玉米禾谷鐮孢菌穗腐病抗性基因組選擇研究

周廣飛　高夕全

摘要：禾谷鐮孢菌穗腐病是玉米種植區普遍發生的重要病害之一，探究基因組選擇在禾谷鐮孢菌穗腐病抗性遺傳改良中的應用潛力，有助于選育抗病品種。以玉米自交系DH4866和T877組配的重組自交系群體，對玉米禾谷鐮孢菌穗腐病抗性進行基因組選擇研究，分析數據模型、群體大小、標記密度、顯著位點和遺傳效應對預測準確性的影響。結果表明，在5種數據模型中，gBLUP模型對玉米禾谷鐮孢菌穗腐病抗性具有較高的預測能力。預測準確性隨著訓練群體樣本大小的增加而提高，當訓練群體占群體總數80%時，預測準確性達到最高。當標記數量達到500時，即可獲得相對較高的預測準確性。相對于隨機效應模型，將顯著位點作為固定效應沒有顯著提高預測準確性。相對于僅考慮加性效應，當在模型中考慮加加上位性效應時，預測準確性并沒有得到顯著提高。研究結果可為玉米禾谷鐮孢菌穗腐病抗性的遺傳改良提供理論參考。

關鍵詞：玉米；禾谷鐮孢菌穗腐??；基因組選擇；預測準確性；遺傳改良

中圖分類號：S435.131.4+9 文獻標志碼：A

文章編號：1002-1302（2023）14-0065-05

玉米穗腐病是由多種病原菌引起的，世界玉米種植區普遍發生的一種真菌性病害，其中由禾谷鐮孢菌引起的穗腐病是我國玉米穗腐病的主要類型之一［1-2］。禾谷鐮孢菌穗腐病不僅可以造成玉米籽粒產量和商業品質下降，導致經濟損失，而且會產生脫氧雪腐鐮孢菌烯醇和玉米赤霉烯酮等毒素，嚴重威脅人畜健康［3-4］。由于鐮孢菌種類多樣，很容易適應多種環境和不同殺菌劑，導致通過栽培管理和化學手段防控效果不理想，使用抗病品種是降低玉米禾谷鐮孢菌穗腐病發生的有效手段［5-6］。因此，選育抗病品種是減少玉米禾谷鐮孢菌穗腐病導致的產量損失、提高籽粒商業品質的重要手段。但玉米禾谷鐮孢菌穗腐病抗性屬于復雜數量性狀，易受環境影響，利用傳統的育種方法進行遺傳改良效率較低［1］。

基因組選擇是隨著現代測序技術發展而來的，一種利用覆蓋全基因組高密度分子標記進行預測的育種方法，該方法主要是通過已知表型和基因型的訓練群體，構建統計模型，預測僅已知基因型的育種群體的育種值，可以在減少田間工作量的同時，提高選擇效率［7］。基因組選擇是利用全基因組的標記進行選擇，可以估算出所有的遺傳效應，解釋全部的遺傳變異，即便是標記的效應微效，也能估算出來，比較適合用于由微效多基因控制的復雜數量性狀的遺傳改良［8］。作為一種新的育種策略，與傳統表型選擇和分子標記輔助選擇相比，基因組選擇具有選擇準確度高、世代間隔短、育種效率高等優點，目前已經被越來越多地應用于農作物的育種領域［9］。

目前已有關于基因組選擇在玉米禾谷鐮孢菌穗腐病抗性方面的應用，均是以國外的玉米種質為研究對象。Han等以130份硬粒型和114份馬齒型歐洲玉米自交系為試驗材料，利用全基因組的 23 797 個標記對玉米禾谷鐮孢菌穗腐病抗性進行基因組選擇，預測準確性可達0.50［10］。Galiano-Carneiro等分別利用巴西與歐洲玉米自交系構建的多親本群體和2個歐洲地方品種構建的雙單倍體群體，發現將與玉米禾谷鐮孢菌穗腐病抗性顯著關聯的主效位點作為固定效應加入基因組選擇數據模型，可以提高預測準確性，但預測準確性受訓練群體與測試群體的親緣關系影響［11-12］。

利用基因組選擇技術有助于玉米禾谷鐮孢菌穗腐病抗性的遺傳改良，但基因組選擇預測準確性受多種因素影響，如數據模型、群體大小和標記密度等。利用不同的遺傳群體，對這些影響因素進行深入研究，有利于提高預測準確性，加快育種進程。本研究將利用由我國骨干玉米自交系DH4866×T877組配的重組自交系群體，通過3個環境的抗病性鑒定，分析數據模型、群體大小、標記密度、顯著位點和遺傳效應對基因組選擇預測準確性的影響，以期為玉米禾谷鐮孢菌穗腐病抗性的遺傳改良提供理論參考。

1 材料與方法

1.1 試驗材料與田間試驗

試驗材料為由DH4866×T877組配的重組自交系群體，包含204個家系［13］，其中DH4866是登海1號的母本，以7922×Ye478為基礎材料選育，T877是蘇玉30的父本，以美國雜交種78599×E28為基礎材料選育［14］。

重組自交系群體田間抗性鑒定于2019年在海南三亞（108°E，18°N）、江蘇南通（120°E，31°N）和河南新鄉（113°E，35°N）等3個環境進行。每個環境的田間試驗均采用隨機區組設計，重復2次，單行區，行長為3.0 m，行距為0.6 m，種植密度為 6.5萬株/hm2。

1.2 田間接種與表型鑒定

玉米吐絲10 d后，首先用錐子在第1個玉米果穗上中下部各制造1個傷口，扎破1～2粒玉米，不刺到穗軸，然后用連續注射器在每個傷口各注射200 μL禾谷鐮孢菌菌液（1×106個孢子/mL），噴水保濕［15］。待玉米成熟后，調查果穗的發病情況。

抗病性鑒定根據發病面積占果穗面積的比例進行分級，參考Reid等的方法分為1～7級：1級，沒有發病；2級，發病面積占果穗面積的1%～3%；3級，發病面積占果穗面積的4%～10%；4級，發病面積占果穗面積的11%～25%；5級，發病面積占果穗面積的26%～50%；6級，發病面積占果穗面積的51%～75%；7級，發病面積占果穗面積的76%～100%［16］。

1.3 基因型分析與QTL定位

利用Axiom Maize56K SNP Array分析重組自交系群體的基因型，獲得了9 780個高質量的單核苷酸多態性（SNP），將共分離的SNP標記視為1個bin，利用JoinMap 4.0軟件，將bin作為標記，利用Kosambi計算標記間的遺傳距離，構建的遺傳圖譜包含1 868個bin，遺傳圖譜總長3 081.84 cM，平均遺傳距離為1.65 cM［13］。

利用Windows QTL Cartographer 2.5軟件中的復合區間作圖法進行數量性狀基因座（QTL）分析，在三亞、南通、新鄉以及這3個環境的最佳線性無偏預測（BLUP）值中，共鑒定到11個控制玉米禾谷鐮孢菌穗腐病抗性的QTL［15］。

1.4 全基因組選擇分析

為研究不同因素對玉米禾谷鐮孢菌穗腐病抗性基因組選擇的影響，采用多種策略分析基因組選擇的預測準確性。

（1）為研究不同數據模型對預測準確性的影響，選擇rrBLUP、gBLUP、BayesA、BayesB和BayesC等5種數據模型進行基因組選擇。利用R語言中rrBLUP包構建rrBLUP模型［17］，GAPIT包構建gBLUP模型［18］，BGLR包構建BayesA、BayesB和BayesC模型［19］。

（2）為研究群體大小對預測準確性的影響，設置不同的群體大小作為訓練群體進行基因組選擇，選取群體中10%、20%、30%、40%、50%、60%、70%、80%、90%的材料作為訓練群體，其余的材料作為測試群體，重復100次。

（3）為研究標記密度對預測準確性的影響，設置不同的標記密度進行基因組選擇，標記密度設置為25、50、100、200、300、400、500、600、700、800、900、1 000、1 200、1 400、1 600、1 868（ALL）個標記，每個標記密度中的標記都是隨機選取，重復100次。

（4）為研究顯著標記對預測準確性的影響，將11個QTL作為固定效應加入數據模型。

（5）為研究遺傳效應對預測準確性的影響，將基因加加上位性效應加入數據模型。

采用5倍交叉驗證估計預測準確性，即群體中80%的材料作為訓練群體，其余20%的材料作為測試群體，重復100次。預測的準確性定義為預測值與真實值之間的皮爾遜相關系數［20］。

2 結果與分析

2.1 數據模型對預測準確性的影響

由表1可知，在同一環境中，5種數據模型對玉米禾谷鐮孢菌穗腐病抗性的預測準確性存在差異。利用3個環境的BLUP值作為表型，5種數據模型的預測準確性之間沒有顯著差異，在三亞和新鄉環境中，gBLUP的預測準確性最高，在南通試驗點，BayesA、BayesB和BayesC的預測準確性顯著優于rrBLUP和gBLUP。總體看來，在本研究中gBLUP的預測準確性最優。利用相同的數據模型，不同環境間的預測準確性存在明顯差異，利用BLUP值預測的準確性最高，而利用新鄉的表型數據，預測準確性最差，說明玉米禾谷鐮孢菌穗腐病抗性易受環境影響，通過多環境的抗病性鑒定，可以提高基因組選擇的預測準確性。因此，在后續分析中，利用gBLUP模型和群體的BLUP值作為表型進行基因組選擇。

2.2 群體大小對預測準確性的影響

由圖1可知，隨著訓練群體逐漸增大，基因組選擇預測準確性呈先上升后穩定的趨勢。當訓練群體由10%上升到60%時，預測的準確性呈快速升高的趨勢，由0.19上升到0.41，當訓練群體為80%時，預測準確性達到最大值0.45，到90%時，預測準確性略微下降，雖然差異不顯著，但標準差明顯增加，穩定性降低。

2.3 標記密度對預測準確性的影響

由圖2可知，隨著標記密度的增加，基因組選擇預測準確性呈先上升后穩定的趨勢。隨機選取的標記密度從25個增加到500個，預測的準確性快速提高，由0.26上升到0.42，之后隨著標記密度的增加，預測準確性有所提高，但差異不顯著。

2.4 顯著位點對預測準確性的影響

由圖3-A可知，將11個抗性QTL峰值的標記作為固定效應進行基因組選擇，相對于隨機效應，預測準確性有所提高，差異不顯著，但極顯著高于隨機選擇11個標記作為固定效應的預測準確性。

2.5 遺傳效應對預測準確性的影響

由圖3-B可知，與僅考慮加性效應的統計模型相比，當統計模型考慮加加上位性效應后，預測準確性略微下降，但差異不顯著，主要原因可能是在重組自交系群體中，玉米禾谷鐮孢菌穗腐病抗性的廣義遺傳率較高（69.84%）［15］，基因加性效應是表型變異的主要因素。

3 討論

數據模型是基因組選擇的核心，合適的數據模型將會顯著提高預測準確性。由于不同數據模型的先驗假設和對標記效應分布的假設不同，導致預測準確性不同。根據假設測驗不同，主要分為BLUP和Bayes［9，21-22］。BLUP類假定所有分子標記具有相同的遺傳方差，主要包括gBLUP和rrBLUP。gBLUP是利用分子標記信息構建基因組關系矩陣[WTHX]G，估算個體育種值，而rrBLUP是將標記效應作為隨機效應且服從正態分布，利用線性混合模型估算每個標記的效應值，然后將每個標記效應相加，估算個體育種值。實際上，全基因組中僅有少數分子標記有效應，大多數標記是無效應的，而Bayes法是將標記效應的方差假定為某種先驗分布，例如：BayesA假設每個分子標記都有效應且服從正態分布，遺傳方差服從尺度逆卡方分布；BayesB假設少數分子標記有效應，遺傳方差服從逆卡方分布；BayesC將BayesB中的參數π作為未知參數，假定其服從U（0，1）的均勻分布，并假設具有效應的分子標記，其遺傳差不同。與BLUP類模型相比，Bayes類模型具有更多的參數估計，計算量大，耗時長。本研究利用rrBLUP、gBLUP、BayesA、BayesB和BayesC進行玉米禾谷鐮孢菌穗腐病抗性基因組選擇，利用3個環境的BLUP值作為表型，5種數據模型中，gBLUP模型的預測準確性最高，但與其余4種模型之間沒有顯著差異。不同環境之間，利用相同的數據模型和分子標記，預測準確性之間存在顯著差異，說明玉米禾谷鐮孢菌穗腐病抗性易受環境影響。這與玉米擬輪枝鐮孢菌穗腐病抗性基因組選擇的結果［23］類似。

在研究群體大小對預測準確性影響時，通常會考慮訓練群體與測試群體規模的比例。本研究發現當訓練群體的個體數量是測試群體的4倍時，預測的準確性達到最大值。該結果與前人的研究結果有所不同，Cao等對玉米復合焦油斑病抗性研究時，當訓練群體個體數量與測試群體一樣時，預測準確性達到最大值［24］，而Liu等對玉米株型、產量等相關性狀進行基因組選擇時，當訓練群體大小是測試群體3倍時，實現最高水平的預測。這種情況可能是使用群體和目標性狀不同導致的［25］。

標記密度是影響預測準確性的另一個重要因素。利用不同的群體，當預測準確性達到最高時，所對應的標記密度各不相同，可能由不同的群體遺傳多樣性造成的。一般情況下，自然群體遺傳結構復雜，標記間連鎖不平衡程度較高，因此需要大量的分子標記才能保證至少有1個標記與性狀相關位點處于連鎖不平衡狀態，以便實現高水平的預測準確性［7］。然而對于雙親群體，由于群體結構清晰，以及在群體構建過程中只產生了有限的重組，大量親本染色體片段被傳遞給子代，因此中等密度的分子標記就可以保證至少有1個標記與性狀相關位點處于連鎖不平衡狀態，并且極有可能獲得較高水平的預測［26］。在玉米擬輪枝鐮孢菌穗腐病抗性基因組選擇分析中，Guo等以包含509份玉米自交系組成的自然群體為材料，發現需要4 000個標記，可以獲得一個較高水平的預測（0.36）。本研究利用的重組自交系群體，利用500個標記，即可獲得較好的預測（0.42），之后通過增加標記數量對預測準確性的提高并沒有明顯的幫助［23］。

在基因組選擇隨機模型中，假設所有標記效應的分布具有相同的方差，這樣會導致在估計親緣關系矩陣時，與性狀顯著關聯標記的作用被稀釋，然而將這些與性狀顯著關聯的標記作為固定效應加入模型中，其效應分布的方差與作為隨機效應的標記不同，可以解釋部分遺傳方差，進而提高預測的準確性［27］。利用全基因組關聯分析檢測與玉米禾谷鐮孢菌穗腐病顯著關聯的抗性位點，將效應值較高的位點（表型變異貢獻率>5%）作為固定效應，可以顯著提高預測準確性［11-12］。前期利用連鎖分析鑒定到的11個QTL［15］，本研究將這11個QTL的峰值標記作為固定效應，與隨機效應相比，預測準確性盡管有所提高，但差異不顯著，可能是由于QTL區間較大，峰值的標記并不能代表這個QTL的功能位點，也可能由于標記效應較小，不能反映出足夠多的遺傳方差［27-28］。

參考文獻：

［1］Gaikpa D S，Miedaner T. Genomics-assisted breeding for ear rot resistances and reduced mycotoxin contamination in maize：methods，advances and prospects［J］. Theoretical and Applied Genetics，2019，132（10）：2721-2739.

［2］段燦星，王曉鳴，宋鳳景，等. 玉米抗穗腐病研究進展［J］. 中國農業科學，2015，48（11）：2152-2164.

［3］Zhou M，Yang L J，Shao M H，et al. Effects of zearalenone exposure on the TGF-β1/Smad3 signaling pathway and the expression of proliferation or apoptosis related genes of post-weaning gilts［J］. Toxins，2018，10（2）：49.

［4］Pinton P，Oswald I P. Effect of deoxynivalenol and other type B trichothecenes on the intestine：a review［J］. Toxins，2014，6（5）：1615-1643.

［5］Talas F，Mcdonald B A. Significant variation in sensitivity to a DMI fungicide in field populations of Fusarium graminearum［J］. Plant Pathology，2015，64（3）：664-670.

［6］Munkvold G P. Cultural and genetic approaches to managing mycotoxins in maize［J］. Annual Review of Phytopathology，2003，41（1）：99-116.

［7］Meuwissen T H E，Hayes B J，Goddard M E. Prediction of total genetic value using genome-wide dense marker maps［J］. Genetics，2001，157（4）：1819-1829.

［8］Bernardo R，Yu J M. Prospects for genomewide selection for quantitative traits in maize［J］. Crop Science，2007，47（3）：1082-1090.

［9］Voss-Fels K P，Cooper M，Hayes B J. Accelerating crop genetic gains with genomic selection［J］. Theoretical and Applied Genetics，2019，132（3）：669-686.

［10］Han S，Miedaner T，Utz H F，et al. Genomic prediction and GWAS of Gibberella ear rot resistance traits in dent and flint lines of a public maize breeding program［J］. Euphytica，2018，214（1）：6.

［11］Galiano-Carneiro A L，Kessel B，Presterl T，et al. Multi-parent QTL mapping reveals stable QTL conferring resistance to Gibberella ear rot in maize［J］. Euphytica，2020，217（1）：1-13.

［12］Gaikpa D S，Kessel B，Presterl T，et al. Exploiting genetic diversity in two European maize landraces for improving Gibberella ear rot resistance using genomic tools［J］. Theoretical and Applied Genetics，2021，134（3）：793-805.[HJ1.9mm]

［13］Li P C，Zhang Y Y，Yin S Y，et al. QTL-by-environment interaction in the response of maize root and shoot traits to different water regimes［J］. Frontiers in Plant Science，2018，9：229.

［14］Zhou G F，Hao D R，Xue L，et al. Genome-wide association study of kernel moisture content at harvest stage in maize［J］. Breeding Science，2018，68（5）：622-628.

［15］Zhou G F，Li S F，Ma L，et al. Mapping and validation of a stable quantitative trait locus conferring maize resistance to Gibberella ear rot［J］. Plant Disease，2021，105（7）：1984-1991.

［16］Reid L M，Mather D E，Bolton A T，et al. Evidence for a gene for silk resistance to Fusarium graminearum Schw. ear rot of maize［J］. Journal of Heredity，1994，85（2）：118-121.

［17］Endelman J B. Ridge regression and other kernels for genomic selection with R package rrBLUP［J］. The Plant Genome，2011，4（3）：250-255.

［18］Lipka A E，Tian F，Wang Q S，et al. GAPIT：genome association and prediction integrated tool［J］. Bioinformatics，2012，28（18）：2397-2399.

［19］Pérez P，de los Campos G. Genome-wide regression and prediction with the BGLR statistical package［J］. Genetics，2014，198（2）：483-495.

［20］Crossa J，Pérez P，Hickey J，et al. Genomic prediction in CIMMYT maize and wheat breeding programs［J］. Heredity，2014，112（1）：48-60.

［21］Wang X，Xu Y，Hu Z L，et al. Genomic selection methods for crop improvement：current status and prospects［J］. The Crop Journal，2018，6（4）：330-340.

［22］Heslot N，Yang H P，Sorrells M E，et al. Genomic selection in plant breeding：a comparison of models［J］. Crop Science，2012，52（1）：146-160.

［23］Guo Z F，Zou C，Liu X G，et al. Complex genetic system involved in Fusarium ear rot resistance in maize as revealed by GWAS，bulked sample analysis，and genomic prediction［J］. Plant Disease，2020，104（6）：1725-1735.

［24］Cao S L，Loladze A，Yuan Y B，et al. Genome-wide analysis of tar spot complex resistance in maize using genotyping-by-sequencing SNPs and whole-genome prediction［J］. The Plant Genome，2017，10（2）：plantgenome2016.10.0099.

［25］Liu X G，Wang H W，Wang H，et al. Factors affecting genomic selection revealed by empirical evidence in maize［J］. The Crop Journal，2018，6（4）：341-352.

［26］Lorenzana R E，Bernardo R. Accuracy of genotypic value predictions for marker-based selection in biparental plant populations［J］. Theoretical and Applied Genetics，2009，120（1）：151-161.

［27］Moore J K，Manmathan H K，Anderson V A，et al. Improving genomic prediction for pre-harvest sprouting tolerance in wheat by weighting large-effect quantitative trait loci［J］. Crop Science，2017，57（3）：1315-1324.

［28］Spindel J E，Begum H，Akdemir D，et al. Genome-wide prediction models that incorporate de novo GWAS are a powerful new tool for tropical rice improvement［J］. Heredity，2016，116（4）：395-408.

收稿日期：2022-10-12

基金項目：江蘇省種業振興揭榜掛帥項目（編號：JBGS［2021］054、JBGS［2021］009）；江蘇省南通市科技項目（編號：JC2021153、MS22021039）；江蘇沿江地區農業科學研究所學科建設專項基金（編號：YJXK［2021］201）。

作者簡介：周廣飛（1988—），男，山東濟寧人，博士，助理研究員，從事玉米遺傳育種研究。E-mail：gfzhou88@jaas.ac.cn。