玉米農藝性狀配合力全基因組關聯分析和預測

馬 娟 劉京寶 朱衛紅 黃 璐 宇 婷 喬江方

（河南省農業科學院糧食作物研究所，河南 鄭州 450002）

玉米（Zea maysL.）是雜種優勢利用最成功的作物之一，主要體現在單交種的生產和利用上［1］。在玉米雜交育種中，選育高配合力的親本材料是培育高產雜交種的先決條件［2］。一般配合力（general combining ability，GCA）是指一個自交系與其他自交系組配后代在某個性狀的平均表現，是評價親本自交系利用價值的一個重要指標［1，3］。因此解析GCA 的遺傳機理對玉米雜交種產量的提高具有重要意義。

GCA 和農藝性狀均是多基因控制的數量性狀，可以利用連鎖定位和關聯分析方法開展研究。Qi等［4］利用75 份玉米導入系材料和4 個測驗種定位到75 個控制產量及相關性狀GCA 的數量性狀位點（quantitative trait loci，QTL），其中穗行數GCA的顯著QTL有6個。Lu等［5］以328 個玉米重組自交系和2 個測驗種組配的656個雜交種為材料，利用復合區間作圖方法挖掘64 個控制產量等性狀GCA 的關鍵位點。Liu 等［6］利用1 個重組自交系群體和4個測驗種組配的雜交群體鑒定41個控制玉米穗行數、行粒數等性狀GCA 的關鍵位點和28個熱點區域。李婷等［3］利用EMMAX（efficient mixedmodel association expedited）算法對246 份玉米雜交組合的籽粒相關性狀配合力進行了關聯分析，檢測到9、7 和5 個單核苷酸多態性（singe nucleotide polymorphism，SNPs）分別與粒長、粒寬和粒厚GCA 顯著關聯，單個位點解釋GCA表型變異率為0.02%～25.52%。

盡管已有研究者挖掘到一些控制GCA 的關鍵位點，但是這些位點的遺傳利用尚缺乏相關的分子改良策略?；蚪M選擇（genomic selection，GS）是利用訓練群體覆蓋全基因組的分子標記和表型數據建立數學模型，從而對基因型已知的候選群體進行表型預測的一種分子育種技術。GS已廣泛應用于預測玉米、水稻和小麥等作物親本和雜交種產量等表現，為GS 輔助育種技術的應用提供了重要參考。王欣等［7］基于不完全雙列雜交設計（North Carolina II，NCII）的水稻數據集，研究了單株產量等性狀GCA的預測力，發現單株產量等8個性狀的預測準確性介于0.39～0.74。Zhang等［8］利用32個玉米自交系和9 個測驗種組配的3 組測交群體為材料對產量GCA 開展預測研究，發現僅利用自交系的信息對產量GCA 的預測精度較低，為-0.14～0.13，當加入測驗種的信息時，產量GCA 的預測準確性可提高到0.51～0.65。

穗行數是玉米產量的重要構成因子之一，籽粒性狀例如粒長、粒寬與玉米品質及產量密切相關，解析其GCA 遺傳機理對玉米雜交種產量和品質的遺傳改良具有重要意義。雖然穗行數和籽粒性狀以及其分子遺傳研究基礎已有相關報道，但目前關于穗行數和籽粒性狀GCA 全基因組關聯分析（genome-wide association study，GWAS）的研究較少，而且其基因組預測分析的研究仍鮮見報道。鑒于此，本研究選用123份玉米自交系和8個測驗種按照NCII 遺傳交配設計獲得537 份雜交組合為材料，采用7 種多位點GWAS（multi-locus GWAS，MGWAS）方法挖掘穗行數、粒長、粒寬GCA顯著關聯位點，并研究不同顯著關聯位點作為固定效應對提高3個性狀GCA預測精度的影響，旨在為基因功能驗證以及關鍵位點的基因組選擇輔助育種提供重要的基因信息和技術指導。

1 材料與方法

1.1 試驗材料、試驗設計和配合力分析

以123份玉米自選系和8個測驗種（農系531、昌7-2、20H1419、M189、M119、S110T、L119A 和PH4CV）采用NCII遺傳交配設計組配537個F1雜交種。537個雜交種采用隨機完全區組試驗設計，于2021 年種植在河南省新鄉和周口試驗田，2次重復。新鄉和周口環境行長分別是4.0和3.3 m，株距和行距均分別是0.22和0.60 m。收獲后，每份材料選取2 個代表性果穗人工測量穗行數。利用玉米果穗/籽粒考種流水線儀器（國家農業信息化工程技術研究中心）測量約20 粒籽粒的粒長和粒寬，獲得單粒粒長和粒寬用于分析。利用R 語言lme4包的lmer 函數計算2 個環境的GCA 效應值（公式1），并將2 個環境數據聯合計算綜合環境的GCA 效應值（公式2），均用于后續分析：

其中，y、μ、B、E、GCAL、GCAT、SCA以及ε分別表示雜交種表型、均值、區組、環境、自交系GCA、測驗種GCA、特殊配合力以及誤差效應。GCAL×E、GCAT×E和SCA×E分別表示自交系GCA 與環境互作、測驗種GCA 與環境互作和特殊配合力與環境互作效應。

根據公式2，利用R 語言stats 包aov 函數將新鄉和周口環境數據聯合進行多環境方差分析。不同環境3個性狀GCA 相關性分析（Pearson）和顯著性檢驗利用R語言GGally包計算和展示。

GCA遺傳力的計算公式如下：

1.2 基因型檢測和分析

131份玉米自交系（123份自交系和8個測驗種）葉片的DNA 采用CTAB 方法提取。利用玉米5.5K 液相育種芯片（河南省農業科學院糧食作物研究所）根據液相探針雜交原理進行靶向測序基因型鑒定，測序平臺為NovaSeq 6000 （Illumina，美國）。利用BWA（v0.7.17）軟件將過濾的reads 與玉米B73 第四版參考基因組（http：//www.gramene.org/）比對。利用GATK （v4.1.2.0）軟件檢測原始變異位點33 971個。經過最小等位基因頻率＜0.05，缺失率＞10%和雜合率＞1%的過濾，獲得11 734個高質量單核苷酸多態性（single nucleotide polymor hism，SNP）用于后續分析。

1.3 多位點全基因組關聯分析和候選基因挖掘

利用7種MGWAS方法，即BLINK（bayesian information and linkage-disequilibrium iteratively nested keyway）［9］、FarmCPU（fixed and random model circulating probability unification）［10］、mrMLM（multi-locus random-SNP-effect mixed linear model）［11］、FASTmrMLM［12］、FASTmrEMMA（FAST multi-locus random-SNP-effect EMMA）［13］、pLARmEB（polygene-background-control-based least angle regression plus empirical Bayes）［14］和ISIS EM-BLASSO（iterative sure independence screening EM-Bayesian least absolute shrinkage and selection operator）［15］對3個環境穗行數和籽粒性狀GCA進行關聯分析。7種方法均考慮群體結構Q值和親緣關系K值。群體結構Q值由Structure v2.3.4［16］計算，其中亞群數為1～10，length of burn-in period為5 000，蒙特卡羅重復個數為50 000，每個亞群數迭代次數為3。利用Structure Harvester（v0.6.94）確定最佳的亞群數為6。3次重復的Q值由CLUMPP（v1.1.26）軟件的FullSearch算法 確 定［17］。親 緣 關 系K 值 由TASSEL v5.0 軟 件 的Centered_IBS 方法計算［18］。BLINK 和FarmCPU 利用R語言GAPIT 包計算［19］，其他5 種方法均利用R 語言mrMLM包計算［20］。顯著臨界值設置為P=0.01/11 734=8.52×10-7。利用SnpEff［21］根據顯著SNPs 的位置挖掘候選基因，參數按默認設置。

1.4 基因組預測分析

采用貝葉斯A（Bayes A）［22］、Bayes C［23］、Bayesian LASSO［24］、基因組最佳線性無偏預測（genomic best linear unbiased prediction，GBLUP）［25］和再生核希爾伯特空間（reproducing kernel Hilbert space，RKHS）［26］對3個環境穗行數、粒長、粒寬GCA 進行預測分析。5種方法中分子標記的效應均設置為隨機效應即隨機效應模型。根據不同MGWAS 方法挖掘的關聯位點信息，將顯著SNPs 作為固定效應，其余分子標記作為隨機效應（固定效應模型），用來研究MGWAS 先驗信息對GCA 預測精度的影響。固定效應模型僅考慮GBLUP和RKHS。交叉驗證均采用10 倍交叉驗證方式，重復100 次。利用100 次驗證群體中基因組估計育種值與表型值的相關系數均值作為預測準確性。所有模型均在R 語言BGLR 包中實現［27］，其中RKHS 采用核平均模型，寬帶參數h為0.1、0.5 和2.5。所有模型和方案迭代次數為12 000 次，預燒為3 000 次，其他參數按默認設置。

2 結果與分析

2.1 一般配合力效應表現統計結果

新鄉、周口和綜合環境穗行數和籽粒性狀GCA 效應值的描述性統計見圖1。以綜合環境為例，穗行數、粒長和粒寬GCA效應值分別介于-2.85～2.62、-0.086～0.081和-0.062～0.069（圖1-A、B）。8個測驗種在3個性狀中表現不一：對于穗行數，測驗種中正向GCA 最高的是20H1419，為1.95～2.44，其次是昌7-2（0.77～1.03），M189 和PH4CV 的配合力負向最高，為-1.39～-1.25（圖1-C）；粒長正向和負向GCA表現最好的測驗種分別是農系531 和20H1419，而粒寬正向GCA 效應值最高的是M119，負向最高的是20H1419（圖1-D）。

圖1 不同環境穗行數、粒長和粒寬一般配合力效應值統計Fig.1 Statistics of general combining ability effect values of kernel row number，kernel length，kernel width in different environments

穗行數與粒長之間的相關性較小，而粒寬與穗行數表現為高度負相關，相關系數介于-0.80～-0.61。3個性狀中，2 個種植環境GCA 的相關系數較高且達到極顯著為水平，相關系數為0.59～0.78，且均與綜合環境高度極顯著正相關（r=0.87～0.95）（圖2）。方差分析表明，除了區組外，環境、GCA、特殊配合力以及配合力與環境互作效應均達到顯著或極顯著水平（表1）。3 個性狀GCA 的遺傳力較高（0.88～0.95），其中穗行數GCA 的遺傳力最高，為0.95，表明3 個性狀GCA 主要受遺傳因素影響。

表1 3個性狀多環境方差分析及其遺傳力Table 1 Multi-environment analysis of variance and heritability for three traits

圖2 不同環境3個性狀相關性及顯著性Fig.2 Correlations among three traits in different enviornments and significant levels

2.2 3個性狀一般配合力顯著關聯位點和候選基因

通過7種MGWAS方法對3個環境穗行數、粒長、粒寬GCA進行全基因組位點掃描發現，穗行數、粒長、粒寬分別檢測到23、8和15個顯著關聯SNPs（P＜8.52×10-7）。穗行數利用mrMLM檢測的位點最多，粒長和粒寬均利用mrMLM 和pLARmEB 檢測的位點最多（電子附表1、圖3）。共有10個位點被2～5種MGWAS方法同時檢測到，其中穗行數、粒長和粒寬分別有5、1和4個（圖3-A～C）。共有8個位點被至少2個環境重復檢測到（圖3-D～F）。對于穗行數GCA，5_219239213被3個環境均檢測到，5個為新鄉和綜合環境共定位的位點。2_197716855 和2_71037706分別為粒長和粒寬GCA 環境穩定的顯著位點。本研究還發現6個SNPs即1_43440622、2_69742504、2_71037706、2_197716855、5_219239213 和8_134634317為環境穩定和MGWAS 方法穩定重疊的位點（電子附表1），這些SNPs 可能是控制穗行數和籽粒性狀GCA效應的重要位點。盡管3個性狀GCA之間表現出一定的相關性，但在基因組水平沒有發現一因多效位點。

圖3 MGWAS方法穩定和環境穩定的位點Fig.3 MGWAS method-stable and environment-stable loci

利用SnpEff 軟件在46 個顯著位點內共挖掘候選基因59個（電子附表1）。6個環境穩定和MGWAS方法穩定重疊位點挖掘的候選基因見表2，其中胚胎敗育基因EMB12（embryo defective12）和類三角形四肽重復超家族蛋白基因（Zm00001d010946）等是穗行數GCA重要的候選基因，Zm00001d006084（類尿苷激酶蛋白2，UKL2）和Zm00001d003945分別是粒長和粒寬GCA重要的候選基因。

表2 MGWAS方法穩定和環境穩定重疊位點挖掘的候選基因Table 2 Candidate genes for MGWAS method-stable and environment-stable overlapped loci

2.3 不同隨機效應模型的預測準確性比較

通過對穗行數和籽粒性狀GCA效應值進行基因組預測分析發現，5種隨機效應模型對穗行數和粒寬GCA取得較高的預測準確性，分別為0.62～0.74 和0.63～0.73，而粒長GCA 基因組預測精度較低，為0.28～0.45（圖4）。3個性狀均利用綜合環境GCA效應值獲得最高的預測準確性。對于穗行數和粒寬GCA效應值，多數情況下，RKHS相比其他4種方法略具優勢。對于粒長GCA，RKHS在周口和綜合環境表現出較大優勢，相比其他4種參數模型，將預測準確性提高了16.63%～31.34%。

圖4 5種隨機效應模型對3個性狀一般配合力的預測準確性Fig.4 Prediction accuracy of five random effect models for general combining ability of three traits

2.4 多位點全基因組關聯分析先驗信息對預測準確性的影響

率為27.58%～49.81%。在周口環境，多數情況下MGWAS先驗信息加入能夠提高3 個性狀GCA 效應值的預測力，粒長的提高率較高，為17.65%～83.05%，而穗行數和粒寬的提高率為0.66%～12.53%。相比隨機效應模型，綜合環境中固定效應模型均可進一步提高穗行數和粒寬GCA 效應值的基因組預測力，提高率為2.24%～12.46%。但對于粒長，將綜合環境FASTmrMLM挖掘的1 個顯著位點作為固定效應會提高預測精度（9.26%～10.88%），其他2 種MGWAS 方法先驗信息與預測方法的整合不會改變或略降低預測準確性?？傮w而言，將MGWAS 挖掘的顯著關聯位點作為固定效應，并加入GS 方法，是一種提高穗行數和籽粒性狀GCA預測精度的有效途徑。

3 討論

3.1 MGWAS解析GCA變異位點的優勢

GWAS 能夠檢測覆蓋全基因組的變異位點，是解析數量性狀遺傳結構的一種統計分析方法。2006 年，Yu 等［28］首次提出整合親緣關系K 矩陣和群體結構Q矩陣的混合線性模型方法，用來擬合基因型和表型的關系。為了解決混合線性模型方法存在的混雜問題和統計功效低等問題，多種單位點模型和MGWAS 模型如BLINK、FarmCPU、mrMLM 等相繼提出，并已廣泛應用于玉米等作物重要性狀的遺傳研究中。本研究利用7 種MGWAS 方法對穗行數和2 個籽粒性狀GCA 效應進行了關聯分析，共鑒定得到46個顯著關聯SNPs，其中mrMLM方法的檢測位點最多。An等［29］利用6種MGWAS對穗行數進行定位研究發現，mrMLM 在4 個環境中的檢測功效均最高。玉米雄穗分枝數的MGWAS 研究也得到了相同的結論［30］。本研究中，僅10個位點被多種MGWAS方法重復檢測到，多數位點表現為方法特異性。但對于穗行數本身，An 等［29］發現40%～62%的顯著位點至少被2 種MGWAS 方法重復檢測到。Zhou 等［31］對成熟期籽粒含水量進行GWAS 分析時，也發現方法相同的位點具有較高的占比（約45%）。本研究中，8 個位點被至少2 個環境重復檢測到，是控制穗行數和籽粒性狀GCA 環境穩定的SNPs。其中6 個SNPs 不僅被多種MGWAS 方法重復檢測到，還是環境穩定的位點。因此，利用多種MGWAS 方法有助于挖掘GCA 穩定的變異位點。

3.2 不同定位研究結果比較

本研究發現，15個穗行數GCA顯著位點與已報道的穗行數GCA、性狀本身、產量QTL 和Meta-QTL（MQTL）存在重疊（電子附表1）。其中，位點4_203093326位于3個控制穗行數GCA QTL［6］以及穗行數和產量MQTL 區間內（MQTL69）［32］。位于2號染色體上的4個顯著位點（2_153730555、2_159709723、2_159709745和2_225337449）被發現與穗行數QTL以及產量、穗部等性狀MQTL區間存在重疊［32-35］。其中2_153730555 是MGWAS 方法穩定的一個控制穗行數GCA的主效位點。4個環境穩定和MGWAS方法穩定的SNPs均發現位于前人定位的產量QTL或MQTL區間內（電子附表1），表明這4個SNPs可能是控制穗行數GCA效應的重要位點。

圖5 GBLUP和RKHS整合MGWAS顯著位點的預測準確性Fig.5 Prediction accuracy of the integration of GBLUP and RKHS with significant loci from MGWAS

19個籽粒性狀GCA位于前人定位的籽粒性狀GCA、百粒重和產量等性狀QTL或MQTL區間內。粒寬GCA顯著位點6_144964691 不僅位于一個粒寬GCA QTL（qKW6-4）的置信區間內［5］，還與控制百粒重和單穗粒重QTL區間存在重疊［34，36］。3_19172706也是粒寬GCA顯著關聯位點，被發現位于Lu 等［5］挖掘的一個對粒寬和百粒重GCA具有一因多效的QTL區間內。1_268584002是一個控制粒長GCA的主效SNP，與前人鑒定的粒長、粒寬及其GCA、百粒重以及單穗粒重QTL 位置存在重疊［5，34，36-37］。粒長關聯位點4_186588788 不僅與Lu 等［5］和Liu 等［36］定位的粒寬及粒寬GCA QTL 區間重疊，還與一個控制籽粒性狀、產量及穗部性狀MQTL 存在重疊［33］。2_197716855 和2_71037706 分別是控制粒長和粒寬GCA 的主效位點，不僅被多個MGWAS 重復檢測到，還被2個環境同時檢測到。位點2_197716855位于Lu 等［5］和Liu 等［36］鑒定的粒寬及產量QTL 的置信區間內，而2_71037706 位于Chen 等［33］利用元分析整合鑒定的一個控制籽粒性狀MQTL區間內。粒寬GCA位點2_209342026 和6_90473152 至 少 被2 種MGWAS 方 法同時檢測到，發現與Liu 等［36］和Zhang 等［37］定位的2個影響粒寬的數量性狀位點存在重疊。

3.3 一般配合力候選基因功能挖掘

MGWAS方法穩定和環境穩定重疊位點5_219239213位于一個控制玉米產量QTL的區間內［5］（電子附表1），該位點對穗行數GCA效應的平均變異解釋率為12.57%，是一個主效位點，其預測的基因為EMB12。該基因編碼質體翻譯起始因子3 在玉米胚胎發生發育過程中起著關鍵作用［38］。8_134634317 也是一個MGWAS 方法穩定和環境穩定重疊的位點，其挖掘的候選基因Zm00001d010946是一類四肽重復序列（tetratricopeptide repeat domain，TPR）蛋白（表2）。TPR 蛋白在擬南芥根發育、葉綠體早期發育和生長素極性運輸中起著重要作用［39-40］。Flo2（FLOURY ENDOSPERM2）是一個具有TPR基序且保守的基因，在調控水稻和小麥粒重和淀粉品質中發揮重要作用［41-42］。此外，三角狀五肽重復蛋白基因PPR（pentatricopeptide repeat-containing protein）和抗壞血酸鹽過氧化物酶基因APX2基因（ascorbate peroxidase2）也是可能控制穗行數GCA 的重要基因（附表1），其中APX2對應的SNP與Zhang等［35］定位的一個穗行數QTL 位置重疊。水稻育性恢復基因Rf4、玉米雄穗分枝數的一個主效QTL以及玉米種子發育關鍵基因Dek39均編碼PPR 基因［43-45］。OsAPX2的功能缺失會影響水稻（Oryza sativaL.）幼苗的生長發育，導致水稻幼苗半矮化、葉片黃綠色和種子不育［46］。但這些基因調控穗行數GCA 的遺傳機理尚不清楚，其調控機理有待于進一步挖掘和驗證。

通過對籽粒顯著關聯位點候選基因預測，4 個轉錄因子基因即C3H7（C3H-transcription factor 317）、HB81（homeobox-transcription factor 81）、E2F11（E2FDP-transcription factor 211）和E2F17以及鉀離子高親和性轉運蛋白基因HAK25（potassium high-affinity transporter25）、核糖體蛋白基因RPL23（60S ribosomal protein L23-like）和 質 膜ATP 酶 基 因PM4（plasma membrane ATPase4）等可能是調控籽粒性狀GCA 的關鍵基因（附表1）。DiZF-C3H1是一個鋅指結構轉錄因子，其過表達會導致擬南芥轉基因植株根系發育遲緩、花期延遲、花器官異常和角果變形［47］。轉錄因子VvHB58通過多種激素信號通路影響葡萄種子和果實的發育，其在轉基因番茄中的過表達會導致頂端優勢喪失、果實大小和種子數量減少以及胚乳細胞變大［48］。E2F 轉錄因子家族在玉米種子萌發發育過程中起著重要作用［49］。敲除OsHAK26或質膜定位的H+-K+轉運體基因OsHAK1或OsHAK5，均可引起水稻花粉花藥畸變、花粉粒數減少以及花粉粒萌發率降低，而且體外試驗結果表明，外源K+濃度對oshak5花粉萌發率有顯著影響［50］。此外，粒寬GCA 候選基因Zm00001d046560 被注釋為質膜ATP酶PM4。該基因家族通過參與生長素介導的細胞延長過程進而影響小麥胚乳發育［51］。核糖體蛋白在玉米籽粒發育中起著重要作用。Wang 等［52］通過對轉錄組數據進行共表達網絡分析，發現38個核糖體蛋白基因為籽粒性狀顯著關聯模塊的核心基因。玉米Dek44編碼線粒體核糖體蛋白RPL9，其突變體dek44籽粒發育遲緩、具有小粒表型［53］。

3.4 顯著位點作為固定效應有助于提高一般配合力基因組預測精度

由于穗行數GCA效應的遺傳力較高，即使利用5種隨機效應模型也獲得了較高的預測準確性（0.62～0.74）。多數研究表明，玉米自交系和雜交種穗行數性狀本身具有較高的預測力，適合用來開展基因組預測［29，54-55］。粒寬和穗行數利用隨機效應模型也獲得了較高的預測準確性（0.63～0.73）。盡管粒長GCA 的遺傳力較高，但隨機模型對其預測的準確性較低（0.28～0.45）。由此可見，穗行數和粒寬GCA 預測精度主要由其遺傳力決定，而粒長GCA 除了受遺傳力影響外，還可能主要受性狀遺傳結構等因素的影響。

本研究結果表明，多數情況下，利用7 種MGWAS挖掘的顯著關聯位點作為固定效應加入預測方法可進一步提高穗行數和2 個籽粒性狀GCA 的預測準確性。An 等［29］認為將多種MGWAS 方法挖掘的tagSNP 作為固定效應可以顯著提高穗行數本身的預測力。相比隨機效應模型，Ma 等［55］研究發現將4～8 個顯著SNPs 作為固定效應整合到GBLUP、RKHS、Bayes A、Bayes B 和Bayes C 中可以提高玉米穗行數和穗長基因組估計育種值的準確性，但這種策略并不能提高其他性狀例如單株產量、單穗重和百粒重的預測力。在玉米巢式關聯群體中，整合最顯著關聯位點作為固定效應加入預測模型有助于提高株高、小斑病抗性和灰斑病抗性的預測精度［56］。在小麥中，整合共同關聯性較強的GWAS 信號作為固定效應加入GBLUP 模型中可提高9%～10%產量的基因組預測力，而穩定性指數Pi 沒有表現出優勢［57］。通過模擬研究，Rice 等［58］發現絕大多數情況下固定效應作為協方差加入預測模型并不能提高預測準確性。在雙親群體中，Herter 等［59］指出將顯著的QTL 作為固定效應可以提高小麥抽穗期、株高、赤霉病和葉枯病的預測準確性。在玉米BC3F5群體中，相比隨機效應模型，將1～2 個QTL 作為固定效應可以提高穗行數、穗粒數、行粒數和葉夾角基因組估計育種值的準確性，而將1～5 個QTL 作為固定效應會降低穗位高的預測力［60］。

除了性狀、群體類型的影響外，顯著位點作為固定效應能否提高預測能力也取決于不同的預測模型和顯著位點的個數。例如，玉米BC3F5群體中，Bayes A和RKHS方法整合1～5 個固定效應QTL 能夠提高株高的預測力，但整合6 個固定效應QTL 會降低預測力；而Bayes C、Bayesian LASSO、Bayesian ridge regression 和GBLUP 僅整合5個固定效應QTL不會降低株高的預測準確性［60］。本研究中，GBLUP 和RKHS 利用相同MGWAS 信息在不同環境表現一致。盡管大部分鑒定的顯著SNPs 作為固定效應能夠有效地提高穗行數和2 個籽粒性狀GCA 的預測準確性，但是各個MGWAS 方法在不同環境表現不一。這是由于不同MGWAS 檢測功效不同導致了位點信息的差異。綜上所述，利用多種MGWAS方法檢測顯著位點，不僅可以為后續基因功能驗證提供可靠基因信息，還能進一步對分子標記信息進行優化，提高GCA 基因組估計育種值的準確性，為選擇高配合力親本材料提供準確的預測信息。

4 結論

利用7種MGWAS方法共鑒定46個控制玉米穗行數及籽粒性狀GCA顯著位點，其中6個至少被2種MGWAS方法和2 個環境重復檢測到。共挖掘到59 個候選基因，其中EMB12、TPR、PPR和APX2是控制穗行數GCA的關鍵基因，而UKL2、E2F11、E2F17、C3H17、HB81、HAK25、RPL23和PM4是粒長和粒寬GCA 重要的候選基因。5 種隨機效應模型可以有效預測玉米穗行數和粒寬GCA效應。不同MGWAS顯著位點作為固定效應加入GS預測方法有利于獲得更高的預測精度，尤其適用于粒長GCA的預測。