几内亚草叶片干物质产量的基因型×环境互作：大环境（mega-environment）识别与多环境试验优化

《Grass and Forage Science》：Genotype × Environment Interaction for Leaf Dry Matter Yield in Guineagrass: Identification of Mega-Environments and Optimization of Multi-Environment Trials

　　

几内亚草（Megathyrsus maximus B.K. Simon & S.W.L. Jacobs［同物异名 Panicum maximum Jacq.］）是巴西无融合生殖栽培热带饲草中饲草生产潜力最高的物种，优良品种选育依赖于跨多环境的准确基因型评价。研究人员旨在表征叶片干物质产量（leaf dry matter yield，LDMY）的基因型×环境互作（genotype × environment interaction，GEI），识别大环境（mega-environment）及与GEI相关的环境协变量，检测具有广泛或特异适应性的基因型，并确定几内亚草育种中多环境试验（multi-environment trial，MET）的最优收获次数。23个基因型以随机完全区组设计在代表巴西3个生物群区的5个地点评价，2年共11次收获，覆盖雨季和旱季。数据采用基因型效应具因子分析（factor analytic，FA）结构、残差效应采用不同协方差结构的混合模型分析，模型选择基于贝叶斯信息准则（Bayesian information criterion，BIC）。所选模型得出基因型分数与环境载荷，用于识别大环境、评价基因型稳定性与响应性，并将环境载荷与气候协变量相关。研究人员检测到显著GEI，识别出3个大环境；最低温度是与FA第一因子关系最强的气候协变量；基因型适应性不同，同时存在广泛适应与特定大环境适应；6次累积收获足以可靠选择基因型，旱季收获对LDMY基因型判别能力较低。

《Grass and Forage Science》刊发的该研究围绕几内亚草（Megathyrsus maximus，又称 Panicum maximum）叶片干物质产量（leaf dry matter yield，LDMY）开展。巴西肉牛业高度依赖放牧体系，几内亚草作为高产热带饲草意义重大。已有研究多仅在单点内分析基因型×收获互作，基因型×地点和基因型×地点×收获的联合效应研究不足，且以往确定最优收获次数的结论来自单点数据，难以支撑国家尺度多环境试验（multi-environment trial，MET）设计。由于GEI会降低表型值与基因型值相关性，阻碍稳定及特异适应基因型选拔，因此研究人员有必要在多环境、多次收获框架下刻画GEI、识别大环境（mega-environment）、关联气候驱动因子并优化试验规模。

主要关键技术方法

研究人员利用巴西国家几内亚草评价网络，在5个地点（Campo Grande/MS、Planaltina/DF、Presidente Médici/RO、Rio Branco/AC、Valen?a/RJ）2年11次收获形成55个地点–收获环境，材料含14份种质、4个杂交种和5个对照品种。统计上采用ASReml-R拟合混合模型，基因型效应用因子分析（factor analytic，FA）结构，残差按地点异质对角（DIAG）与收获异质二阶自回归（AR2H）建模，以贝叶斯信息准则（BIC）选FA2；用旋转后基因型分数和环境载荷作双标图与潜回归评估稳定性、响应性和广/特适应性；用NASA POWER与EnvRtype提取最低、平均、最高温、辐射、降水、蒸散、降水亏缺、纬度海拔等协变量，将FA载荷与协变量作Pearson相关；以累积收获BLUP（best linear unbiased prediction）排名与全11次收获排名的Spearman等级相关确定最少收获次数。

研究结果

模型选择：BIC显示DIAG+AR2H+FA2最优；FA2两因子解释遗传方差54.87%与16.70%，合计71.57%，说明GEI具可解释结构而非随机。

单环境参数与遗传变异：基因型均值遗传力（H²）多数高于0.80；地点内不同收获间LDMY与遗传方差差异大，旱季部分收获均值与方差低，证明存在GEI。

环境间遗传相关与大环境识别：55环境遗传相关为?0.99至0.99；RJ与其他点多呈负相关。FA2双标图将环境归为三类大环境：RJ（大西洋森林）、RO（亚马逊）、AC+MS+DF（虽跨生物群区但温度季节格局相近）。PM40广适，ARUA与PM43广适性差，MASS特适于Cerrado与大西洋森林第二因子。

环境载荷与协变量相关：第一因子（λ₁）与最低温（r=0.56）、温度变幅（r=?0.50）最强；第二因子（λ₂）与降水亏缺、蒸散、太阳辐照、纬度相关，说明低温敏感性与水分/辐射平衡是GEI主驱因子。

基因型稳定性、响应性与适应性：潜回归显示PM40兼具高边际BLUP、低不稳定性和双因子正响应；PM41边际BLUP最高但主要响应第一因子，属亚马逊特异适应；MASS对第二因子响应高但稳定性低。

收获次数效率：累积6次收获后，多地点Spearman相关达ρ=0.94并平台化，故6次收获足以可靠选拔，旱季收获判别力弱，可缩短周期6–9个月。

讨论总结

研究人员指出FA2能刻画复杂GEI，AC+MS+DF聚合反映实现气候而非生物群区边界；RJ负遗传相关意味着交叉型GEI强，单一广适品种难覆盖全巴西，应推大环境专用品种。最低温驱动与几内亚草C4代谢低温敏感一致。PM40适合多群区推广，PM41适合亚马逊定向育种；6次收获结论比单点10次更经济，且雨林/旱季分治评价更合理。

结论部分翻译

研究人员在代表巴西3个生物群区的5个地点、11次收获中检测到几内亚草LDMY的显著基因型×环境互作（GEI）。识别出3个大环境：里约热内卢地点代表的大西洋森林、罗赖马/朗多尼亚地点代表的亚马逊，以及阿克里、南马托格罗索与联邦区地点构成的大环境。温度相关协变量，尤其最低温度与温度变幅，是与GEI关系最强的气候协变量，与该C4热带物种旱季低温敏感性一致。种质PM40具最广泛大环境适应性，在两FA因子上均高稳定高响应；PM41对亚马逊大环境更具特异适应，推荐用于该区育种。6次累积收获足以可靠选拔LDMY基因型，依地点可缩短评价期6–9个月，从而缩短选育周期。操作上，网络可按3个大环境构建、每大环境至少1个代表点，评价限6次并侧重雨季收获；结合PM40等广适与PM41等特适基因型部署，可在不损选择准确度下降本提速。