發(fā)布時(shí)間：2021-04-08所屬分類(lèi)：農(nóng)業(yè)論文瀏覽：1次
摘 要： 摘要:基因組選擇技術(shù)是目前動(dòng)植物遺傳育種的關(guān)鍵技術(shù)和研究熱點(diǎn)，已在一些動(dòng)植物的遺傳改良工作中取得了重要進(jìn)展。林木具有世代間隔長(zhǎng)的生物學(xué)特性，因而育種周期長(zhǎng)，早期選擇是縮短林木育種周期和加快林木育種進(jìn)程的有效方法。林木早期選擇研究可以粗略分為
摘要:基因組選擇技術(shù)是目前動(dòng)植物遺傳育種的關(guān)鍵技術(shù)和研究熱點(diǎn)，已在一些動(dòng)植物的遺傳改良工作中取得了重要進(jìn)展。林木具有世代間隔長(zhǎng)的生物學(xué)特性，因而育種周期長(zhǎng)，早期選擇是縮短林木育種周期和加快林木育種進(jìn)程的有效方法。林木早期選擇研究可以粗略分為3個(gè)階段:基于性狀表型早晚期相關(guān)的早期選擇、分子標(biāo)記輔助選擇的早期選擇以及基因組選擇。林木遺傳改良的目標(biāo)性狀主要是生長(zhǎng)性狀和木材品質(zhì)性狀，其大都是復(fù)雜的數(shù)量性狀，在生長(zhǎng)進(jìn)程中受到更加持久的環(huán)境影響。同時(shí)生長(zhǎng)性狀的遺傳力是隨著生長(zhǎng)進(jìn)程而發(fā)生變化的。基因組選擇在林木遺傳改良中的應(yīng)用受限于多年生林木自身特點(diǎn)以及研究基礎(chǔ)薄弱，包括世代間隔長(zhǎng)、體型高大、幼齡期長(zhǎng)、基因組和表型組等組學(xué)數(shù)據(jù)匱乏以及相關(guān)研究技術(shù)平臺(tái)不完善等因素。為了推動(dòng)基因組選擇技術(shù)在林木遺傳改良中的應(yīng)用進(jìn)程，本文介紹基因組選擇技術(shù)的原理與方法，總結(jié)基因組選擇技術(shù)在林木遺傳育種中的研究進(jìn)展，探討基因組選擇技術(shù)在林木遺傳改良中應(yīng)用的限制性因素。簡(jiǎn)要介紹基因組選擇的線(xiàn)性模型、統(tǒng)計(jì)學(xué)估計(jì)方法(SNP-BLUP、GBLUP和Bayesian估計(jì)模型)和分析工具(rrBLUP、synbreed、BGLR、GVCBLUP、GAPIT、sommer和BLUPGA，等)。概括總結(jié)基因組選擇技術(shù)在林木育種中應(yīng)用的優(yōu)勢(shì)，簡(jiǎn)要概述闊葉樹(shù)種(楊屬、桉屬、油棕屬和橡膠樹(shù)屬)和針葉樹(shù)種(松屬和云杉屬)的基因組選擇研究案例，以油棕基因組選擇研究作為典型案例分析。林木樹(shù)種的基因組選擇研究案例均表明基因組選擇技術(shù)有助于提高林木選育效率和加快林木育種進(jìn)程。深入探討林木樹(shù)種的參考基因組、全基因組關(guān)聯(lián)分析、育種群體、連鎖不平衡和多年生屬性5個(gè)方面對(duì)林木基因組選擇研究的影響。基因組選擇在林木遺傳育種研究中具有潛在應(yīng)用前景，但其可行性仍需要大量的模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)評(píng)估。當(dāng)前林木基因組選擇研究所面臨的重要問(wèn)題:1)林木樹(shù)種的基因組組裝質(zhì)量普遍不高;2)如何開(kāi)展林木多性狀全基因組選擇研究;3)針對(duì)多年生林木樹(shù)種自身特點(diǎn)，設(shè)計(jì)出合理的試驗(yàn)方案，開(kāi)發(fā)具備縱向性狀數(shù)據(jù)處理能力的統(tǒng)計(jì)模型和分析軟件。
關(guān)鍵詞:基因組選擇;選育效率;林木遺傳改良;全基因組關(guān)聯(lián)分析
基因組選擇(genomicselectionorgenome-wideselection，GS)研究在家畜和農(nóng)作物遺傳改良中已取得了重要進(jìn)展，其中應(yīng)用于奶牛的遺傳改良成效顯著。美國(guó)農(nóng)業(yè)部從2009年開(kāi)始對(duì)奶牛開(kāi)展GS研究，配種公牛和配種母牛的育種周期都減少到2.5年，大大加速了育種進(jìn)程(Garcia-Ruizetal.，2016)。中國(guó)農(nóng)業(yè)大學(xué)聯(lián)合全國(guó)畜牧總站等單位完成的中國(guó)荷斯坦牛GS分子育種技術(shù)體系的建立與應(yīng)用的研究成果，使我國(guó)荷斯坦奶牛(Bosprimigeniusf.taurus‘Holsteincattle’)年產(chǎn)奶量從4500kg提高到5500kg，顯示GS在我國(guó)奶牛遺傳改良中取得了重大進(jìn)展(http:∥www.most.gov.cn/kjbz/201703/t2017-132048.htm)。相較于家畜GS，農(nóng)作物研究起步較晚，但近年來(lái)發(fā)展迅速，在水稻(Oryzasativa)(Onogietal.，2016;Xuetal.，2018)、玉米(Zeamays)(Fritsche-Netoetal.，2018;Milletetal.，2019)、小麥(Triticumaestivum)(Huangetal.，2016;Bassietal.，2016)、大麥(Hordeumvulgare)(Schmidtetal.，2016;Thorwarthetal.，2017)、蘋(píng)果(Malus×domestica)(Kumaretal.，2012;Murantyetal.，2015)和梨(Pyruspyrifolia)(Iwataetal.，2013;Minamikawaetal.，2018)等農(nóng)作物和果樹(shù)的遺傳改良研究中獲得一定進(jìn)展。
林木生長(zhǎng)周期長(zhǎng)，早期選擇是縮短林木育種周期、加快林木育種進(jìn)程的有效策略和方式(Diaoetal.，2016)，長(zhǎng)期以來(lái)一直是林木遺傳改良研究中持續(xù)關(guān)注的熱點(diǎn)。最早基于性狀表型值早晚期相關(guān)(phenotypiccorrelationbetweenjuvenileandmatureperiod)的早期選擇研究，其選擇精度往往受限于試驗(yàn)樣本量不足。基于分子標(biāo)記輔助選擇(markerassistedselection，MAS)的早期選擇研究，由于篩選出的分子標(biāo)記數(shù)量有限，早期選擇效率不高。GS利用全基因范圍內(nèi)的所有分子標(biāo)記估計(jì)目標(biāo)個(gè)體育種值，并以此為依據(jù)篩選優(yōu)良基因型(superiorgenotype)。相比于前2種早期選擇技術(shù)，基因組選擇具有更高的育種效率和更準(zhǔn)確的選擇精度。隨著二代/三代測(cè)序技術(shù)與高通量SNP基因分型技術(shù)的快速發(fā)展，GS技術(shù)應(yīng)用于林木重要性狀早期選擇已成為可能。
相比于家畜與農(nóng)作物，林木樹(shù)種的GS研究進(jìn)展相對(duì)緩慢，主要是由于多年生林木樹(shù)種的遺傳學(xué)研究基礎(chǔ)薄弱、研究技術(shù)平臺(tái)不完善、基礎(chǔ)型數(shù)據(jù)匱乏(例如，基因組數(shù)據(jù)、轉(zhuǎn)錄組數(shù)據(jù)、表觀(guān)組數(shù)據(jù)和表型組數(shù)據(jù))和獨(dú)特生物學(xué)特性(世代間隔長(zhǎng)、體型巨大和幼齡期長(zhǎng))。為了加快GS技術(shù)在林木樹(shù)種遺傳育種中的應(yīng)用進(jìn)程，本文對(duì)GS原理與方法進(jìn)行全面介紹，并通過(guò)林木基因組選擇案例的闡述和分析，對(duì)GS技術(shù)在林木遺傳改良中應(yīng)用的影響因素及發(fā)展前景進(jìn)行討論。
1基因組選擇原理與方法
Meuwissen等(2001)首次提出了基因組選擇(GS)的概念和原理。GS是一種新型遺傳評(píng)估手段，對(duì)縮短育種世代間隔、加快遺傳進(jìn)展和提高選擇效率等均具有積極作用(Meuwissenetal.，2001)。基因組選擇技術(shù)已成為動(dòng)植物育種領(lǐng)域中最具潛力的技術(shù)熱點(diǎn)，期刊《GENETICS》和《G3:Genes|Genomics|Genetics》將GS相關(guān)研究論文歸檔(https:∥www.genetics.org/collection/genomic-selection)。
相關(guān)期刊推薦：《林業(yè)科學(xué)》是中國(guó)林學(xué)會(huì)主辦的林業(yè)基礎(chǔ)性和高科技學(xué)術(shù)期刊，創(chuàng)刊于1955年。主要刊登森林培育、森林生態(tài)、林木遺傳育種、森林保護(hù)、森林經(jīng)理、森林與生態(tài)環(huán)境、生物多樣性保護(hù)、野生動(dòng)植物保護(hù)與利用、園林植物與觀(guān)賞園藝、經(jīng)濟(jì)林、水土保持與荒漠化治理、林業(yè)可持續(xù)發(fā)展、森林工程、木材科學(xué)與技術(shù)、林產(chǎn)化學(xué)加工工程、林業(yè)經(jīng)濟(jì)及林業(yè)宏觀(guān)決策研究等方面的文章，以學(xué)術(shù)論文、研究報(bào)告、綜合評(píng)述為主，還設(shè)有學(xué)術(shù)問(wèn)題討論、研究簡(jiǎn)報(bào)、科技動(dòng)態(tài)、新書(shū)評(píng)介等欄目。以中文文章為主，也刊登附中文摘要的英文文章。
GS是利用覆蓋全基因組的高密度分子標(biāo)記估計(jì)個(gè)體的基因組育種值(genomicestimatedbreedingvalue，GEBV)，并以基因組育種值為依據(jù)選擇優(yōu)良基因型/品種。GS一般需要構(gòu)建參考群體(referencepopulation/trainingpopulation)和候選群體(candidatepopulation/testingpopulation)2個(gè)群體;利用參考群體中已知的表型(phenotype)和基因型(genotype)記錄估計(jì)出GS線(xiàn)性模型中每個(gè)分子標(biāo)記SNPs(singlenucleotidepolymorphisms)的效應(yīng)值;然后，通過(guò)候選群體中個(gè)體的已知基因型數(shù)據(jù)和SNPs效應(yīng)估計(jì)值估算GEBV;最后，根據(jù)GEBV排序從候選群體中選擇出保留個(gè)體。
1.3GS分析工具
伴隨著GS統(tǒng)計(jì)學(xué)估計(jì)模型的提出，很多應(yīng)用這些GS模型的分析工具也被同步開(kāi)發(fā)出來(lái)，例如rrBLUP(Endelman，2011)、synbreed(Wimmeretal.，2012)、BGLR(Perezetal.，2014)、GVCBLUP(Wangetal.，2014)、GAPIT(Lipkaetal.，2012)、sommer(Covarrubias-Pazaran，2016)和BLUPGA(Kaineretal.，2018)等，具體見(jiàn)表1。目前GS分析工具的主要特點(diǎn):1)缺乏針對(duì)林木特點(diǎn)(多年生、異交和全同胞家系成員龐大)的分析工具;2)主要基于GBLUP和Bayesian2類(lèi)統(tǒng)計(jì)學(xué)估計(jì)模型;3)C++、Fortran、Julia和R是開(kāi)發(fā)GS分析軟件所使用的計(jì)算機(jī)語(yǔ)言，而R語(yǔ)言是最常用的GS軟件開(kāi)發(fā)語(yǔ)言。由于R語(yǔ)言運(yùn)行速度較慢，因此基于R語(yǔ)言的GS分析工具分析速度比較慢，該缺點(diǎn)在分析海量分子標(biāo)記(例如100k級(jí)以上)時(shí)進(jìn)一步地放大。因此，具備快速處理海量分子標(biāo)記數(shù)據(jù)的能力必將是GS分析軟件開(kāi)發(fā)的重要方向之一。
2林木基因組選擇研究進(jìn)展
2.1GS技術(shù)在林木育種中應(yīng)用的優(yōu)勢(shì)
相比家畜和農(nóng)作物，林木GS研究起步不晚，但進(jìn)展緩慢。Wong和Bernardo(2008)利用油棕(Elaeisguineensis)模擬數(shù)據(jù)系統(tǒng)地評(píng)估表型選擇、分子標(biāo)記輔助選擇(MAS)和基因組選擇(GS)3種選擇方式后發(fā)現(xiàn):GS的效果要明顯好于表型選擇和MAS，GS技術(shù)在世代間隔長(zhǎng)和樣本量小的育種群體中仍可獲得一定的遺傳增益。2012—2019年間，GS研究陸續(xù)在油棕屬(Elaeis)、桉屬(Eucalyptus)、橡膠樹(shù)屬(Hevea)、云杉屬(Picea)、松屬(Pinus)、楊屬(Populus)等樹(shù)種開(kāi)展，取得重要進(jìn)展(表2)。以上研究結(jié)果都表明:GS技術(shù)可以應(yīng)用于林木遺傳改良，有助于縮短林木育種周期、提高林木育種選擇效率和加快林木遺傳改良進(jìn)程。GS技術(shù)在林木育種中應(yīng)用的優(yōu)勢(shì)主要表現(xiàn)在:1)預(yù)測(cè)精度高，比表型選擇和分子標(biāo)記輔助選擇2種策略具有更高的準(zhǔn)確性;2)選擇效率高，可以有效地縮短林木超長(zhǎng)的育種周期(十幾年甚至幾十年)、增加單位時(shí)間內(nèi)的遺傳增益以及增強(qiáng)選擇強(qiáng)度，最終實(shí)現(xiàn)加快林木育種進(jìn)程的目標(biāo);3)可解釋的遺傳變異比例更高，這是由于GS使用全基因組范圍內(nèi)的高密度SNPs標(biāo)記，遺傳變異位點(diǎn)信息量巨大;4)子代測(cè)定成本相對(duì)較低(Grattapagliaetal.，2011;Isik，2014;Iwataetal.，2016;Nyoumaetal.，2019)。
2.2林木GS研究概述
目前，林木基因組選擇(GS)研究都是以多年生異花授粉樹(shù)種為研究對(duì)象，這些樹(shù)種的生長(zhǎng)周期較長(zhǎng)且遺傳雜合度高。針葉樹(shù)種和闊葉樹(shù)種在開(kāi)展GS研究的樹(shù)種中幾乎各占一半。開(kāi)展GS研究的針葉樹(shù)種主要集中在云杉屬[例如，歐洲云杉(Piceaabies)、白云杉(P.glauca)、黑云杉(P.mariana)、西加云杉(P.sitchensis)]和松屬[例如，火炬松(Pinustaeda)和海岸松(P.pinaster)](表2)。針葉樹(shù)種一般擁有一個(gè)雜合度和重復(fù)序列比例極高的10Gb級(jí)基因組，這為開(kāi)展針葉樹(shù)種GS研究帶來(lái)了極大的挑戰(zhàn)，特別是在覆蓋全基因組的高密度標(biāo)記(SNPs)開(kāi)發(fā)方面(Nystedtetal.，2013;Biroletal.，2013;Nealeetal.，2014;Ziminetal.，2014;2017)。
與針葉樹(shù)種類(lèi)似，已開(kāi)展基因組選擇研究的油棕屬[油棕(Elaeisguineensis)、美洲油棕(E.oleifera)](Singhetal.，2013)、橡膠樹(shù)屬[橡膠樹(shù)(Heveabrasiliensis)](Rahmanetal.，2013;Lauetal.，2016;Tangetal.，2016)、桉屬[赤桉(Eucalyptuscamaldulensis)、巨桉(E.grandis)](Hirakawaetal.，2011;Myburgetal.，2014)以及楊屬[毛果楊(Populustrichocarpa)、胡楊(P.euphratica)](Tuskanetal.，2006;Maetal.，2013)均有一個(gè)以上的物種完成了全基因組測(cè)序。由于楊樹(shù)作為林木模式物種的重要性，毛果楊是第1個(gè)完成全基因組測(cè)序的樹(shù)種，推動(dòng)了林木基因組研究的廣泛開(kāi)展。南京林業(yè)大學(xué)楊樹(shù)研究組以美洲黑楊×歐美楊(P.deltoides×P.euramericana)全同胞家系為材料，結(jié)合該家系100多個(gè)體的生長(zhǎng)性狀24年生的表型數(shù)據(jù)，通過(guò)基因組重測(cè)序獲得100k級(jí)的SNP位點(diǎn)，估計(jì)育種值和遺傳力的動(dòng)態(tài)變化，并在此基礎(chǔ)上開(kāi)展GS研究(朱嵊等，待發(fā)表)。
GS是以育種群體(參考群體)的基因型數(shù)據(jù)(即標(biāo)記數(shù)據(jù))和目標(biāo)性狀表型數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，通過(guò)統(tǒng)計(jì)學(xué)方法構(gòu)建目標(biāo)性狀的GS預(yù)測(cè)模型。為了更好地理解以上所列的林木GS研究案例，從育種群體、標(biāo)記數(shù)據(jù)、目標(biāo)性狀以及統(tǒng)計(jì)學(xué)方法這4個(gè)方面對(duì)這些案例進(jìn)行簡(jiǎn)單的概括和分析(圖1)。1)育種群體:多采用由全同胞家系(full-sib)或半同胞家系(half-sib)組成的育種群體，這些研究案例中的林木樹(shù)種均屬于異花授粉植物，一次雜交可以獲得數(shù)量巨大且性狀分離的F1子代。2)分子標(biāo)記數(shù)據(jù):絕大部分研究案例都采用SNPs分子標(biāo)記，這是因?yàn)镾NPs標(biāo)記在全基因組上分布廣泛且數(shù)量巨大(Shastry，2009)，此特點(diǎn)與GS技術(shù)的“全基因組范圖1林木GS案例的詞云Fig.1Wordcloudofthegenomicselectioncasesinforestrytrees育種群體、標(biāo)記數(shù)據(jù)、目標(biāo)性狀和統(tǒng)計(jì)學(xué)方法的關(guān)鍵詞分別用紫色、紅色、黑色和黃色表示。字體的大小代表其在林木基因組選擇案例中出現(xiàn)的頻率。此詞云圖是由Python軟件包wordcloud(https:∥pypi.org/project/wordcloud/)所繪制的。Thekeywordsforbreedingpopulation，theamountofmarkers，thetargettraitandthestatisticalmethodsaredenotedinpurple，red，blackandyellow，respectively.Thefontsizerepresentsthefrequencyofthosekeywordsinthestudiesonthetreegenomicselection.ThiswordcloudchartisdrawnbythePythonpackagewordcloud(https:∥pypi.org/project/wordcloud/).圍內(nèi)的高密度標(biāo)記”理念十分契合;基于SNPs芯片和基于重測(cè)序的SNP分型技術(shù)是為這些GS研究案例產(chǎn)生SNPs基因型數(shù)據(jù)的2種方式，針葉樹(shù)種(云杉屬和松屬樹(shù)種)案例的SNPs基因分型數(shù)據(jù)來(lái)自于SNP芯片，而闊葉樹(shù)種(橡膠樹(shù)屬、油棕屬和桉屬)案例采用2種方式產(chǎn)生SNPs基因分型數(shù)據(jù)。3)目標(biāo)性狀:林木GS研究案例的目標(biāo)性狀可以簡(jiǎn)單地分成生長(zhǎng)性狀(樹(shù)高、胸徑、材積等)、木材性狀(木材密度、纖維夾角、細(xì)胞壁厚度、彈性模量等)、果實(shí)性狀(果/枝比、漿/枝比、核/果比等)、代謝性狀(單株榨油率、精油總濃度、1，8-桉葉油素比例等)、發(fā)育性狀(分枝數(shù)、萌芽率、生根率等)、紙漿性狀(木質(zhì)素含量、五碳糖和六碳糖含量、紙漿產(chǎn)量等)、抗性性狀(冠癭瘤體積、是否患銹病等)這幾類(lèi);樹(shù)高、胸徑、木材密度、材積和纖維夾角(MFA，microfibrilangle)是最常用的研究性狀。4)基因組育種值(GEBV)的估計(jì)模型:GBLUP、BayesianLASSOregression(BLR)、RR-BLUP和Bayesianridgeregression(BRR)是這些研究案例中常用的統(tǒng)計(jì)學(xué)估計(jì)模型。
基因組育種值(GEBV)估計(jì)精度是評(píng)價(jià)GS模型優(yōu)劣的重要指標(biāo)，也是GS研究的核心問(wèn)題之一。GEBV估計(jì)精度受到多種因素的影響，包括標(biāo)記類(lèi)型與密度、標(biāo)記抽樣方法、數(shù)量性狀位點(diǎn)(QTLs，quantitativetraitloci)效應(yīng)的分布、連鎖不平衡(LD，linkagedisequilibrium)、參考群體與測(cè)試群體之間遺傳親緣關(guān)系、參考群體樣本量、樣本間的親緣關(guān)系、目標(biāo)性狀的遺傳力與遺傳結(jié)構(gòu)、估計(jì)GEBV的統(tǒng)計(jì)學(xué)方法等(Habieretal.，2007;Grattapaglia，2014)。——論文作者：朱嵊1，2，3黃敏仁1，3
