全基因组重测序揭示的沙特阿拉伯小粒种咖啡（Coffea arabica）遗传多样性与群体结构

《Frontiers in Plant Science》：Genetic diversity and population structure of Coffea arabica in Saudi Arabia revealed by whole-genome resequencing

　　

基因库（gene bank）对保护植物遗传资源至关重要，但有限的基因组表征制约了其在育种中的有效利用。小粒种咖啡（Coffea arabica）L. 是沙特阿拉伯具有经济重要性的作物，但在全基因组层面仍缺乏充分表征。研究人员对保存在环境、水利与农业部（MEWA）种子中心和植物遗传资源（PGR）库中的78份沙特 C. arabica 材料进行全基因组重测序（whole-genome resequencing），构建86个测序文库，其中包括8个技术重复。读数（reads）比对至 Cara_r6 参考基因组，获得468,133个变异（412,043个单核苷酸多态性（SNP）和56,090个插入缺失（indel）），进而保留17,452个连锁不平衡（LD）剪枝后的 SNP 用于下游分析。研究人员发现该异源四倍体物种同源亚基因组（homoeologous subgenomes）间存在普遍的交叉比对假象（cross-mapping artefact），影响63.7%的标记并人为抬高观测杂合度。校正该假象后，近交系数由负（FIS ≈ ?0.60）转为正（FIS = 0.37–0.52），与 C. arabica 主要为自花授粉的生物学特性一致。群体结构分析鉴定出7个祖源组（K = 7），对假象校正高度稳健（调整兰德指数（Adjusted Rand Index）= 0.93），但与采集区域无对应关系。分子方差分析（AMOVA）显示区域间差异仅解释总遗传变异的0.94%（p = 0.206）。研究人员开发了候选150-SNP指纹面板，标记信息量高（平均多态性信息含量（PIC）= 0.374）；但由于近缘材料未必总能区分，常规应用前仍需独立验证。这些发现为沙特咖啡遗传资源的保护与管理提供了稳健基因组框架，并证明亚基因组感知（subgenome-aware）分析方法对异源四倍体 C. arabica 全基因组研究的重要性。

研究背景方面，咖啡属（Coffea spp.）为茜草科（Rubiaceae）多年生常绿小乔木，是全球最重要的饮料作物之一；其中小粒种咖啡（Coffea arabica，2n = 4x = 44）与中粒种咖啡（Coffea canephora，2n = 2x = 22）占全球咖啡产量主体。沙特西南部 Jazan、Al-Baha、Aseer 等区域有数百年栽培史，保存有起源地埃塞俄比亚高原以外的重要阿拉伯咖啡遗传多样性，并在干旱、高温、强辐射环境下可能携带非生物胁迫耐受位点。然而，作为 ex situ 基因库材料，沙特本地咖啡种质的全基因组水平遗传多样性、群体结构及 SNP 指纹资源长期不足；种质库还面临误识、重复、同物异名与同名异物等问题，限制了保护管理与育种利用。因此，研究人员在《Frontiers in Plant Science》发表该研究，以量化沙特 ex situ C. arabica 收藏的基因组变异、解析群体结构并开发 SNP 指纹面板。

主要关键技术方法方面，研究人员使用 MEWA 种子中心与 PGR 库保藏的78份 C. arabica 材料，来源于 Aseer、Al-Baha、Jazan 三大咖啡产区，并加测8个同材料技术重复形成86个文库；采用 CTAB 法提取幼叶基因组 DNA，MGIEasy 文库构建后于 DNBSEQ-T7 平台测序；序列经 fastp 质控，BWA-MEM 比对 Cara_r6 参考基因组（含 C. canephora 来源 sgCC 与 C. eugenioides 来源 sgEE 两套亚基因组，奇数为 sgCC、偶数为 sgEE），Picard 标记重复；GATK HaplotypeCaller 以 --ploidy 2 进行变异调用与联合分型，经硬过滤、缺失率与次要等位基因频率（MAF）过滤后用 PLINK 做 LD 剪枝得到数据集 A 与 B；以观测杂合度阈值识别并剔除同源亚基因组交叉比对假象；群体分析采用 PLINK PCA、ADMIXTURE（K=2–10 交叉验证）、IQ-TREE 2 最大似然系统发育、PLINK/KING 亲缘估计并以 IBS 相似度补充；AMOVA 用 poppr；指纹面板从 Dataset B 按呼叫率、MAF 与 PIC 筛选150个 SNP，并生成 ISO/IEC 18004 二维码；功能注释用 SnpEff 比对咖啡因、细胞壁碳水化合物与葫芦巴碱合成相关基因。

研究结果部分，Genome-wide SNP discovery and quality filtering 显示研究人员共检出468,133个变异（412,043 SNP、56,090 indel），SNP 转换/颠换比为1.91，先后经 --geno 0.05 与 --maf 0.05 过滤保留约20.8万位点，LD 剪枝得17,452与13,885个 SNP 两数据集。Identification of subgenome cross-mapping artefacts 显示 Dataset A 中位观测杂合度0.9359，46%位点杂合度≥0.95；以0.70为谷值剔除63.7%标记，证据包括等位基因平衡偏移、两亚基因组受影响比例相近、缺失与杂合度不相关等，说明为双向交叉比对假象。SNP distribution across chromosomes and subgenomes 显示标记在22条染色体分布较均，chr12最多、chr14最少，sgCC 8,834个、sgEE 8,559个。Population structure 显示 K=7 为未过滤与过滤后共同最优模型，ADMIXTURE 七组与区域不对应，调整兰德指数0.93，76/78材料分组一致，说明结构来自 ex situ 材料间共享祖源、无性繁殖与区域间交换。Phylogenetic relationships 显示最大似然树末端支持高、深层节点支持较低，三区域材料交错，无地理聚类；未过滤与过滤树二分一致性0.689。Principal component analysis 显示 PC1/PC2 分别解释21.27%/18.19%，三区域大量重叠，无区域聚类。Genome-wide relatedness 显示 IBD 与 KING 估计退化，IBS 相似度分布合理（中位0.706），最近非重复对 C110–C166 达0.9583，仅示近缘非克隆。Regional diversity and genetic differentiation 显示校正后 F_IS 由负转正，核苷酸多样性（π）过滤前约1.06×10^?4–1.09×10^?4、过滤后5.7×10^?5–6.3×10^?5；加权 F_ST 仍低，AMOVA 区域间仅0.944%（Φ=0.00944，p=0.206）。A candidate SNP fingerprinting panel 显示150-SNP 面板平均 MAF 0.4817、平均 PIC 0.3736，技术重复并非全居顶相似位，C142–C62 仅71.43%一致疑似标签互换；非重复对 C165–C185 全位点一致，表明收藏内存在克隆或重复入库。Functional annotation of SNPs in key metabolic pathways 显示咖啡因合成基因19个检出10变异、细胞壁碳水化合物代谢基因816个检出580变异，按基因跨度标准化后密度0.124与0.197 variants kb^?1，差异不显著；葫芦巴碱合成2个基因无变异。

讨论部分总结，研究人员指出该研究的根本贡献是揭示异源四倍体 C. arabica 同源亚基因组高相似导致的交叉比对假象会伪造杂合度与近交信号；校正后正 F_IS 才符合自花授粉生物学。群体结构七组稳定但不依地理，反映 ex situ 种质的传播与交换历史而非自然地理分化。标准 IBD/KING 亲缘方法在该类数据上失效，未来需用亚基因组感知比对与分型。150-SNP 面板信息量高，但限制不在标记而在收藏本身存在冗余；可用于去重、身份管理与 KASP 转化，但需独立验证。通路注释提示比较变异数须按基因规模与长度标准化，不能据此断言功能约束。论文局限包括约11.5×测序深度对异源四倍体偏低、按杂合度过滤使校正统计量具方向性偏差、用 gene span 而非 CDS 长度归一化、无外类群故系统树为无根。

研究结论部分翻译如下：对沙特 C. arabica 种质资源的全基因组重测序揭示了七个稳健的祖源组，这些组反映 ex situ 材料间的关系而非地理来源，三个采集区域间无显著遗传分化。研究人员识别并校正了一个同源亚基因组交叉比对假象，该假象人为抬高了全基因组杂合度并掩盖了 C. arabica 主要为自花授粉的特性。研究人员还开发了高质量的候选150-SNP指纹面板，为材料鉴定与种质管理提供宝贵资源，同时强调在常规应用前需独立验证。总体而言，本研究为沙特咖啡遗传资源的保护与管理提供了稳健基因组框架，并证明了亚基因组感知分析方法对异源四倍体 C. arabica 全基因组研究的重要性。