较不同模型对结果的影响，以促进方法标准化和结果可比较性。
**二、研究目标与数据来源**
研究人员旨在通过文献综述和实证分析解决上述问题。首先，他们检索了2006年至2025年间发表的138项植物EAA研究，提取了物种、样本量、统计方法、标记类型、过滤标准、显著性阈值等详细信息，并进行统计分析。其次，他们利用来自越南的163份传统水稻（Oryza sativa）地方品种的基因分型测序（genotype-by-sequencing）数据（原始数据来自Phung et al. 2014，共21,416个SNP），从WorldClim 1.4数据库获取19个生物气候变量，并通过主成分分析（PCA）降维得到复合气候变量，然后比较了四种常用EAA模型的检测结果。
**三、主要技术方法**
本研究涉及的关键技术方法包括：（1）文献检索与数据提取：在Web of Science和Google Scholar中检索相关关键词，获取138项研究的方法学信息；（2）统计分析：使用Kruskal-Wallis检验和Spearman秩相关分析比较不同分组间显著标记比例差异；（3）EAA模型比较：在GAPIT3中运行MLM、FarmCPU和BLINK模型，在R中运行LFMM模型，均采用FDR阈值0.05确定显著标记；（4）基因注释：利用水稻基因组浏览器（Osa1 release 7）鉴定显著标记±10 kb范围内的基因，并通过文献检索推测其功能。
**四、研究结果**
**4.1 EAA研究的方法学多样性**
从2006年到2025年共发表138项植物EAA研究，涉及139个物种、77属、41科，其中禾本科、十字花科、松科、豆科和杨柳科为最常见科。55%的物种为木本植物。在统计方法上，LFMM（49项）、MLM（27项）、RDA（25项）和Bayenv（20项）是最常用的方法，29%的研究使用多种方法。SNP标记在约85%的研究中使用。标记选择分为靶向（如候选基因测序）和非靶向（如全基因组测序）两类，部分研究还使用预过滤（如FST）来筛选候选标记。分析显示，标记类型和预过滤策略显著影响显著环境关联标记的比例：在非靶向标记中，预过滤可显著提高检出比例；在无预过滤时，靶向标记的检出比例更高。然而，MAF阈值和缺失数据阈值与显著标记比例无显著相关性。显著性标准差异很大，从严格的Bonferroni到FDR（0.01-0.25）不等。基因本体（GO）富集分析仅在32项研究中报告，且许多研究未发现显著富集项。在43项作物研究中，仅有2项后续将EAA结果用于育种相关探索，显示出从关联分析到实际应用的转化缺口。
**4.2 水稻面板的模型比较**
对163份越南传统水稻品种的21,416个SNP分析表明，群体结构以籼稻（indica）和粳稻（japonica）亚种间的分化为主要成分（PC1解释48.22%的方差）。四种模型共检测到142个显著环境关联SNP，其中MLM检出3个（0.00014%），LFMM检出5个（0.00023%），BLINK检出55个（0.0026%），FarmCPU检出103个（0.0048%）。显著标记的重叠分析显示，MLM与BLINK共享1个标记，LFMM与BLINK共享1个标记，BLINK与FarmCPU共享22个标记，但没有任何标记被所有四种方法共同检出。这表明不同模型对同一数据集的检测结果差异极大。
对共享或独特标记附近的基因功能分析发现，一些基因与已知的环境适应机制相关。例如，LFMM和BLINK共同检出的标记（与BIO2相关）附近有RCS3（半胱氨酸合成酶，与砷耐受性相关）、YTH5（可能影响水稻生长）和MyoXIE（含肌球蛋白头部结构域）。MLM和BLINK共同检出的标记位于染色体8，附近有F-box泛素连接酶基因。BLINK与FarmCPU共有的22个标记中，一些基因与已知环境响应有关：SE13参与光敏色素生物合成，可能调节光周期和开花时间；RLCPK72在冷、旱、盐胁迫下上调；ALS1参与铝解毒；RSUS4受盐胁迫诱导；XA21除抗白叶枯病外还可能提高抗旱性。这些发现为这些基因作为环境适应候选位点提供了支持。
**五、讨论与结论**
讨论部分指出，植物EAA研究在方法选择上缺乏一致性，导致研究结果难以直接比较。不同模型基于不同的统计假设（如MLM考虑亲缘关系，LFMM使用潜在因子，BLINK和FarmCPU迭代包含协变SNP），因此识别的关联位点不同是预期结果。仅依赖单一方法可能产生偏差，建议在报告结果时明确模型选择的合理性。虽然MAF和缺失数据阈值未显示与检出率显著相关，但模拟研究提示宽松阈值会增加假阳性。此外，气候数据的空间分辨率（如WorldClim的网格大小）可能影响关联检测的准确性。
结论部分强调，EAA方法的选择对结果影响显著，不同模型检出的标记重叠度低，这提示需要建立最佳实践流程。未来工作应通过模拟和基准测试评估不同因素（如样本量、SNP密度、LD剪除、显著性阈值）的影响，并建议使用“Environmentally Associated”GO术语以提高结果可访问性。实验验证（如互移实验、诱变）和多来源数据交叉验证（如与TWAS重叠）是确认候选基因的必要步骤。此外，目前EAA结果在作物育种中的应用仍然有限，需要加强生物信息学与分子生物学团队的合作，以推动从关联发现到功能验证的转化。
（全文约1560字）
