《Crop Science》：Simulation-based optimization of mega-environmental designs for sparse multi-environment testing
编辑推荐：
植物育种项目旨在通过在多个地点网络中评估潜在品种来鉴定优良品种，这些评估通常被称为多环境试验（multi-environment trials, METs）。在资源分配方面优化多环境试验对于确保准确高效的实验至关重要。已有研究表明，大环境设计（mega-env
植物育种项目旨在通过在多个地点网络中评估潜在品种来鉴定优良品种，这些评估通常被称为多环境试验（multi-environment trials, METs）。在资源分配方面优化多环境试验对于确保准确高效的实验至关重要。已有研究表明，大环境设计（mega-environmental designs, MEDs）——一种稀疏的多环境试验设计，明确考虑目标环境群体（target population of environments, TPE）内的大环境结构——与其他常见设计相比，可以显著提高选择响应（response to selection）。本模拟研究的目标是在三个方面进一步优化MEDs，以提供其使用的一般准则：设计中采用的重复量与稀疏度、分析模型的选择，以及目标环境群体的理想结构。利用来自美国和加拿大30个地点-年环境中评估的223个大麦（Hordeum vulgare L.）基因型的真实产量数据及真实的基因型-环境互作（genotype-by-environment interaction, GEI）结构，研究人员将优化后的MEDs与模拟多环境试验中的其他常用设计进行了比较。当跨大环境的异质性遗传方差被建模时，MEDs总是具有最高的选择响应，且更稀疏的MEDs通常表现最佳。然而，性状遗传力（heritability）、基因型间关系建模策略以及环境与历史大环境结构对齐程度之间的交互作用，使得选择最合适的实验设计需因具体情况而异。
多环境试验（multi-environment trials, METs）是植物育种中评估品种在目标环境群体（target population of environments, TPE）
