《The Plant Genome》：Integrating genomic selection into potato breeding: A comparison of genotyping platforms and cross-environmental predictions
编辑推荐：
基因组选择（GS）是加速马铃薯（Solanum tuberosum L.）育种遗传增益的强大工具，尤其适用于复杂性状。本研究考察了在马铃薯育种项目中实施GS的三个实际方面。首先，研究人员利用两个具有共同祖先的优良马铃薯群体，在七个地点-年份环境下测试了三个关键
基因组选择（GS）是加速马铃薯（Solanum tuberosum L.）育种遗传增益的强大工具，尤其适用于复杂性状。本研究考察了在马铃薯育种项目中实施GS的三个实际方面。首先，研究人员利用两个具有共同祖先的优良马铃薯群体，在七个地点-年份环境下测试了三个关键性状（总产量、商品产量和比重），评估了GS模型的预测能力。采用了两种交叉验证策略来反映实际育种场景：在已知环境中预测未表型品系，以及在未知环境中预测克隆表现。评估了四个模型，其中两个包含基因型-环境互作（G×E）。块茎比重在跨环境中表现出更高且更一致的预测准确性，证实了其作为更稳定性状的证据。其次，研究人员考察了基因分型平台和标记密度对GS表现的影响，两个群体分别使用两种不同的靶向测序平台进行基因分型：Flex-seq（22K位点）和DArTag（4K位点），共享约4K共同位点，允许直接比较。各平台间的预测准确性相当，表明两者均适合GS实施，选择取决于育种目标、成本和通量考虑。最后，通过30年育种流程的随机模拟，将常规表型选择与GS辅助选择情景进行比较，评估了GS对遗传增益的长期影响。GS情景实现了更高的长期遗传增益，但实际部署应考虑成本和育种目标。本研究三个方面的发现支持将GS整合到马铃薯育种项目中，同时强调了其有效实施的关键考虑因素。
**论文解读文章**
**研究背景与问题**
马铃薯（Solanum tuberosum L.）是全球重要的主粮作物，但产量等复杂性状的遗传增益进展缓慢，许多老品种仍在商业生产中占主导地位。美国东南部亚热带产区（如佛罗里达州和北卡罗来纳州）面临高温、高湿等环境胁迫，加速了生长阶段、干扰同化物分配并阻碍块茎形成，导致产量潜力受限。此外，当前主栽品种多培育于北方温带环境，对南方胁迫条件的适应性较差，亟需开发耐热、气候适应性强的品种。然而，马铃薯作为高度杂合的自体四倍体（2n=4x=48），存在严重的近交衰退，传统育种方法难以实现快速遗传改良。基因组选择（GS）通过全基因组标记捕获效应，可早期准确识别优良基因型，缩短世代间隔并指导杂交决策，已在主要作物中广泛应用，但在马铃薯育种中仍相对不足。本研究旨在将GS整合到马铃薯育种中，重点解决三个关键问题：评估GS模型在多个性状和跨环境下的预测能力；比较不同基因分型平台的成本效益；通过长期模拟评估GS对遗传增益的贡献。论文发表在《The Plant Genome》。
**主要技术方法**
研究对象为北卡罗来纳州立大学与佛罗里达大学合作育种项目中的611个优良马铃薯品系，分为两个相关群体（Cycle 1: 212个基因型；Cycle 2: 399个基因型），共享祖先。表型数据来自7个地点-年份环境（FL和NC的3个地点），评估总产量（TYLD）、商品产量（MYLD）和比重（SG）。基因分型使用两种平台：Cycle 1用Flex-seq（22K探针，约105K高质量SNP），Cycle 2用DArTag（4K靶向区域，约3K SNP）。通过共享4K区域和桥接群体（162个双平台基因型）进行插补比较。统计模型包括GBLUP框架下的M1（仅加性遗传）、M2（加遗传+固定环境）、M3（加G×E互作）和M4（加基因型-环境协变量互作），采用两种交叉验证（CV1：环境内预测，CV0：未测试环境预测）。长期模拟使用AlphaSimR软件包，模拟30年育种流程，比较常规表型选择与三种GS辅助策略（不同基因分型强度）。
**研究结果**
**3.1 描述性统计、遗传力和主成分分析（PCA）**
TYLD和MYLD跨环境变异较大（20.2–64.6 Mg ha?1和8.77–49.9 Mg ha?1），而SG相对稳定。广义遗传力（H2）范围0.25–0.75，FL环境下均较低，反映环境变异和热胁迫影响。联合六环境的基因组广义遗传力：TYLD 0.66，MYLD 0.64，SG 0.75。方差组分显示，TYLD和MYLD的G×E互作比例较大，而SG的G×E方差极小，表明其稳定性。PCA显示两群体间存在共享全同胞家族。
**3.2 环境内预测准确性（CV1）**
五折CV（CV1）下，SG预测准确性较高（0.252–0.595），尤其在FL-C123和BG-C224中超过0.5；TYLD和MYLD准确性较低（0.148–0.363），但跨环境较一致。
**3.3 跨环境预测准确性（CV0）**
留一环境法（CV0）下，TYLD和MYLD在BG-C223和TRS-C223中准确性超过0.5；SG在所有环境（尤其是NC）中表现较高。FL环境预测准确性普遍较低，但SG仍优于产量性状。不同模型（M1-M3）间差异较小，M1和M2略优于M3；含环境协变量的M4未显著提升。
**3.4 平台比较：Flex-seq与DArTag标记密度**
**3.4.1 Flex-seq 4K vs 105K SNP密度**：在C1群体中，使用Flex-seq的105K完整标记与仅提取重叠4K区域（约3K SNP）相比，预测准确性差异很小（0.01–0.04），低密度平台表现相当。
**3.4.2 DArTag插补至Flex-seq的预测准确性**：通过随机森林分类模型将DArTag（3K SNP）插补至约10K SNP，在C2群体中比较，3K和10K的预测准确性差异极小（0.01–0.06），表明中等密度平台足以用于GS。
**3.5 育种策略模拟与GS实施**
30年模拟显示，所有GS辅助策略（Strategy 1-3）在产量和SG上均显著优于常规表型选择（Conv）。对于SG，策略间差异明显，Strategy 3（全基因分型）增益最大，其次为Strategy 2和Strategy 1。对于产量，GS策略均优于Conv，但策略间差异不显著，且随时间推移，策略3在+20年时显著高于其他GS策略，但+30年时差异消失。SG的响应更即时且分离更明显，所有GS策略在所有时间点显著优于Conv。
**讨论与结论**
表型结果和遗传力跨环境变异显著，FL环境较低，反映非适应性基因型在胁迫条件下的表现。G×E互作是产量性状的主要变异来源，而SG稳定性高，适合早期选择。CV1和CV0均显示SG预测准确性高且一致，简单GBLUP模型（M1）与复杂模型表现相当，说明复杂模型并非必需。平台比较表明，中等密度（~3K SNP）即可达到与高密度（~105K SNP）相似的预测准确性，降低成本，利于资源有限育种项目。模拟表明，GS可显著提高长期遗传增益，尤其在SG上，但需注意遗传多样性损失，建议结合交叉选择策略平衡增益与多样性。实施GS需考虑成本与目标，策略1或2（有限基因分型）可能更经济高效。
**结论部分翻译**
本研究评估了GS在挑战性生产环境下改良优良四倍体马铃薯种质中TYLD、MYLD和SG的潜力。观察到的遗传力、预测准确性和方差组分强调了GS的性状依赖性表现，并突显了G×E互作对复杂产量性状的关键作用。总产量和商品产量表现出强烈的环境敏感性和较低的可预测性，而SG则作为相对稳定的性状，具有更高且更一致的预测准确性。这些结果表明，GS特别适用于遗传稳定性更高的性状，即使表型数据来自与目标生产区域不同的环境，也能实现有效的早期选择。相反，受环境变异强烈影响的性状需要明确考虑局部适应和G×E效应的选择策略。这一区分对设计GS流程具有重要意义，强调了需要针对特定性状实施而非采用一刀切方法。研究还表明，多个基因分型平台可支持马铃薯育种中的有效基因组预测。DArTag和Flex-seq提供了相当的预测性能，使育种者能够根据成本、周转时间、标记密度和项目限制灵活选择平台，而不会显著影响选择结果。最后，GS辅助育种流程的模拟展示了将基因组预测整合到选择周期中后长期遗传增益提升的潜力。这些发现共同提供了有力证据，表明在可负担的基因分型和稳健选择策略支持下，GS可作为马铃薯品种选择中可行且有效工具。
