《The Plant Genome》：A haplotype-based approach to explore genotype-by-environment interactions for barley yield
编辑推荐：
气候变化对谷物生产构成重大威胁，使理解作物中基因型×环境互作（genotype-by-environment interactions, GEIs）的作用日益重要。传统育种方法在全基因型水平考虑GEIs，遗漏了可通过在染色体片段水平探索这一关系而剖析的有价值育
气候变化对谷物生产构成重大威胁，使理解作物中基因型×环境互作（genotype-by-environment interactions, GEIs）的作用日益重要。传统育种方法在全基因型水平考虑GEIs，遗漏了可通过在染色体片段水平探索这一关系而剖析的有价值育种潜力。研究人员利用一个由961个春大麦（Hordeum vulgare L.）基因型组成、在12个地点种植的稳健商业数据集，探索这些问题，并将处于GEIs下的单倍型与关键生理基因共定位，以更好理解GEIs的驱动因素。研究人员对大麦产量拟合了一个基因组最佳线性无偏预测（genomic best linear unbiased prediction, GBLUP）模型，其中GEI项具有因子分析4（factor analytic 4, FA4）方差结构。利用FA4模型的前三个因子载荷，将12个地点分为四个环境簇。大麦单核苷酸多态性（single nucleotide polymorphisms, SNPs）基于连锁不平衡被划分为1741个单倍型块（haploblocks），并计算每个环境簇中每个单倍型的局部基因组估计育种值（local genomic estimated breeding values, LGEBV）。研究人员探索了每个单倍型块在环境簇间的GEIs，并在若干染色体上鉴定出处于大GEIs下的单倍型块，发现其大小差异极大。对几个关键单倍型块的进一步分析显示，对于某些块，最佳单倍型在簇间相似，而对于其他块，它们差异极大。该研究为在单倍型水平研究GEIs提供了一个新框架，可用于跨性状和作物的多种育种应用。
近年来，气候变化导致全球环境条件快速变化，澳大利亚已出现温度升高、降雨格局改变和干旱增多。谷物对天气变化敏感，模型显示澳大利亚小麦产量潜力在1990—2023年间下降约12%。维持谷物产量需要理解环境对遗传表现的影响。育种目标是获得跨环境稳定高产的品种，但产量等复杂性状的稳定性比抗病等简单性状更难实现。基因型×环境互作（genotype-by-environment interactions, GEI）是稳定性育种的核心挑战。传统育种在全基因型水平考察GEI，分辨率不足；基于单核苷酸多态性（single nucleotide polymorphism, SNP）的分析更细，但忽略连锁和重组；单倍型块（haploblock）代表共同遗传的连锁等位基因，处于生物学上更有意义的中间尺度。已有局部基因组估计育种值（local genomic estimated breeding value, LGEBV）或单倍型预测框架显示，单倍型效应跨块变化可揭示与性状表达和稳定性相关的区域。研究人员提出一个作物无关的一阶段方法框架，在单倍型水平探索GEI；与两阶段方法不同，一阶段直接反解单倍型效应，避免阶段间误差传播并更充分利用数据。大麦因环境响应明确、多环境试验资源和基因组注释良好而被选为案例。研究目标包括：比较跨环境簇高方差单倍型块；鉴定产量GEI单倍型块；探索关键块单倍型效应跨环境簇变化。
关键方法：研究使用961个春大麦（Hordeum vulgare L.）基因型，种质由InterGrain Pty Ltd提供，代表澳大利亚近十年大麦育种；在2020、2021、2022和2024生长季于西澳大利亚和昆士兰12个田间试验评估产量，昆士兰试验由University of Queensland管理。基因型由wheat barley 40K v1.0 BeadChip获得12,548个高质量SNP，质控后保留6599个SNP。研究人员采用ASReml-R拟合多环境基因组最佳线性无偏预测（genomic best linear unbiased prediction, GBLUP）模型，环境为固定效应，GEI项采用因子分析4（factor analytic 4, FA4）方差结构；用FA4前三个因子载荷定义交互类（interaction classes, iClasses）并形成四个环境簇；基于连锁不平衡（linkage disequilibrium, LD）划分1741个单倍型块，反解标记效应并计算LGEBV和局部基因型×环境互作（local genotype-by-environment interactions, LGEI）；最后与Morex V3中关键基因共定位。
3.1 数据集中的基因型和环境变异。研究人员通过主成分（principal component, PC）分析和层次聚类发现，961个基因型中等多样，前两个PC解释29.3%变异并形成三个组；各试验产量均值2.5—5.5 t/ha，加性遗传相关为?0.08至0.92，广义遗传力（broad-sense heritability, H
2）为0.34—0.83。结论是数据集存在基因型和环境变异，适合探索GEI。
3.2 建模GEI的项改善模型拟合并揭示GEI模式。通过比较非GEI模型和逐渐复杂的GEI方差结构，非GEI模型对数似然和建模效率（modeling efficiency, EF）最低，赤池信息准则（Akaike information criterion, AIC）、贝叶斯信息准则（Bayesian information criterion, BIC）和误差方差百分比（percentage of error variance, EV%）最高；所有非FA模型EV%>100%。FA模型EF相同，FA4对数似然最高、AIC和EV%最低，四个因子解释82%遗传方差，并显著优于FA3。结论：显式建模GEI改善拟合，FA4最佳。
3.3 环境簇由独特和共享的单倍型块表征。通过FA4前三旋转载荷定义iClasses，形成四个环境簇，大小1—5个试验；FA4与简化非结构化模型的加性遗传相关Mantel相关为0.92。通过簇特异性单倍型效应方差发现，各簇前10%块有重叠；六个单倍型块在2H、5H、6H和7H上所有簇高方差；CL1有唯一顶级块b001734，CL3和CL4各三个；21个块出现在两个或以上分析。块大小与方差无显著相关。CL1与CL3的块方差相关r=0.84，CL2与CL4 r=0.93，所有簇间≥0.6。PC前两个解释>90%方差，PC1由关键高方差块驱动且所有簇负加载，PC2在CL2和CL4为负、CL1和CL3为正。结论：环境簇既有共享又存在独特重要区域。
3.4 全基因组鉴定的局部GEI块。通过LGEI统计量，除1H外所有染色体均鉴定到单倍型效应跨四簇大幅变化区域。前20个LGEI块大小差异大，四个仅含1个SNP，b000935和b001604各含超过100个SNP；大块多位于染色体中部，小块位于末端；2H含6个前20块，5H和6H各含两个相邻LGEI块。通过四个顶级块的单倍型效应，四个块均表现大尺度GEI，CL2效应常更小且方差更低；b000935和b001305效应几乎全为正；b001604有正负效应且广泛交叉；b000304在CL1、CL2、CL4主要负效应，但在CL3多正效应，且其他簇最负单倍型在CL3最正。顶级单倍型无在所有簇均独特；b000304顶级单倍型CL1和CL2相同，b000935在CL1和CL4相同，b001305在CL1和CL3相同，b001604在CL2和CL4相同。通过共定位，9个LGEI块含大麦性能相关基因，包括2H、5H、6H根相关数量性状位点（quantitative trait loci, QTL）、多个抗性QTL及GPC1、HvCO2、qGL2H等产量/组分基因。结论：单倍型水平可揭示GEI并定位候选区域。
讨论部分总结：4.1 FA模型与GEI提供最佳拟合并揭示GEI模式。研究人员认为环境很少独立，环境间共享方差，GEI项必须显式建模；非GEI模型拟合差，FA4改善统计量并捕获GEI。iClasses聚类直接从模型定义四个不均匀环境簇；该框架不依赖特定聚类方法。FA4与unstructured遗传相关高度一致，22CGN因子3载荷幅度远大于同簇其他点，提示未来可考虑iClass载荷幅度。因子3虽解释<10%遗传方差，但其极性对CL1/CL3和CL2/CL4相似性重要；因子1反映总体表现和尺度型GEI，后续因子多与交叉互作相关；结果提示因子2可能尺度GEI，因子3更与交叉互作关联。4.2 产量GEI可通过单倍型方法剖析。产量是最复杂性状，受叶、根、抗病和营养移动等影响。各簇至少一个独特高方差单倍型块，六个共享高方差块说明跨环境相似区域；但高方差不代表效应方向。该方法扩展QTL-by-environment，在单倍型块水平分配局部GEI，比全基因型更细。前20个LGEI块遍布基因组，SNP数1—185，说明块大小不决定LGEI；大块中部、小块末端符合LD。相邻块可能反映重组历史和局部LD。四关键块中，CL1/CL3和CL2/CL4相似且CL2/CL4效应范围小，但b000304在CL1与CL3差异显著，支持需要四个环境簇。b000935和b001305有清晰稳定单倍型；b001604.37在CL2和CL4顶级且在其他簇也居前，而b001604.134在CL1最高但在CL2/CL4负；b000304稳定单倍型接近零，体现稳定性与性能权衡。单倍型水平能揭示基因型水平被掩盖的环境特异响应。需独立数据验证。4.3 对育种的意义。该方法提供可转移框架，将GEI纳入单倍型育种；一阶段分析鉴定跨环境响应变化区域。虽然9个LGEI块中候选基因验证了稳健性，但基因水平非主要目标。LGEBV考虑共同继承的标记组，单倍型更易追踪。可鉴定稳定单倍型如b001604.37和强GEI单倍型，指导亲本选择和杂交。当前单倍型育种少整合GEI，工具如genomicSimulation优化杂交但未考虑GEI。GEI意识分析可在不稳定品种中找稳定单倍型，在低产品种中发现有益单倍型。计算依赖群体和试验环境代表性；有利单倍型常成组出现，提供灵活性。未来可整合环境协变量，解释候选基因和单倍型GEI；iClasses不可预测且随环境增加而变，但通过环境变量与因子载荷关联可预测iClass频率。该框架可转移到其他作物。
研究结论翻译：这个大型、复杂的多环境大麦产量数据集表现出广泛的GEI，使用FA4方差结构可最好地捕获。跨环境，研究人员鉴定到对产量有贡献的基因组区域（单倍型块），以及许多在四个环境簇中一致重要的区域。许多这些块也表现出强GEI，特定单倍型在簇间显示广泛效应范围。对四个关键块的进一步分析鉴定到产量稳定单倍型以及在单一簇中具有大正效应但在其他簇中明显权衡的单倍型。总之，这些结果表明，该方法为在单倍型分辨率探索GEI并鉴定具有稳定或环境特异性表现的目标单倍型以支持育种目标提供了框架。
