新疆冬小麥品種資源主要產(chǎn)量性狀全基因組關聯(lián)分析

馬艷明，婁鴻耀，張勝軍，王威，郭營，倪中福，劉杰

新疆冬小麥品種資源主要產(chǎn)量性狀全基因組關聯(lián)分析

馬艷明，婁鴻耀3，張勝軍4，王威1，郭營5，倪中福2，劉杰

1新疆農業(yè)科學院農作物品種資源研究所，烏魯木齊 830091；2中國農業(yè)大學農學院，北京 100193；3北京市農林科學院雜交小麥研究所，北京 100097；4新疆伊犁哈薩克自治州農業(yè)科學研究所，新疆伊寧 835011；5山東農業(yè)大學農學院，山東泰安 271018

【目的】高產(chǎn)是小麥育種的永恒主題，利用全基因組關聯(lián)分析發(fā)掘控制小麥產(chǎn)量性狀的QTL區(qū)段及優(yōu)異基因，為小麥分子標記輔助選擇育種提供理論依據(jù)和標記信息。【方法】以新疆本地188個冬小麥品種資源為材料，利用小麥55K SNP芯片進行全基因組掃描，通過對6個不同環(huán)境下的株高、穗長、小穗數(shù)、可育小穗數(shù)、穗粒數(shù)、千粒重、粒長、粒寬、籽粒長/寬比9個產(chǎn)量相關性狀進行表型鑒定，利用6個環(huán)境下各性狀數(shù)據(jù)及最佳線性無偏預測（BLUP）數(shù)據(jù)，基于混合線性模型（MLM）對表型和基因型進行全基因組關聯(lián)分析。【結果】經(jīng)主成分分析，將188個材料分為地方品種和育成品種2個亞群；利用6個環(huán)境下各性狀數(shù)據(jù)，9個性狀共檢測到1 309個顯著性SNP標記，其中，每個顯著性SNP位點可解釋7.259%—70.792%的表型變異。利用BLUP數(shù)據(jù)，9個性狀共檢測到66個顯著性位點，同時與2個性狀關聯(lián)的共有SNP位點有5個，貢獻率波動范圍為8.498%—21.877%。將同時與2個性狀或2個以上環(huán)境關聯(lián)到的重復位點作為穩(wěn)定的顯著性關聯(lián)位點，9個性狀共檢測到38個穩(wěn)定關聯(lián)位點，包括株高重復位點5個，穗長重復位點10個，小穗數(shù)重復位點10個，結實小穗數(shù)重復位點6個，穗粒數(shù)重復位點6個，千粒重重復位點1個，可解釋9.10%—23.81%的表型變異。將這38個位點與已發(fā)布小麥基因組位點比對，僅找到3個與本研究關聯(lián)重復位點位置相近、且有注釋基因功能的基因，分別是：2A染色體上與株高關聯(lián)位點AX-108794050距離相近的，與轉錄因子bHLH71的代謝合成有關；1A染色體上與穗長關聯(lián)位點AX-110689765距離相近的，與蛋白質編碼有關；4B染色體上與千粒重關聯(lián)位點AX-110399975距離相近的，與編碼絲氨酸/蘇氨酸蛋白激酶SD1-8有關，參與對細胞增殖與分化的調控。【結論】檢測到38個與小麥產(chǎn)量性狀關聯(lián)的QTL位點，關聯(lián)的優(yōu)良等位基因具有降低株高、增加穗長、小穗數(shù)、可育小穗數(shù)、穗粒數(shù)和千粒重的作用。

小麥；產(chǎn)量性狀；SNP標記；關聯(lián)分析；候選基因

0 引言

【研究意義】普通小麥（L.）是典型的異源多倍體口糧作物。中國是全球最大的小麥生產(chǎn)國和消費國，其產(chǎn)量常年占全球總產(chǎn)量的17%。因此，我國小麥產(chǎn)量的持續(xù)提升對保障國家糧食安全具有非常重要的意義，同時也在一定程度上影響國際糧價的穩(wěn)定[1]。隨著耕地面積的不斷減少和全球總人口數(shù)量的不斷增加，高產(chǎn)育種一直是小麥育種工作最為重要的內容之一。而株高、穗長、小穗數(shù)、可育小穗數(shù)、穗粒數(shù)、千粒重以及粒長、粒寬、籽粒長寬比等表現(xiàn)都與小麥的產(chǎn)量存在緊密的聯(lián)系。在傳統(tǒng)育種中，育種家主要依靠經(jīng)驗對上述產(chǎn)量相關性狀進行表型選擇，其選擇效率往往較低，且容易受到環(huán)境因素的影響，造成選擇的誤差。利用分子手段，鑒定與產(chǎn)量性狀相關聯(lián)的重要遺傳位點，并根據(jù)這些位點開發(fā)出育種可用的分子標記，可顯著提升對小麥產(chǎn)量相關性狀選擇的效率和準確性，大幅縮短新品種選育的周期[2]。【前人研究進展】近年來，應用關聯(lián)分析發(fā)掘糧食作物產(chǎn)量相關QTL（quantitative trait loci）已成為作物基因組學研究的熱點之一。隨著測序技術的迅猛發(fā)展和統(tǒng)計算法的革新，全基因組關聯(lián)分析（genome-wide association study，GWAS）已經(jīng)成為鑒定作物產(chǎn)量相關QTL的重要方法。該方法不僅能夠提高雙親分離群體作圖的分辨率，同時還能對多個農藝性狀同時進行關聯(lián)作圖，提高了QTL鑒定的效率[3]。作為異源多倍體作物，普通小麥基因組復雜度高，給GWAS工作帶來一定困難。盡管如此，在過去的研究中，國內外學者已經(jīng)利用GWAS鑒定出一些與小麥產(chǎn)量性狀相關的多態(tài)性位點，但在不同的實驗條件下，其關聯(lián)分析的結果還存在不一致的現(xiàn)象[4]。Qaseem等[5]對12種與產(chǎn)量相關的農藝性狀進行GWAS分析，共獲得114個與性狀關聯(lián)的單核苷酸多態(tài)性位點（single nucleotide polymorphism，SNP），其中21個位點與單株穗數(shù)相關聯(lián)，4個位點與單穗粒數(shù)相關聯(lián)，7個位點與千粒重相關聯(lián)；SUKUMARAN等[6]利用90K SNP芯片對287個小麥材料進行全基因組掃描，檢測到與粒重、畝穗數(shù)、成熟期關聯(lián)的位點；Chen等[7]利用SNP標記對205份小麥品種進行全基因組關聯(lián)分析，得到271個與千粒重等特征相關聯(lián)的標記。Sun等[8]利用20 689個高質量小麥90K SNP標記，針對163個小麥品種在3個地點14個環(huán)境中的13個產(chǎn)量相關性狀進行分析，關聯(lián)得到1 769個重要位點，其中有41個SNP位點可能對產(chǎn)量相關性狀的形成有重要貢獻。Wang等[9]對105個小麥品種進行產(chǎn)量相關性狀的GWAS分析，共找到24個與9種產(chǎn)量相關性狀連鎖的標記，其中，與千粒重、籽粒形態(tài)和植株高度相關的4個位點在不同環(huán)境中均被檢測到，認為這些位點受環(huán)境影響較小，具有重要的育種利用價值；而有效穗數(shù)、籽粒總產(chǎn)量、葉面積等性狀受環(huán)境影響較大；染色體上的同一區(qū)域或鄰近區(qū)域可能與多個產(chǎn)量相關性狀關聯(lián)，表明一因多效性。Ye等[10]利用55K SNP芯片對244個四川小麥品種（包括79個地方品種和165個審定品種）的產(chǎn)量性狀進行分析，關聯(lián)得到6個穗長相關QTL和3個千粒重相關QTL，通過與已知QTL的物理位置進行比較，鑒定出21個與小麥生長代謝相關的候選基因。翟俊鵬等[11]利用小麥35K SNP芯片對150份小麥品種在4個環(huán)境條件下的9個主要農藝性狀進行全基因組關聯(lián)分析，檢測得到652個關聯(lián)位點，其中21個位點在2個以上（包括2個）的環(huán)境中被重復檢測到。趙丹陽等[12]結合SSR與SNP標記對52個黃淮麥區(qū)品種（系）材料的株高、穗長、單株穗數(shù)、可育小穗數(shù)、穗粒數(shù)、千粒重等6個產(chǎn)量性狀進行標記分析，獲得6個與產(chǎn)量性狀顯著關聯(lián)的SSR標記和7個與產(chǎn)量性狀相關的SNP位點。顧晶晶等[13]以660K SNP芯片對198份河南小麥品種在4個環(huán)境下的穗粒數(shù)、穗長、總小穗數(shù)、可育小穗數(shù)和不育小穗數(shù)進行全基因組關聯(lián)分析，得到41個顯著關聯(lián)位點，并對關聯(lián)位點進一步分析發(fā)掘出多個與穗粒數(shù)性狀相關的優(yōu)異等位變異，其單個關聯(lián)位點的表型變異貢獻率范圍為6.19%—20.83%。【本研究切入點】小麥產(chǎn)量性狀是復雜的多基因控制的數(shù)量性狀，目前，已知基因標記資源有限，急需挖掘更多與產(chǎn)量性狀相關的優(yōu)異基因。前期利用小麥55K SNP芯片對新疆本地收集的134份冬小麥地方品種和54份育成品種進行了基因型分析，獲得了豐富的SNP信息[14]。【擬解決的關鍵問題】本研究進一步對這些小麥材料在2年3點共計6個環(huán)境條件下的株高、穗長、小穗數(shù)、可育小穗數(shù)、穗粒數(shù)、千粒重、粒長、粒寬、籽粒長/寬等9個產(chǎn)量相關性狀進行系統(tǒng)表型分析，并結合芯片數(shù)據(jù)開展全基因組關聯(lián)分析，旨在發(fā)掘與小麥產(chǎn)量相關性狀密切相關的QTL位點和基因組區(qū)段，為小麥分子標記輔助選擇育種提供理論依據(jù)和標記信息。

1 材料與方法

1.1 試驗材料及表型鑒定

供試材料為188份新疆冬小麥品種資源，包括地方品種134個，育成品種54個[14]，均為國家作物種質資源庫（新疆分庫）收集保存。

供試材料分別于2017年、2018年2個小麥生育期種植于3個試驗點，分別是新疆農業(yè)科學院安寧渠綜合試驗場（新疆烏魯木齊市，UR；44.31°N，86.22°E）、新疆伊犁哈薩克自治州農業(yè)科學研究所（新疆伊寧市，YN；43.92°N，81.32°E）、山東農業(yè)大學農學實驗站（山東泰安市，TA；36.17°N，117.17°E），共計6個環(huán)境，分別標記為UR2017、UR2018、YN2017、YN2018、TA2017、TA2018。試驗采取完全隨機區(qū)組設計，每小區(qū)種植50個材料，每材料2行，行長1.5 m，每行點播30粒，3次重復，參照《小麥種質資源描述規(guī)范和數(shù)據(jù)標準》[15]規(guī)定的方法調查株高、穗長、小穗數(shù)、結實小穗數(shù)、穗粒數(shù)等性狀，利用萬深SC-G型自動種子考種分析儀測定千粒重、粒長、粒寬和籽粒長/寬，每材料重復測定2次。所有性狀均取平均值作為最終測量值。

1.2 基因組DNA提取與SNP標記分析

全部試驗材料采用2015年10月種植、2016年7月收獲的種子。于2016年10月在中國農業(yè)大學小麥遺傳育種溫室種植，植株長至二葉一心時，取小麥葉片，按Saghai-Maroof等[16]的CTAB法提取基因組DNA。DNA提取后質控其純度和濃度，并將其稀釋至50 ng·μL-1備用。將制備好的188份新疆冬小麥品種基因組DNA送至博奧晶典公司進行55K SNP全基因芯片掃描，獲得原始芯片測序數(shù)據(jù)，質控后獲得50 743個SNP多態(tài)性位點。

1.3 數(shù)據(jù)分析

群體結構通過STRUCTURE 2.3.4軟件[17]的MCMC模型（the Bayesian Markov Chain Monte Carlo model）估算，設定群體數(shù)量為1—10，設置burn-in步長為10 000，MCMC迭代次數(shù)為100 000，對于每一個K值，分別進行5次獨立的重復，根據(jù)數(shù)據(jù)對數(shù)概率（LnP(D)）隨連續(xù)K值的變化率計算Δ，研究材料的類群個數(shù)通過Δ確定[18]，多次運行結果用CLUMPP軟件[19]整合。在群體結構、親緣關系和連鎖不平衡（linkage disequilibrium，）分析基礎上，以群體結構作為固定效應，個體親緣關系作為隨機效應，校正群體結構和個體間親緣關系的影響，采用Tassel 5.0（http://www.maizegenetics. net/）軟件中的混合線性模型（mixed linear model，MLM）進行性狀與標記間的關聯(lián)分析，MLM模型同時把親緣關系與群體結構作為協(xié)變量，具有更高的統(tǒng)計效率且降低假陽性發(fā)生率[20]，獲得可靠的與目標性狀顯著關聯(lián)的SNP位點，同時，利用多環(huán)境下各性狀數(shù)據(jù)及最佳線性無偏預測（best linear unbiased prediction，BLUP）數(shù)據(jù)進行關聯(lián)分析，并對關聯(lián)結果進行比較。BLUP對多環(huán)境數(shù)據(jù)進行整合，去除環(huán)境效應，可以得到個體穩(wěn)定遺傳的表型。為盡可能消除關聯(lián)分析中帶來的假陽性結果，采用Bonferroni法[21]對值進行校正。計算公式如下：

= α/N

其中，α=1，N為所用SNP標記數(shù)目[22]。50 743個SNP標記的值為1/50743，相當于閾值-log10()≈5。當SNP位點的＜0.00001時，視該SNP位點與性狀顯著關聯(lián)。把與性狀顯著關聯(lián)的SNP標記定位到小麥的基因組上，確定相對應的置信區(qū)域，在關聯(lián)SNP標記連鎖不平衡衰減距離的區(qū)域范圍內，搜尋與性狀相關的候選基因。用Structure 2.3.4軟件計算Q值，用SPAGedi軟件[23]計算品種間親緣關系的Kinship (K)值，基于公式=α+Qβ+Kμ+e（為基因型，為表型），計算最終每個SNP位點所對應的關聯(lián)值，運用R3.4.2繪制manhattan圖和quantile-quantile圖，使顯著性位點可視化。用2值來鑒定兩位點間的連鎖不平衡程度。當2對應＜0.01時，認為兩位點處于連鎖不平衡狀態(tài)[24]。

2 結果

2.1 群體結構分析

為了準確估計本研究所用自然群體的群體結構，采用K值分析法和主成分分析法進行群體結構分析，以確定最合適的分群數(shù)量。利用Structure2.3.4軟件對188個小麥品種的群體結構進行系統(tǒng)解析。設定類群數(shù)（K值）為1—10，對于每個指定的K值，LnP(D)值隨著K值的增加持續(xù)上升，在K=2時出現(xiàn)明顯拐點，此時值達到最大值（圖1-a和圖1-c），表明188個小麥品種可以劃分為2個亞群，一個是地方品種群，另一個是育成品種群。基于SNP，利用Tassel 5.0軟件進行主成分分析（principal components analysis，PCA），前2個主成分PC1（25.34%）、PC2（9.22%）可解釋34.56%的群體信息，同樣證明全部材料可以分為地方品種和育成品種2個亞群（圖1-b），與所選材料一致。

a：K值對應的ΔK值；b：主成分分析；c：基于模型的群體結構分析 a: The ΔK statistic for each given K; b: PCA; c: Model-based ancestries

2.2 品種間的親緣關系及LD分析

利用SPAGeDi評估品種之間的相對親緣關系。親緣關系系數(shù)等于0的占54.4%，小于0.1的占31.0%（圖2-a），表明群體中大多數(shù)種質與其他種質的親緣關系較弱，群體材料適宜進行關聯(lián)分析。將過濾后的SNP標記數(shù)據(jù)用于計算連鎖不平衡（LD）。A、B和D亞基因組以及整個基因組的平均2值隨著成對標記距離的增加而逐漸降低。當2的臨界閾值定義為0.25時，相比之下，A基因組的LD衰減距離最小（約5 Mb），B基因組和D基因組LD衰減距離較大（>15 Mb），整個基因組LD衰減距離約為15 Mb（圖2）。

a：品種間相對親緣關系；b：A、B、D基因組LD衰減圖

2.3 全基因組關聯(lián)分析

為了獲得可靠的與目標性狀顯著關聯(lián)的SNP位點，同時，利用6個環(huán)境下各性狀數(shù)據(jù)及BLUP數(shù)據(jù)進行關聯(lián)分析。利用6個環(huán)境下各性狀數(shù)據(jù)，9個性狀共檢測到1 309個顯著性SNP標記，其中，每個顯著性SNP位點解釋的表型變異（phenotypic variation explained，）波動范圍為7.259%—70.792%。利用BLUP數(shù)據(jù)，9個性狀共檢測到66個顯著性位點，同時與2個性狀關聯(lián)的共有SNP有5個，貢獻率波動范圍為8.498%—21.877%（表1和圖3）。

株高（plant height，PH）：6個環(huán)境下共檢測到76個與株高顯著關聯(lián)的SNP位點，分布于除4D以外的其他20條染色體上，單個位點可解釋8.191%—29.767%的株高表型變異。上述顯著性關聯(lián)位點中有3個位點同時在2個環(huán)境及BLUP值關聯(lián)結果中被檢測到，分別是2A上的AX-108794050（為10.369%，影響效應未知）、2A上的AX-109857508（為11.109%，正效應）、7B上的AX-110969164（為12.632%，正效應）；另有2個單一環(huán)境位點是與BLUP值關聯(lián)結果共有的位點，分別是4B上的AX-108838330（為11.109%，影響效應未知）和6A上的AX-109467555（為11.109%，正效應）。利用BLUP值關聯(lián)分析得到的與株高顯著關聯(lián)的SNP位點有12個，分布在2A、3A、5A、6A、1B、3B、4B、5B和7B上，可解釋1.029%—10.143%的株高表型變異，其中2A、6A和5B上各分布了2個；12個顯著關聯(lián)SNP位點中有5個已知正效應的關聯(lián)SNP位點，效應值為5.771—8.701，其中位于5A的AX-110101561（為10.774%，影響效應未知）的加性效應值最大，為8.701。

穗長（spike length，SL）：6個環(huán)境下共檢測到74個與穗長顯著關聯(lián)的SNP位點，分布于小麥21條染色體上，單個位點可解釋8.709%—70.792%的穗長表型變異。上述顯著性關聯(lián)位點均僅在單一環(huán)境或數(shù)據(jù)集中被檢測到。其中有10個單一環(huán)境位點是與BLUP值關聯(lián)結果共有的關聯(lián)位點，分布在1A、2A、5A、6A、3B、7B和2D上，位于1A的AX-111524633解釋的表型變異率最大，為36.908%，且為負效應。BLUP值與穗長顯著關聯(lián)的SNP位點有22個，分布在1A、2A、3A、5A、6A、3B、5B、7B、2D、4D、5D和7D上，可解釋9.142%—21.877%的穗長表型變異；其中1A、5A、6A和4D上各有3個關聯(lián)SNP位點，2A、6A和5B上各有2個關聯(lián)SNP位點；有7個關聯(lián)位點在6個環(huán)境下均未被檢測到，已知具有正效應的7個SNP位點的效應值為0.043—0.207。

小穗數(shù)（spikelet number，SN）：6個環(huán)境下共檢測到157個與小穗數(shù)顯著關聯(lián)的SNP位點，分布于小麥21條染色體上，單個位點可解釋8.745%—31.295%的小穗數(shù)表型變異，平均為14.528%。157個顯著性關聯(lián)位點中有10個關聯(lián)位點是與BLUP值關聯(lián)結果共有的位點，其中9個是單一環(huán)境位點，位于3A的AX-108977066（為13.313，負效應）是在3個環(huán)境下檢測到的重復位點，而位于4D的AX-110123746的正效應值最大，為3.110。BLUP值與小穗數(shù)顯著關聯(lián)的SNP位點有12個，分布在1A、3A、4A、5A、7A、6B、7B和4D上，解釋9.220%—16.138%的小穗數(shù)表型變異，其中3A上有3個，4A和7A上各有2個，其余染色體都僅有1個；有6個已知具有正效應，效應值為0.793—3.110，位于4D上的AX-110123746（為11.129）的正效應值最大，為1.609，位于7A的AX-110515818（為10.816，正效應）在6個環(huán)境下均未檢測到。

可育小穗數(shù)（fertile spikelet number per spike，F(xiàn)SN）：6個環(huán)境下共檢測到209個與可育小穗數(shù)顯著關聯(lián)的SNP位點，分布于小麥21條染色體，單個位點可解釋8.971%—31.127%的可育小穗數(shù)表型變異。其中，有3個關聯(lián)位點同時在2個環(huán)境下及BLUP值關聯(lián)結果中被檢測到，分別是位于1A的AX-111523929（為22.522，影響效應未知）、4D的AX-110123746（為17.663，正效應）及7A的AX-111073226（為12.027，正效應），另有3個單一環(huán)境位點在BLUP值關聯(lián)結果中也被檢測到，分別是位于2A的AX-109545508（為16.738，影響效應未知）、6B的AX-111074553（為16.594，影響效應未知）、7B的AX-111700650（為15.936，影響效應未知）。BLUP值與可育小穗數(shù)顯著關聯(lián)的SNP位點有7個，分布在1A、2A、7A、4B、6B、7B和4D上，解釋11.009%—16.598%的可育小穗數(shù)表型變異，其中有3個已知影響效應的位點，位于4D的AX-110123746（為13.514，影響效應未知）的正效應值最大，為1.297；位于4B的AX-111180671（為11.009，正效應）在6個環(huán)境下均未檢測到。

穗粒數(shù)（grain number per spike，GNPS）：6個環(huán)境下共檢測到264個與穗粒數(shù)顯著性關聯(lián)的SNP位點，分布于小麥21條染色體，單個位點可解釋8.972%—55.210%的穗粒數(shù)表型變異，有2個單一環(huán)境位點和2個多環(huán)境位點同時在BLUP值關聯(lián)結果中被檢測到。2個單一環(huán)境位點分別是位于4B的AX-112290916（為16.722，負效應），位于4D的AX-110270363（為21.613，影響效應未知）。2個多環(huán)境重復位點分別是位于1A的AX- 108745367（為25.771，影響效應未知），位于6A的AX-110509054（為22.688，負效應）。BLUP值與穗粒數(shù)顯著關聯(lián)的SNP位點有8個，可解釋8.972%—12.915%的穗粒數(shù)表型變異，其中1個位點的染色體位置未知，另7個分別是位于1A的AX-108745367、5A的AX-109470031、6A的AX- 110509054、1B的AX-108786643、4B的AX-112290916、4D的AX-110270363和6D的AX-110509054； 8個位點中已知影響效應的僅有3個，且均為負效應。

千粒重（thousand kernel weight，TKW）：6個環(huán)境下顯著關聯(lián)到27個千粒重SNP位點，分布在小麥的4A、1B、3B、5B、6B、7B、1D和4D染色體，可解釋7.259%—13.687%千粒重表型變異；27個位點均僅在單一環(huán)境中被檢測到，僅位于3B的AX-110399975（為11.608，負效應）與BLUP值關聯(lián)位點重復。BLUP值與千粒重顯著關聯(lián)的SNP位點有9個，分布在4A、1B、3B、6B、1D和6D上，解釋8.498%—13.687%的千粒重表型變異；其中有6個已知影響效應的位點，位于4A的AX-110401690（為11.570）、6B的AX-109825047（為11.479）和1D的AX-108818349（為12.598）為正效應，位于6B的AX-109825047的效應值最大，為1.299。

粒長（grain length，GL）：6個環(huán)境下顯著關聯(lián)到438個粒長SNP位點，在小麥21條染色體上均有分布，可解釋9.736%—17.537%的粒長表型變異，均為單一環(huán)境下檢測到的關聯(lián)位點，其中427個SNP位點是在YN2017這個環(huán)境檢測到的，占關聯(lián)位點總數(shù)的97.488%；已知位于7B的AX-109477546的正效應值最大，為1.175。

粒寬（grain width，GW）：6個環(huán)境下顯著關聯(lián)到32個粒寬SNP位點，均為單一環(huán)境的獨立位點，解釋8.690%—15.910%的粒寬表型變異，分布在小麥除1A、1D、3D、4D之外的其他17條染色體上，已知位于6D的AX-110382864正效應值最大，僅為0.145。

籽粒長/寬（grain length/width ratio，GL/GW）：6個環(huán)境下顯著關聯(lián)到32個籽粒長/寬SNP位點，解釋9.232%—49.896%的籽粒長/寬表型變異，均為單一環(huán)境下的獨立位點，其中28個SNP位點是在YN2017環(huán)境下檢測到的，占關聯(lián)位點總數(shù)的87.500%。利用BLUP值未檢測到與粒長、粒寬、籽粒長/寬顯著關聯(lián)的SNP位點，說明在6個環(huán)境下籽粒性狀的關聯(lián)位點具有假陽性。

a：株高；b：穗長；c：小穗數(shù)；d：可育小穗數(shù)；e：穗粒數(shù)；f：千粒重 a: Plant height; b: Spike length; c: Spikelet number; d: Grain number per spike; e: Fertile spikelet number per spike; f: Thousand kernel weight

2.4 多性狀重復關聯(lián)位點

在6個環(huán)境下檢測到的所有顯著性關聯(lián)位點中，僅有2個SNP位點是2個以上性狀共有的重復位點，這2個SNP位點利用BLUP值也同樣被檢測到。一個是位于1A的AX-111523929，分別解釋小穗數(shù)、可育小穗數(shù)、穗粒數(shù)的為13.458%、16.598%和23.810%，另一個是位于4D的AX-110123746，分別解釋小穗數(shù)、可育小穗數(shù)、穗粒數(shù)的為11.129%、13.514%和22.730%。利用BLUP值檢測到的同時與2個以上性狀顯著關聯(lián)的SNP重復位點有5個，可解釋10.817%—16.598%的表型變異，其中2個SNP位點是小穗數(shù)、可育小穗數(shù)、穗粒數(shù)3個性狀的共有位點，即1A的AX-111523929和4D的AX-110123746，另3個SNP位點為小穗數(shù)和可育小穗數(shù)的共有位點，分別是位于6B的AX-111074553、7A的AX-111073226和7B的AX-111700650；5個位點中位于7A的AX-111073226對小穗數(shù)和可育小穗數(shù)的正效應值分別為0.794和0.614，位于4D的AX-110123746對小穗數(shù)、可育小穗數(shù)和穗粒數(shù)的正效應值分別為1.609、1.297和18.948，另3個重復位點的影響效應未知。

將同時與2個性狀或2個以上環(huán)境（BLUP值作為1個環(huán)境）相關聯(lián)的重復SNP位點作為穩(wěn)定的顯著性關聯(lián)位點，9個性狀共計有38個穩(wěn)定關聯(lián)SNP位點，包括株高重復位點5個，穗長重復位點10個，小穗數(shù)重復位點10個，可育小穗數(shù)重復位點6個，穗粒數(shù)重復位點6個，千粒重重復位點1個，此38個BLUP值穩(wěn)定關聯(lián)SNP位點可以解釋9.10%—23.81%的表型變異（表1）。

2.5 關聯(lián)位點的驗證

對群體中的候選重復SNP位點進行多態(tài)性驗證，不同環(huán)境下各性狀根據(jù)多態(tài)性分組的表型值差異均達到極顯著水平（＜0.01）。基于候選重復SNP位點的成對性狀，進行了品種數(shù)量匯總和平均值計算（表3）。可以看出，2組成對性狀的品種數(shù)分別為1—61和116—179，這與6個環(huán)境下新疆冬小麥地方品種和育成品種的性狀表現(xiàn)基本一致，即134個地方品種的株高、穗長、小穗數(shù)、結實小穗數(shù)、籽粒長寬比均大于54個育成品種，而穗粒數(shù)、千粒重、粒長、粒寬均小于育成品種，育成品種9個農藝產(chǎn)量性狀的變異系數(shù)均高于地方品種[24]。對單個性狀相關的重復SNP進行驗證，發(fā)現(xiàn)關聯(lián)到的優(yōu)良等位基因具有降低株高，增加穗長、小穗數(shù)、可育小穗數(shù)、穗粒數(shù)和千粒重的作用，如AX-108838330中含有等位基因GG的品種有降低株高的作用，AX-110956005中含有等位基因TT的品種有增加穗長的作用，AX-110270363中含有等位基因GG的品種有增加穗粒數(shù)的作用（平均為51.39粒），AX-110399975中含有等位基因GG的品種有增加千粒重的作用（平均為35.5 g）。基于與2個以上性狀相關的多效性SNP進行驗證，如AX-111073226中含有等位基因TT的品種、AX-111523929中含有等位基因AA的品種、AX-111074553中含有等位基因GG的品種、AX-110123746中含有等位基因CC的品種、AX-111700650中含有等位基因CC的品種顯示具有更多的小穗數(shù)和可育小穗數(shù)。

將38個重復SNP位點與已發(fā)布小麥基因組（IWGSC RefSeq v1.0：https://urgi.versailles.inra.fr/ download/iwgsc/IWGSC_RefSeq_Annotations/v1.0/）（IWGSC 2018）位點進行比對，僅找到3個與本研究關聯(lián)重復位點位置相近、且有注釋基因功能的基因，一個是2A染色體與本研究株高關聯(lián)位點AX- 108794050距離相近的，該基因與轉錄因子bHLH71的代謝合成有關；另一個是1A染色體與本研究穗長關聯(lián)位點AX-110689765距離相近的，該基因與蛋白質編碼有關；4B染色體上與本研究千粒重關聯(lián)位點AX- 110399975距離相近的，與編碼絲氨酸/蘇氨酸蛋白激酶SD1-8有關，參與對細胞增殖與分化的調控。

3 討論

3.1 小麥農藝產(chǎn)量性狀表型變異

小麥（L.）是我國第三大糧食作物，對保障糧食供需平衡和國家糧食安全起著至關重要的作用[1]。農藝與產(chǎn)量性狀可以直觀地反映品種的優(yōu)劣，具有易觀察、好測量的特點。20世紀中葉以來，針對農藝和產(chǎn)量性狀的研究在小麥改良中發(fā)揮了重要作用。即使在分子標記技術迅猛發(fā)展的今天，對小麥種質資源和品種農藝性狀的考察、分類與科學評價依然是育種工作的一項重要內容[25]。隨著生產(chǎn)條件的不斷改善和育種水平的不斷提高，我國北部冬麥區(qū)小麥品種的組成和主要性狀發(fā)生了很大變化，主要表現(xiàn)在株高和穗下節(jié)由長變短，主穗粒數(shù)、穗粒重和千粒重由小變大。這與多年來小麥品種選育以主攻產(chǎn)量的育種目標密切相關[26-27]。馬艷明等[28]研究表明，新疆冬小麥育成品種的株高、穗長、小穗數(shù)、可育小穗數(shù)、穗粒數(shù)、籽粒長寬比的變異系數(shù)均大于地方品種，而粒長、粒寬的變異系數(shù)小于地方品種，說明育成品種的產(chǎn)量性狀變異高于地方品種。由于不同品種都有其自身固有的生態(tài)適應性，其性狀表現(xiàn)是自身遺傳因子與環(huán)境條件相互作用的結果，而小麥大多數(shù)農藝性狀（株高、穗長、穗粒數(shù)等）均為數(shù)量性狀，更易受到外界環(huán)境條件的影響，這就造成了不同生態(tài)條件下種植的小麥品種其生長發(fā)育特性差異明顯。因此，在不同研究中檢測到的QTL在定位位置、QTL數(shù)目和遺傳效應等方面存在較大差異，給相關研究帶來了一定的困難[8, 29-30]。對材料進行多年多點試驗可以最大程度上降低生態(tài)環(huán)境對不同品種農藝產(chǎn)量性狀的影響，增加QTL檢測的準確性，同時還能對多個農藝性狀同時進行關聯(lián)作圖。

表1 38個重復位點的物理位置、值及解釋的表型變異率

Fig. 1 Physical locations,values and interpreted phenotypic variation rates of 38 repeat sites

續(xù)表1 Continued table 1

PH：株高；SL：穗長；SN：小穗數(shù)；FSN：可育小穗數(shù)；GNPS：穗粒數(shù)；TKW：千粒重；GL：粒長；GW：粒寬；GL/GW：籽粒長/寬

PH: plant height; SL: spike length; SN: spikelet number; FSN: fertile spikelet number per spike; GNPS: grain number per spike; TKW: thousand kernel weight; GL: grain length; GW: grain width; GL/GW: grain length/width ratio

3.2 影響關聯(lián)分析結果的因素

全基因組關聯(lián)研究（GWAS）是剖析復雜性狀遺傳基礎的主要方法之一[31]，通過利用表型性狀和基因本身或基因附近微小區(qū)域的分子標記的關聯(lián)來實現(xiàn)基因的精細定位[31-32]。全基因組關聯(lián)分析是以生物體在進化過程中的基因重組和基因突變（位點變異）為基礎，定位的精細度與統(tǒng)計效力均會受位點數(shù)量與樣本數(shù)量的影響[33]。連鎖不平衡（LD）是GWAS的基礎，受到遺傳衰減、種群分層和自然選擇的影響，而群體分層被認為是影響GWAS結果有效性的主要因素[34]。影響LD的因素都會對關聯(lián)分析的結果產(chǎn)生影響，首要因素就是作物的群體結構。許多重要作物都擁有漫長的馴化史，復雜的選育過程以及來自野生近緣種的遺傳漂變，造成了種質資源內存在著復雜的群體結構[22]。當研究所使用的群體存在較多亞群時，等位基因在基因組上的分布往往不平衡，可能造成標記與數(shù)量性狀相關位點的假陽性關聯(lián)，從而使關聯(lián)分析更加復雜[35]。本研究在LD分析的基礎上，利用主成分分析法將所有小麥材料分為地方品種和選育品種兩個亞群，有效降低了對關聯(lián)分析結果的影響。

3.3 單個位點對多個性狀的遺傳效應分析

遺傳學上通常會出現(xiàn)一個位點對多個性狀產(chǎn)生效應，在作物研究中有很多這樣的報道。如Mora等[30]以來自智利、烏拉圭和國際玉米小麥改良中心（CMMITE）的382個春麥品種為材料，采用全基因組掃描法將SNP標記對在不同環(huán)境下的株高、穗粒數(shù)、千粒重、產(chǎn)量等性狀進行關聯(lián)分析，發(fā)現(xiàn)位于2D、1B、3B染色體的iniaGBS30112、iniaGBS33956、iniaGBS36569標記分別只在1個環(huán)境下被檢測到與產(chǎn)量關聯(lián)，還有一些標記與多個性狀關聯(lián)。Li等[36]選擇326 570個單核苷酸多態(tài)性（SNP）標記對來自中國黃淮麥區(qū)的166個優(yōu)質小麥品種進行9個產(chǎn)量相關性狀關聯(lián)分析，在8條染色體上檢測到12個多效性基因位點；其中3A染色體上的714.4—725.8 Mb區(qū)間與產(chǎn)量、穗粒數(shù)、粒寬、株高、最長節(jié)間長度和旗葉長顯著相關。Sun等[8]利用90K SNP芯片對163個小麥品種的13個產(chǎn)量相關性狀進行關聯(lián)分析，檢測到5個多效性SNP與3個或更多性狀相關。本研究檢測到5個多效SNP同時與小穗數(shù)、結實小穗數(shù)顯著關聯(lián)，而小穗數(shù)與結實小穗數(shù)之間存在極顯著相關性，因此必然會有相同的顯著關聯(lián)位點。

4 結論

利用多位點全基因組關聯(lián)分析方法（MLM）對小麥9個產(chǎn)量相關性狀進行了全基因組關聯(lián)分析，在6個環(huán)境和綜合BLUP值條件下分別檢測到1 309和66個與性狀顯著關聯(lián)的SNP位點，其中，與2個性狀或2個以上環(huán)境（BLUP值作為1個環(huán)境）相關聯(lián)的重復SNP位點有38個。結合基因功能注釋，篩選出3個重要的產(chǎn)量相關性狀候選基因。

[1] 何中虎, 莊巧生, 程順和, 于振文, 趙振東, 劉旭. 中國小麥產(chǎn)業(yè)發(fā)展與科技進步. 農學學報, 2018, 8(1): 99-106.

He Z H, Zhuang Q S, Cheng S H, Yu Z W, Zhao Z D, Liu X. Wheat production and technology improvement in China. Journal of Agriculture, 2018, 8(1): 99-106.(in Chinese)

[2] 吳澎, 劉娟, 田紀春. 單核苷酸多態(tài)性(SNP)分子標記在小麥遺傳育種中的研究進展. 農學學報, 2019, 9(1): 54-58.

Wu P, Liu J, Tian J C. Research progress of single nucleotide polymorphism (SNP) molecular markers in wheat genetic breeding. Journal of Agriculture, 2019, 9(1): 54-58. (in Chinese)

[3] Huang X H, Han B. Natural variations and genome－wide association studies in crop plants. Annual Review of Plant Biology, 2014, 65: 531-551.

[4] Cao S H, Xu D A, Hanif M, Xia X C, He Z H. Genetic architecture underpinning yield component traits in wheat. Theoretical and Applied Genetics, 2020, 133(6): 1811-1823.

[5] Qaseem M F, Qureshi R, Muqaddasi Q H, Shaheen H, Kousar R, R?der M S. Genome-wide association mapping in bread wheat subjected to independent and combined high temperature and drought stress. PLoS One, 2018, 13(6): e0199121.

[6] SUKUMARAN S, DREISIGACKER S, LOPES M, CHAVEZ P, REYNOLDS M P. Genome-wide association study for grain yield and related traits in an elite spring wheat population grown in temperate irrigated environments. Theoretical and Applied Genetics,2015, 128(2): 353-363.

[7] Chen G F, Zhang H, Deng Z Y, Wu R G, Li D M, Wang M Y, Tian J C. Genome-wide association study for kernel weight-related traits using SNPs in a Chinese winter wheat population.Euphytica, 2016, 212(2): 173-185.

[8] Sun C W, Zhang F Y, Yan X F, Zhang X F, Dong Z D, Cui D Q, Chen F. Genome-wide association study for 13 agronomic traits reveals distribution of superior alleles in bread wheat from the Yellow and Huai Valley of China. Plant biotechnology journal, 2017, 15(8): 953-969.

[9] Wang S X, Zhu Y L, Zhang D X, Shao H, Liu P, Hu J B, Zhang H, Zhang H P, Chang C, Lu J, Xia X C, Sun G L, Ma C X. Genome-wide association study for grain yield and related traits in elite wheat varieties and advanced lines using SNP markers. PLoS One, 2017, 12(11): e0188662.

[10] Ye X L, Li J, Cheng Y K, Yao F J, Long L, Wang Y Q, Wu Y, Li J, Wang J R, Jiang Q T, Kang H Y, Li W, Qi P F, Lan X J, Ma J, Liu Y X, Jiang Y F, Wei Y M, Chen X M, Liu C J, Zheng Y L, Chen G Y. Genome-wide association study reveals new loci for yield-related traits in Sichuan wheat germplasm under stripe rust stress. BMC genomics, 2019, 20(1): 640.

[11] 翟俊鵬, 李海霞, 畢惠惠, 周思遠, 羅肖艷, 陳樹林, 程西永, 許海霞. 普通小麥主要農藝性狀的全基因組關聯(lián)分析. 作物學報, 2019, 45(10): 1488-1502.

Zhai J P, Li H X, Bi H H, Zhou S Y, Luo X Y, Chen S L, Cheng X Y, Xu H X. Genome-wide association study for main agronomic traits in common wheat. Acta Agronomica Sinica, 2019, 45(10): 1488-1502. (in Chinese)

[12] 趙丹陽, 朱婷, 王衛(wèi)東, 張思妮, 夏雪姣, 翟曉光, 丁勤, 馬翎健. 黃淮麥區(qū)部分小麥品種(系)重要產(chǎn)量性狀全基因組關聯(lián)分析. 麥類作物學報, 2018, 38(11): 1320-1329.

Zhao D Y, Zhu T, Wang W D, Zhang S N, Xia X J, Zhai X G, Ding Q, Ma L J. Genome-wide association study of yield traits in some wheat varieties (lines) of Huang-Huai area. Journal of Triticeae Crops, 2018, 38(11): 1320-1329. (in Chinese)

[13] 顧晶晶, 余慷, 陳樹林, 朱保磊, 王冬至, 張愛民, 劉冬成, 詹克慧. 河南小麥品種穗粒數(shù)性狀的動態(tài)變化及全基因組關聯(lián)分析. 分子植物育種, 2017, 15(10): 4143-4158.

Gu J J, Yu K, Chen S L, Zhu B L, Wang D Z, Zhang A M, Liu D C, Zhan K H. Dynamic variation and genome-wide association analysis of grain number related traits in Henan wheat (). Molecular Plant Breeding, 2017, 15(10): 4143-4158. (in Chinese)

[14] 馬艷明, 婁鴻耀, 陳朝燕, 肖菁, 徐麟, 倪中福, 劉杰. 新疆冬小麥地方品種與育成品種基于SNP芯片的遺傳多樣性分析. 作物學報, 2020, 46(10): 1539-1556.

Ma Y M, Lou H Y, Chen Z Y, Xiao J, Xu L, Ni Z F, Liu J.Genetic diversity assessment of winter wheat landraces and cultivars in Xinjiang via SNP array analysis.Acta Agronomica Sinica2020, 46(10): 1539-1556. (in Chinese)

[15] 李立會, 李秀全, 楊欣明. 小麥種質資源描述規(guī)范和數(shù)據(jù)標準. 北京: 中國農業(yè)出版社, 2006.

Li L H, Li X Q, YANG X M. Descriptors and data standard for wheat (L.). Beijing: China Agriculture Press, 2006. (in Chinese)

[16] Saghai-Maroof M A, Soliman K M, Jorgensen R A, Allard R W. Ribosomal DNA spacer-length polymorphisms in barley: mendelian inheritance, chromosomal location, and population dynamics. Proceedings of the National Academy of Sciences of the United States of America, 1984, 81(24): 8014-8018.

[17] Pritchard J K, StephenS M, Donnelly P. Inference of population structure using multilocus genotype data. Genetics, 2000, 155(2): 945-959.

[18] Evanno G, Regnaut S, Goudet J. Detecting the number of clusters of individuals using the software STRUCTURE: a simulation study. Molecular ecology, 2005, 14(8): 2611-2620.

[19] Jakobsson M, Rosenberg N A. CLUMPP: A cluster matching and permutation program for dealing with label switching and multimodality in analysis of population structure. Bioinformatics, 2007, 23(14): 1801-1806.

[20] Yu J M, Buckler E S. Genetic association mapping and genome organization of maize. Current Opinion in Biotechnology, 2006, 17(2): 155-160.

[21] Audic S, Claverie J M. The significance of digital gene expression profiles. Genome Research, 1997, 7(10): 986-995.

[22] YANG N, LU Y L, YANG X H, HUANG J, ZHOU Y, ALI F, WEN W W, LIU J, LI J S, YAN J B. Genome wide association studies using a new nonparametric model reveal the genetic architecture of 17 agronomic traits in an enlarged maize association panel. PLoS Genetics, 2014, 10(9): e1004573.

[23] Hardy O J, Vekemans X. Spagedi: A versatile computer program to analyse spatial genetic structure at the individual or population levels. Molecular Ecology Notes, 2002, 2(4): 618-620.

[24] STICH B, MELCHINGER A E, FRISCH M, Maurer Hans P, Heckenberger M, Reif J C. Linkage disequilibrium in European elite maize germplasm investigated with SSRs. Theoretical & Applied Genetics, 2005, 111(4): 723-730.

[25] 董玉琛, 鄭殿升. 中國小麥遺傳資源. 北京: 中國農業(yè)出版社, 2000.

Dong Y C, Zheng D S. Chinese wheat genetic resources. Beijing: China Agriculture Press, 2000. (in Chinese)

[26] 劉三才, 鄭殿升, 曹永生, 宋春華, 陳夢英. 中國小麥選育品種與地方品種的遺傳多樣性中國農業(yè)科學, 2000, 33(4): 20-24.

Liu S C, Zheng D S, Cao Y S, Song C H, Chen M Y. Genetic diversity of landrace and bred varieties of wheat in China. Scientia Agricultura Sinica, 2000, 33(4): 20-24. (in Chinese)

[27] 李煦征. 江蘇省小麥品種更替過程中生態(tài)型演化與區(qū)域差異分析[D]. 南京: 南京農業(yè)大學, 2007.

LI X Z. Research on the evolution of ecotypes of wheat cultvars and differences of regions in Jiangsu[D]. Nanjing: Nanjing Agricultural University, 2007. (in Chinese)

[28] 馬艷明, 馮智宇, 王威, 張勝軍, 郭營, 倪中福, 劉杰. 新疆冬小麥品種農藝及產(chǎn)量性狀遺傳多樣性分析. 作物學報, 2020, 46(12): 1997-2007.

MA Y M, FENG Z y, WANG W, ZHANG S J, GUO Y, NI Z F, LIU J. Genetic diversity analysis of winter wheat landraces and cultivars in Xinjiang based on agronomic traits.Acta Agronomica Sinica, 2020, 46(12): 1997-2007. (in Chinese)

[29] Risch N, Merikangas K. The future of genetic studies of complex human diseases.Science, 1996, 273(5281): 1516-1517.

[30] Mora F, Castillo D, Lado B, Matus I, Poland J, Belzile F, von Zitzewitz J, del Pozo A. Genome-wide association mapping of agronomic traits and carbon isotope discrimination in a worldwide germplasm collection of spring wheat using SNP markers. Molecular Breeding, 2015, 35(2): 69.

[31] INGVARSSON P K, NATHANIEL R S. Association genetics of complex traits in plants. New Phytologist, 2011, 189: 909-922.

[32] Zhu C, Gore M, Buckler E S, Yu J. Status and prospects of asso-ciation mapping in plants. Plant Genome, 2008, 1: 5-20.

[33] 易騰飛. 中國冬麥區(qū)小麥品種農藝性狀與品質性狀的全基因組關聯(lián)分析[D]. 保定: 河北農業(yè)大學, 2018.

Yi T F. Genome-wide association study of agronomic traits and quality traits of wheat varieties in the winter wheat region of China[D]. Baoding: Hebei Agricultural University, 2018. (in Chinese)

[34] Cardon L R, Palmer L J. Population stratification and spurious allelic association. Lancet, 2003, 361(9357): 598-604.

[35] 郭玉華, 朱四光, 張龍步, 都華. 不同栽培條件對水稻莖稈材料學特性的影響. 沈陽農業(yè)大學學報, 2003, 34(1): 4-7.

GUO Y H, ZHU S G, ZHANG L B, DU H. Influence on the material characteristics of rice culms in different cultivation conditions. Journal of Shenyang Agricultural University, 2003, 34(1): 4-7. (in Chinese)

[36] Li F J, Wen W E, Liu J D, Zhang Y, Cao S H, He Z H, Rasheed A, Jin H, Zhang C, Yan J, Zhang P Z, Wan Y X, Xia X C. Genetic architecture of grain yield in bread wheat based on genome?wide association studies. BMC Plant Biology, 2019, 19(1): 1-19.

Genome-wide association analysis of Yield Traits in Xinjiang Winter Wheat Germplasm

1Institute of Crop Germplasm Resource, Xinjiang Academy of Agricultural Sciences, Urumqi 830091;2College of Agronomy and Biotechnology, China Agricultural University, Beijing 100193;3Institute of Hybrid Wheat, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097;4Institute of Agricultural Sciences of Ili Prefecture, Yining 835011, Xinjiang;5College of Agronomy, Shandong Agricultural University, Tai’an 271018, Shandong

【Objective】To discover new high yield genes in wheat by association analysis, which can provide technical supports for the innovation and genetic improvement of high yield germplasm resources in wheat.【Method】Totally 188 bread wheat cultivars in Xinjiang were genotyped using the wheat 55K genotyping assay. GWAS was carried out to identify the signifcant single nucleotide polymorphisms (SNPs) which were associated with 9 wheat yield traits in 6 environments. The MLM algorithm in TASSEL5.0 was used to analyze the nine traits related to wheat yield traits.【Result】Totally 1309 SNPs explained 7.259%-70.792% of the phenotypic variation. 38 SNP loci were identifed, which were significantly correlated with 5 plant height weight SNP loci, 10 spike length weight SNP loci, 10 spikelet number SNP loci, 6 fertile spikelet number SNP loci, 6 spike grain number SNP loci, and 1 thousand grain weight SNP loci. These loci can explain 9.10%-23.81% of phenotypic variations. Comparing these 38 loci with the published wheat genome loci, only 3 functional genes were found, which annotated with gene function. There genes are:on chromosome 2A, which is close to the plant height associated site AX-108794050 and is related to the metabolic synthesis of transcription factor bHLH71;, located on chromosome 1A at a distance similar to the spike length associated site AX-110689765, is related to protein coding;, located on the 4B chromosome at a distance similar to the 1000 grain weight associated site AX-110399975, is associated with the encoding serine/threonine protein kinase SD1-8 and is involved in regulating cell proliferation and differentiation. 【Conclusion】38 QTL loci associated with wheat yield traits were detected. After verification, it was found that the associated excellent alleles have the effect of reducing plant height, increasing spike length, spikelet number, fertile spikelet number, grain number per spike, and thousand grain weight.

wheat; yield traits; SNP; association analysis; candidate genes

10.3864/j.issn.0578-1752.2023.18.001

2023-03-27；

2023-05-25

國家科技資源共享服務平臺-國家作物種質資源庫項目（NCGRC-2021-029）

馬艷明，Tel：13999260539；E-mail：ymma213@sina.com。通信作者劉杰，Tel：010-62734072；E-mail：jieliu@cau.edu.cn

（責任編輯 李莉）