水稻直链淀粉含量和胶稠度的基因组选择预测准确性评估

2025年1月28日，海南大学南繁学院夏志强团队与桂林市农业科学研究中心联合在《Agronomy》发表研究：Assessment of the Prediction Accuracy of Genomic Selection for Rice Amylose Content and Gel Consistency，这篇文章的核心内容是关于利用基因组选择（Genomic Selection, GS）技术来提高水稻直链淀粉含量（Amylose Content, AC）和胶稠度（Gel Consistency, GC）的预测准确性。这两者是评估水稻食用和烹饪品质的关键指标。研究通过构建多个基因组选择模型，探讨了不同模型、标记数量和群体规模对预测准确性的影响，并利用全基因组关联研究（GWAS）来选择与性状显著相关的单核苷酸多态性（SNPs）进行预测准确性研究。

背景知识

随着全球对水稻需求的增长，提高水稻的产量和品质变得尤为重要。传统的育种方法已经逐渐被现代分子标记和基因编辑技术所取代。基因组选择（GS）作为一种新兴的育种技术，通过高密度标记覆盖整个基因组，结合表型和基因型数据，可以更准确地预测性状。然而，基因分型的成本和效率是限制GS广泛应用的关键因素。Hyper-seq作为一种低成本、高效的DNA测序技术，为GS提供了一种新的解决方案。

研究方法

研究使用了417份水稻种质资源，通过Hyper-seq技术进行基因分型，共获得24,502个高质量SNPs。研究构建了七种不同的GS模型（GBLUP, RRBLUP, BayesA, BayesB, BayesC, BayesLASSO, 和 BayesRKHS），并比较了这些模型对AC和GC的预测准确性。此外，研究还探讨了标记数量和群体规模对预测准确性的影响，并通过GWAS选择了不同显著性水平的SNPs进行预测准确性研究。

实验结果

1. 表型数据分析： 417份水稻样本的AC范围为9.15%至29.3%，平均值为17.29%；GC范围为20至84毫米，平均值为54.87毫米。AC和GC之间存在显著的负相关关系（相关系数为-0.63）。

2. 基因型数据分析： 24,502个SNPs在12条染色体上相对均匀分布，通过PCA分析，417份水稻样本被分为三个亚群。

3. GS模型比较： 七种模型对AC的预测准确性在0.8316至0.8360之间，对GC的预测准确性在0.7075至0.7235之间，各模型间差异不大，但GBLUP模型在计算效率上具有优势。

4. 标记数量的影响： 对于AC，预测准确性随着标记数量的增加而显著提高，直到达到5000个SNPs后趋于平稳；对于GC，预测准确性在标记数量达到3000个SNPs后趋于平稳。

5. 群体规模的影响： 预测准确性随着群体规模的扩大而提高，对于AC和GC，当样本量从100增加到200时，预测准确性显著提高，而当样本量进一步增加到417时，预测准确性达到最高。

6. 显著相关标记的影响： 使用与性状显著相关的SNPs进行GS可以显著提高预测准确性。对于AC，当p值≤0.1时，预测准确性最高，达到0.9669；对于GC，当p值≤0.1时，预测准确性最高，达到0.9520。

关键结论

1. Hyper-seq技术在GS育种中具有显著的潜力，能够提供成本效益高和测序效率高的解决方案。

2. 不同的GS模型对预测准确性的影响不大，但GBLUP模型在计算效率上具有优势。

3. 标记数量和群体规模对预测准确性有显著影响，当标记数量和样本量达到一定水平后，预测准确性趋于稳定。

4. 使用与性状显著相关的SNPs进行GS可以显著提高预测准确性，这为GS在育种实践中的应用提供了重要指导。

研究意义

这项研究不仅提供了利用Hyper-seq技术进行GS育种的实证数据，还探讨了影响预测准确性的关键因素，为水稻品质改良和高效育种提供了科学依据。通过确定最优的标记密度和群体规模，以及优先选择与目标性状显著相关的遗传标记，育种者可以在降低成本的同时提高育种效率，更有效地筛选出具有优越性状的水稻品种。