基于SNP標記的小麥品種遺傳相似度及其檢測準確度分析

許乃銀 金石橋 晉 芳 劉麗華 徐劍文 劉豐澤 任雪貞 孫 全 許 栩 龐斌雙,*

基于SNP標記的小麥品種遺傳相似度及其檢測準確度分析

許乃銀1金石橋2,*晉 芳2劉麗華3徐劍文1劉豐澤2任雪貞2孫 全2許 栩1龐斌雙3,*

1江蘇省農業科學院經濟作物研究所, 江蘇南京 210014;2全國農業技術推廣服務中心, 北京 100125;3北京市農林科學院雜交小麥研究所, 北京 100097

遺傳相似度檢測的準確度估計是對SNP標記法在農作物品種檢測體系中應用的必要補充和完善。本研究基于2021年小麥品種SNP標記法跨實驗室協同驗證實驗數據, 分析了該方法的檢測準確度及在品種間的遺傳相似度。分析結果表明: (1) 10個實驗室對55組小麥品種組合的標記位點相似度檢測的總體準確度約為98%。(2) GGE雙標圖的品種遺傳關系功能圖顯示, 7組小麥品種的組內遺傳相似度在95%以上, 其余組合的遺傳相似度較低。(3) 依據GGE雙標圖的“正確度-精確度”功能圖和“準確度排序”功能圖, 發現洛旱7號/洛旱11等品種組合的相似度檢測準確度較高, 晉麥47/臨抗11的檢測準確度一般, 而濟麥22/嬰泊700的檢測準確度較差。(4) 10個實驗室的檢測準確度存在顯著差異, 其中2個實驗室檢測的正確度、精確度和準確度表現顯著差于其余實驗室。(5) 各實驗室檢測正確度的容許誤差分布于1.3%～1.9%之間, 平均為1.5%; 準確度的容許誤差分布于1.5%～2.0%之間, 平均為1.7%。其中, Lab2和Lab3的檢測正確度和準確度的容許誤差顯著差于其余實驗室。本研究構建了SNP標記法對品種相似性檢測的準確度統計模型, 分析了品種組合和實驗室的檢測準確度及其容許誤差, 采用GGE雙標圖方法對檢測正確度、精確度和準確度進行可視化分析, 驗證了各實驗室對品種位點相似性檢測的準確度和可靠性, 為SNP標記法在農作物品種遺傳相似性檢測中的準確度評價提供了理論支持和應用范例。

小麥(L.); GGE雙標圖; SNP標記; 遺傳相似度; 位點相似度; 準確度

隨著農作物種業市場化程度的不斷提高, 品種創新對振興國家種業、提高種業核心競爭力和實現種業高質量發展變得越來越重要[1]。保護品種創新、解決品種同質化以及打擊種子假冒套牌侵權的核心是快速、高效和科學地進行品種真實性驗證和品種身份鑒定。近年來, 單核苷酸多態性(single nucleotide polymorphism, SNP)標記檢測技術在農作物種子的真實性檢測、純度檢測和DNA指紋數據庫構建等方面被廣泛研究和應用, 在農作物種子質量檢測中發揮著越來越重要的作用[1-2]。隨著小麥(L.)[3]、玉米(L.)[4]和水稻(L.)[5]等主要農作物《品種真實性鑒定 SNP標記法》行業標準的頒布和實施, SNP標記法已經逐步成為我國品種管理、種子市場管理和品種權糾紛處理等領域最重要的新一代分子檢測技術。SNP標記法主要通過比對品種間位點相似度或差異位點數確定品種間遺傳相似性, 并依據預設的差異位點數或差異位點比例閾值判定品種間遺傳關系和品種權屬性[1,6]。理論上, SNP標記法的檢測效率和可靠性主要決定于標記的數量及其代表性, 不受外界環境條件的影響, 不同實驗室、不同平臺對同樣的檢測樣品應獲得相同的檢測結果[1]。然而, 每次檢測所采用的標記數量有限, 相對于全基因組水平龐大的分子標記數量庫僅為一小部分采樣, 不可避免引入抽樣誤差。實際操作中, 無法有效控制所有可能影響分子標記檢測結果的潛在因素, 在每次檢測程序中都可能出現隨機誤差。因而在對檢測結果進行分析和解釋過程中, 應當考慮和闡明這種不確定性。2023年國際種子檢驗協會(international seed testing association, ISTA)報道了24個豌豆品種在8個實驗室中的簡單序列重復(simple sequence repeats, SSR)標記檢測驗證試驗, 發現實驗室間檢測結果的一致性約為90%[7]。檢測準確度包括正確度與精確度, 正確度指測試結果與真值或參照值之間的符合度, 精確度指測試結果之間的一致程度[8]。在多環境品種試驗數據分析中廣泛應用的基因型主效應加基因型與環境互作效應模型(genotype plus genotype by environment interaction model, GGE)雙標圖[9-14]可以通過視圖直觀表達正確度、精確度和準確度的關系。GGE雙標圖技術與現代育種計劃中的基因組選擇(genome-wide selection, GS)模型相結合, 還可以提高基因組育種的選擇效率和預測精度[15]。關于如何基于SNP標記檢測數據計算檢測準確度, 以及如何利用GGE雙標圖技術對準確度進行可視化分析, 文獻中尚未見報道。本研究以2021年全國農業技術推廣服務中心(簡稱全國農技中心)組織實施的主要農作物品種SNP標記法檢測標準的跨實驗室協同驗證試驗中的小麥品種樣本檢測實驗數據為例, 構建了SNP標記法檢測準確度統計模型, 并采用GGE雙標圖方法對檢測準確度進行可視化分析和展示, 驗證了各實驗室對小麥品種位點相似性檢測的準確度和可靠性, 為SNP標記法檢測農作物品種遺傳相似性的準確度評價提供理論支持和應用范例。

1 材料與方法

1.1 數據來源

數據來源于2021年全國農技中心組織開展的小麥品種真實性鑒定的SNP標記法準確度驗證實驗的SNP標記數據集。實驗由《小麥品種真實性鑒定 SNP標記法》行業標準(簡稱“小麥SNP標準”)[3]制定單位北京市農林科學院雜交小麥研究所在國家農作物品種標準樣品庫中抽取11個品種的種子樣品, 依據標準的要求、位點及引物組合、程序和方法檢測出各個種子樣品的96個SNP位點的基因型信息, 作為各實驗室SNP位點檢測結果的標準參照值(reference value)[16]。全國農技中心將各抽檢品種的0.5 g種子粉末統一分配給相關省市有代表性的種子質量檢驗機構, 采用與標準制定單位相同的樣品、SNP位點及引物組合, 進行重復性實驗, 以驗證標準規定的方法及SNP位點組合在多單位、多平臺技術條件下的可重復性、可行性、實用性及各實驗室檢測的準確性和可靠性。小麥96個SNP位點及競爭性等位基因特異性PCR (kompetitive allele- specific PCR, KASP)分型引物信息詳見小麥SNP標準[3]。承擔小麥SNP標準驗證的10個實驗室和11個抽樣小麥品種信息詳見表1。

表1 基于SNP標記鑒定小麥品種遺傳相似性的實驗室和抽樣品種信息表

REF#為提供標準檢測結果作為參照的制標單位。

REF#is a standard unit that provides standard test results as a reference.

1.2 統計分析方法

1.2.1 品種間位點相似度計算 采用“小麥品種真實性鑒定SNP標記法”行業標準[3]推薦的SNP位點相似度(locus similarity, LS)為品種間遺傳相似度參數[6]。基于96個SNP位點的基因型對各實驗室檢測的品種間相互比對, 基因型相同用“1”表示, 不同用“0”表示, 數值總和即2個樣品間的相同位點數, 據此計算品種間的位點相似度。任意品種間的平均位點相似度用該品種組合在各試驗室的位點相似度的平均值表示。基于標準參照值或各實驗室平均值計算的品種間位點相似度矩陣可作為品種位點相似度的參照值。計算公式如下:

實驗室內品種間位點相似度,

基于參照品種間位點相似度,

式中,LS、NS和NT分別表示實驗室內品種和的位點相似度、相同位點數和比對總位點數;LS、NS和NT分別表示基于標準參照(r)的品種和的位點相似度、相同位點數和總位點數。

1.2.2 品種間位點相似度的檢測準確度計算 檢測準確度包括正確度與精確度。正確度指檢測結果與參照值之間的一致程度, 精確度指檢測結果之間的一致程度[8,16]。某實驗室檢測的任意2個品種間的位點相似度, 與基于標準參照值得出的相應品種組合的位點相似度相比較的一致程度, 就是該品種組合相似度在該實驗室檢測的正確度。任意2個品種位點相似度在各實驗室檢測正確度的平均值表示該品種組合的平均檢測正確度, 而在實驗室內不同測試次數間或不同實驗室間測試結果的一致性為精確度指標。實驗室內所有品種組合位點相似度檢測正確度的平均值表示該實驗室的總體檢測正確度, 各品種組合位點相似度檢測正確度間的平均標準差表示該實驗室的檢測精確度。準確度為正確度和精確度平方根[8]。計算公式如下:

實驗室內2個品種位點相似度的正確度,

2個品種位點相似度的平均正確度,

實驗室對品種位點相似度檢測的平均正確度,

2個品種位點相似度的準確度,

實驗室對品種位點相似度檢測的準確度,

1.2.3 基于二項分布的品種遺傳相似度檢測準確度的容許誤差估計 各實驗室檢測的品種間基于96個SNP位點的基因型相互比對, 或與SNP標準參照值比對, 結果以“1, 0”表示, 從而形成具有二項分布(Binary distribution)特征的數據集[17]。由于實驗室檢測的不確定度為小概率事件, 故采用Wilson算法[18]計算準確度的容許誤差。計算公式如下:

式中, Δ、、分別表示準確度容許誤差、樣本容量、準確度,0.05表示5%顯著水平的臨界值。

1.2.4 基于GGE雙標圖的品種遺傳相似度和檢測準確度可視化分析方法 依據各實驗室SNP檢測結果的相互比對分析形成的品種間位點相似度矩陣,借助GGE雙標圖“性狀間關系”功能圖[13,19]構建的“品種遺傳關系”功能圖, 對SNP檢測結果中的品種間遺傳相關模式進行可視化分析。SNP檢測結果的品種間遺傳相關程度通過“品種遺傳關系”功能圖中各品種向量間的夾角大小反映, 夾角越小, 則相關性越強[13,19]。基于各實驗室檢測的品種位點相似度與基于參照值相比較得出“實驗室-品種組合”的正確度矩陣, 利用GGE雙標圖“均值-穩定性”功能圖[20]構建SNP檢測結果的“正確度-精確度”功能圖, 其中,平均環境軸(average environment axis, AEA)指向檢測正確度大的方向; 通過原點垂直于AEA軸的縱軸(average environment coordinate, AEC)指向檢測精確度差的方向, 越接近于AEA軸, 則精確度越好。在“正確度-精確度”功能圖基礎上, 以標準參照或理想品種坐標為圓心, 作同心圓構建“準確度排序”功能圖[20], 各品種組合或實驗室圖標到同心圓圓心的距離表示檢測準確度, 距離越小, 則檢測準確度越好。采用統計軟件GGEbiplot[12](http://www.ggebiplot. com/)進行雙標圖分析。

2 結果與分析

2.1 小麥品種間遺傳相似度及其檢測準確度分析

11個抽檢小麥品種在10個實驗室檢測, 基于96個SNP位點進行基因型兩兩比對, 品種間平均位點相似度及其檢測準確度分析結果表明: (1) 在55對品種組合比對中(表2), 濟麥22/嬰泊700 (編號W01/02)、晉麥47/臨抗11 (W03/04)、洛旱7號/洛旱11 (W05/06)、揚麥158/揚麥11 (W07/08)、揚麥158/揚麥12 (W07/09)、揚麥11/揚麥12 (W08/09)和中科麥138/中科麥36 (W10/11)等7對品種組合的位點相似度在95%以上, 其中揚麥158/揚麥12 (W07/09)的位點相似度在98%以上; 其余品種組合間的位點相似度較低, 介于42%～62%之間。(2) GGE雙標圖的“品種遺傳關系”功能圖(圖1-a)直觀表達了品種間的遺傳相關模式, 11個抽檢品種可劃分為5個相關性強的品種組合, 即濟麥22/嬰泊700 (編號W01/02)、晉麥47/臨抗11 (W03/04)、洛旱7號/洛旱11 (W05/06)、揚麥158/揚麥11/揚麥12 (W07/ 08/W09)和中科麥138/中科麥36 (W10/11)。(3) 55對品種組合間位點相似度檢測的總體準確度約為98% (表2), 其中準確度在99%以上的組合只有洛旱7號/洛旱11 (W05/06)和中科麥138/中科麥36 (W10/11), 準確度在98%以上的組合數約占總比對組合數的45%, 準確度在97%以上的組合數約占總比對組合數的85%, 準確度在96%以上的組合數約占總比對組合數的96%, 其余組合的檢測準確度均在95%以上。(4) 基于圖1-a和表2分析的品種間遺傳關系, 將遺傳相似度最高的品種組合及其在各實驗室檢測結果在圖1-b中直觀表達, 對品種組合間的遺傳相關性及檢測誤差可視化分析表明, 不同實驗室對各品種組合的遺傳相似度檢測結果均不同程度地存在誤差, 但相對于品種組合間關系, 誤差較小, 表明實驗室檢測的準確度總體較高。(5) 圖1表達的品種間遺傳相關性相比于品種間位點相似度矩陣(表2)更加直觀明確, 并可表達品種組合之間的相關性檢測的誤差模式。

2.2 小麥品種遺傳相似度檢測準確度的GGE雙標圖分析

各實驗室檢測的小麥品種間遺傳相似度相對于標準參照值可算得相應的“實驗室-品種組合”正確度矩陣, 利用GGE雙標圖可直觀分析品種間遺傳相似度檢測的準確度。以上述7對位點相似度高的品種組合為例, 其“正確度-精確度”功能圖(圖2-a)和“準確度排序”功能圖(圖2-b)分析表明, (1) 圖2-a表達了各品種組合間的位點相似度與標準參照值比較的檢測正確度和精確度, 圖中橫坐標值與正確度正相關, 縱坐標的絕對值與精確度負相關, 單箭頭的橫軸指向正確度大的方向, 雙箭頭的縱軸指向精確度差的方向。各品種組合的位點相似度檢測正確度由高到低依次排序為中科麥138/中科麥36 (W10/11)>洛旱7號/洛旱11 (W05/06)>揚麥158/揚麥11 (W07/08)>揚麥158/揚麥12 (W07/09)>揚麥11/揚麥12 (W08/09)>晉麥47/臨抗11 (W03/04)>濟麥22/嬰泊700 (W01/02)。各品種組合的檢測精確度由高到低依次排序為中科麥138/中科麥36 (W10/11)>洛旱7號/洛旱11 (W05/06)>揚麥11/揚麥12 (W08/09)>揚麥158/揚麥12 (W07/09)>揚麥158/揚麥11 (W07/08)>濟麥22/嬰泊700 (W01/02)>晉麥47/臨抗11 (W03/04)。(2) 圖2-b中各品種組合圖標到同心圓圓心的歐氏距離表明各品種組合的準確度大小, 越接近圓心, 準確度越好。各品種組合的準確度由高到低依次排序為中科麥138/中科麥36 (W10/11)>洛旱7號/洛旱11 (W05/06)>揚麥158/揚麥12 (W07/09)> 揚麥158/揚麥11 (W07/08)>揚麥11/揚麥12 (W08/ 09)>晉麥47/臨抗11 (W03/04)>濟麥22/嬰泊700 (W01/02)。

表2 小麥抽檢品種SNP位點相似度與檢測準確度平均值矩陣

左下三角為小麥品種間SNP位點相似度矩陣, 右上三角為相應的檢測準確度矩陣。下畫線表示位點相似度高的品種組合。

The lower left triangle is the SNP locus similarity matrix among wheat varieties, and the upper right triangle is the corresponding detection accuracy matrix. The data underlined indicate the variety combinations with high locus similarity values.

圖1 基于小麥品種SNP位點相似度平均值的GGE雙標圖“品種遺傳關系”功能圖(a)和“品種組合關系+誤差”功能圖(b)

大寫字母W后面的數字為品種編號, 具體品種名稱詳見表1。品種向量間的夾角表示品種間的遺傳相關性, 夾角越小則相關性越強。圖1-b中的藍色小點表示各實驗室檢測的品種組合相似性圖標, 其到品種組合圖標的連線長短表示誤差大小, 連線越長誤差越大。

The uppercase W followed by the numbers represents variety codes and the specific name of the breeding is shown in Table 1. The angle between the cultivar vectors indicates the genetic correlation between the cultivars, and the smaller the angle, the stronger the correlation. The blue dot in Fig. 1-b represents the similarity mark of variety combination tested by each laboratory, and the length of the line from it to the variety combination mark represents the error size, and the longer the line, the larger the error.

圖2 基于標準參照的小麥品種遺傳相似度檢測準確度GGE雙標圖分析的“正確度-精確度”功能圖(a)和“準確度排序”功能圖(b)

大寫字母W后面的數字為品種組合編號, 如W01/02表示品種組合W01和W02, 具體品種名稱詳見表1。PC1相當于品種位點相似性檢測的正確度, PC2的絕對值相當于精確度。圖2-a中, 單箭頭的橫軸指向正確度大的方向, 雙箭頭的縱軸指向精確度差的方向。圖2-b中的同心圓圓心為理想品種組合坐標, 品種組合圖標到圓心的歐氏距離表示準確度, 距離越小則準確度越好。“+”為實驗室圖標。

The uppercase W followed by numbers represents variety combination codes. For example, W01/02 indicates the wheat variety W01 compared to W02. See Table 1 for detail. PC1 corresponds to the trueness in variety locus similarity detection and the absolute value of PC2 corresponds to the precision. In Fig. 2-a, the single-arrowed horizontal axis points to the direction of higher accuracy, while the double-arrowed vertical axis points to the direction of lower precision. The origin of concentric circles in Figure 2-b is the ideal variety combination mark, and the Euclidean distance from the variety combination mark to the origin represents the detection accuracy. The smaller the distance, the better the accuracy. The plus sign “+” stand for variety comparison combination mark.

2.3 不同實驗室對小麥品種遺傳相似度檢測準確度的GGE雙標圖分析

各實驗室對55對小麥品種組合的SNP位點相似度檢測結果與標準參照值相比較算得的“實驗室-品種組合”正確度數據矩陣, 經GGE雙標圖分析繪制了實驗室對品種組合間位點相似度檢測的“正確度-精確度”功能圖(圖3-a)和“準確度排序”功能圖(圖3-b)。結果表明, (1)圖3-a表達了各實驗室的檢測正確度和精確度, 各實驗室檢測的正確度由高到低依次排序為Lab8>Lab9>Lab1>Lab4>Lab7>Lab10>Lab5> Lab6>Lab2>Lab3, 其中Lab8、Lab9和Lab1的正確度最高, Lab4、Lab7、Lab10、Lab5和Lab6的正確度較高, Lab2和Lab3的正確度稍差。各實驗室的檢測精確度由高到低依次排序為Lab1>Lab8>Lab7> Lab10>Lab5> Lab9>Lab6>Lab4>Lab3>Lab2。其中, Lab1、Lab8、Lab7、Lab10、Lab5、Lab9、Lab6和Lab4的精確度好, 且相互間差異不大, 而Lab2和Lab3的精確度稍差。(2)圖3-b中各實驗室圖標到標準參照圖標(REF)的歐氏距離表示檢測準確度, 各實驗室準確度由高到低依次排序為Lab8>Lab1> Lab9>Lab4>Lab7>Lab10>Lab5>Lab6>Lab2>Lab3。其中, Lab8、Lab1和Lab9的準確度最高, Lab4、Lab7、Lab10、Lab5和Lab6的準確度較高, Lab2和Lab3的準確度稍差。

圖3 實驗室對小麥品種遺傳相似度檢測準確度GGE雙標圖分析的“正確度-精確度”功能圖(a)和“準確度排序”功能圖(b)

帶“*”的實驗室編號同表1, “+”表示品種組合圖標。PC1相當于品種位點相似性檢測的正確度, PC2的絕對值相當于精確度。圖3-b中的同心圓圓心為標準參照坐標, 實驗室圖標到圓心的歐氏距離表示準確度, 距離越小則準確度越好。

Lab codes prefixed with star sign “*” are the same as those given in Table 1. The plus sign “+” stands for variety comparison combination mark. PC1 corresponds to the trueness in variety locus similarity detection and the absolute value of PC2 corresponds to the precision. The origin of concentric circles in Fig. 3-b is the standard reference mark, and the Euclidean distance from the variety combination mark to the origin represents the detection accuracy. The smaller the distance, the better the accuracy.

2.4 各實驗室對小麥品種遺傳相似度檢測準確度及其容許誤差估計

各實驗室對小麥品種SNP位點檢測的準確度參數及其相應的容許誤差分析結果表明(表3), (1) 不同實驗室的檢測結果的正確度分布于96.8%～99.1%之間, 平均正確度為98.3%。各實驗室檢測正確度由高到低的排序為Lab8>Lab9>Lab1>Lab7>Lab4> Lab10>Lab5>Lab6>Lab2>Lab3。其中, Lab2和Lab3的檢測正確度顯著差于其余實驗室。(2) 各實驗室的檢測精確度分布于1.1%～1.9%之間, 平均精確度為1.4%。各實驗室檢測精確度由好到差的排序為Lab8> Lab9>Lab1>Lab4>Lab7>Lab10>Lab5>Lab6>Lab2>Lab3。其中, Lab2和Lab3的檢測精確度顯著差于其余檢測單位。(3) 各實驗室的檢測準確度分布于96.2%～98.5%之間, 平均準確度為97.7%。各實驗室檢測準確度由高到低的排序與正確度的排序相同。其中, Lab8、Lab9、Lab1和Lab7的準確度在98%以上, Lab4、Lab10、Lab5和Lab6的準確度在97%以上, Lab2和Lab3 的準確度最低, 顯著低于其余實驗室。(4) 各實驗室檢測正確度的容許誤差分布于1.3%～ 1.9%之間, 平均為1.5%; 準確度的容許誤差分布于1.5%～2.0%之間, 平均為1.7%。其中, Lab2和Lab3的檢測正確度和準確度的容許誤差均顯著高于其余實驗室。

表3 不同實驗室SNP標記法檢測準確度及其容許誤差估計

同一列中標有相同小寫字母的數據在0.05概率水平差異顯著。

Different lowercase letters in the same row indicate significantly different at the 0.05 probability level.

3 討論

3.1 基于SNP標記法鑒定農作物品種遺傳相似度的檢測誤差問題

SNP標記技術近年來在農作物種子的真實性檢測[21]、純度檢測[22]和指紋數據庫構建[23]等方面被廣泛研究和應用。2021年陸續頒布實施了小麥、玉米和水稻等主要農作物品種真實性鑒定SNP標記法行業標準[3-5], 其他農作物真實性鑒定的SNP標記法技術標準也在逐步研究和實施之中, SNP標記法在農作物種子真實性鑒定等領域中發揮著越來越重要的作用[1-2]。SNP標記法的檢測可靠性雖然在理論上主要決定于分子標記的數量、質量及其最小等位變異頻率(minor allele frequency, MAF), 不受外界環境條件的影響, 不同實驗室或平臺對相同檢測樣品都能獲得同樣的檢測結果[1]。然而, 一些可能影響檢測結果的因素, 如試樣數量、DNA提取的質量、檢測平臺或儀器設備性能差異、操作人員對標準掌握的熟練程度差異等并不能完全被控制, 不同批次或單位檢測結果間并不能做到完全一致, 檢測誤差仍不可能完全排除, 而這樣的誤差和不確定性必然影響SNP檢測結果的準確性和應用。2023年ISTA報道了多實驗室對豌豆品種SSR分子標記檢測的驗證試驗, 實驗室檢測結果間的一致性只有約90%[7]。SNP標記法的檢測準確度體現了檢測結果的可靠性和可重復性, 而準確度又包括正確度與精確度(或精密度) 2個方面, 其中正確度指測試結果與真值或參照值之間的符合度, 精確度指測試結果之間的一致程度[8]。對于跨實驗室的協同檢測實驗, 各實驗室的檢測結果與標準參照值相比, 即可計算檢測正確度; 如沒有設置標準參照值, 各實驗室的平均檢測結果則可以作為參照進行比較; 而同一單位檢測時, 重復測試結果的平均值可以作為為參照。本研究由“小麥SNP標準”的制標單位提供標準參照值, 各實驗室采用SNP標記法對統一提供的小麥種子樣品進行檢測, 結果表明實驗室間檢測的正確度、精確度和準確度均存在顯著差異, 其中2個實驗室的正確度、精確度和準確度均顯著低于其他實驗室。可見, SNP標記法的檢測誤差是客觀存在的, 在制定判斷品種間差異性的臨界指標和閾值時應當考慮檢測誤差和置信區間。鑒于SNP標記法鑒定品種間遺傳相似性主要依據品種間或品種與參照比較的相同或差異位點數(率)進行判斷, 位點基因型比對結果以“1、0”統計, 多位點比對結果形成具有二項分布特征的數據集[17],而且SNP檢測的不確定性通常為小概率事件, 故宜采用Wilson算法[18]計算準確度的容許誤差。本研究表明, 各實驗室檢測正確度的容許誤差分布于1.3%～ 1.9%之間, 平均為1.5%; 準確度的容許誤差分布于1.5%～2.0%之間, 平均為1.7%, 說明通過對實驗室的能力驗證和操作人員的技術培訓以提高檢測準確度、降低容許誤差區間是當前亟待解決的問題。

3.2 利用GGE雙標圖對農作物品種指紋數據檢測準確度的可視化分析

基于SNP標記法等技術檢測的DNA指紋數據通常都可能存在檢測誤差的問題, 而指紋數據的檢測正確度、精確度和準確度等統計參數又比較抽象和不易理解。GGE雙標圖是農作物多環境品種試驗中進行品種評價、試驗環境評價和品種生態區劃分的最高效、直觀的統計和圖形展示工具, 已經廣泛應用于多環境品種試驗數據處理和可視化分析[13-14,24]。GGE雙標圖的適用范圍并不局限于多環境品種試驗數據分析, 可以對所有二維數據進行可視化分析[25]。利用GGE雙標圖對農作物品種指紋數據的檢測準確度進行可視化分析, 可以直觀分析和展示各品種遺傳相關性模式, 展示各品種組合或檢測單位的檢測正確度、精確度和準確度的關系, 以便更加直觀地理解指紋檢測數據的誤差問題。本研究依據各實驗室檢測結果的相互比對分析形成的品種間位點相似度矩陣, 構建相當于GGE雙標圖“性狀間關系”功能圖[9,13,19]的“品種遺傳關系”功能圖和“品種遺傳關系+誤差”功能圖(圖1), 對品種間遺傳相關模式進行可視化分析, 直觀展示了品種間及品種組合間的遺傳相關模式。同時, 基于“品種組合”和“實驗室-品種組合”正確度矩陣構建的“正確度-精確度”功能圖(圖2-a和圖3-a), 具有GGE雙標圖“均值-穩定性”功能圖的特征與功能[20,26]。其中, AEA軸指向檢測正確度大的方向; 通過原點垂直于AEA軸的AEC軸指向檢測精確度差的方向, 越接近于AEA軸, 則精確度越好。在“正確度-精確度”功能圖基礎上構建的“準確度排序”功能圖, 相當于GGE雙標圖的“理想環境”或“理想品種”功能圖[20], 各品種組合或實驗室圖標到同心圓圓心的距離代表了檢測準確度, 距離越小, 則檢測越準確。各品種組合的“準確度排序”功能圖(圖2-b)展示了中科麥138/中科麥36和洛旱7號/洛旱11的檢測準確度最高, 而濟麥22/嬰泊700的檢測準確度相對較差。實驗室“準確度排序”功能圖(圖3-b)直觀地展示了各實驗室準確度由高到低依次排序。本研究表明, GGE雙標圖技術應用于SNP標記檢測數據, 可以更加直觀、高效、科學地展示品種間遺傳相關性模式和SNP標記檢測的正確度、精確度和準確度的關系, 從而為GGE雙標圖在其他作物品種SNP標記檢測數據分析中的應用提供了范例。

4 結論

基于小麥品種真實性鑒定的96個SNP位點在10個實驗室的檢測結果, 55對品種組合位點相似度檢測的總體準確度約為98%。7組小麥品種組合間的遺傳相似度在95%以上。洛旱7號/洛旱11相似度檢測的準確度高, 晉麥47/臨抗11準確度一般, 而濟麥22/嬰泊700的準確度較差。各實驗室的檢測準確度存在明顯差異, Lab2和Lab3檢測的正確度、精確度和準確度表現均顯著差于其余實驗室。各實驗室檢測正確度的容許誤差分布于1.3%～1.9%之間, 平均為1.5%; 準確度的容許誤差分布于1.5%～2.0%之間, 平均為1.7%。其中, Lab2和Lab3的容許誤差均顯著高于其余實驗室。

[1] 徐云碧, 王冰冰, 張健, 張嘉楠, 李建生. 應用分子標記技術改進作物品種保護和監管. 作物學報, 2022, 48: 1853–1870. Xu Y B, Wang B B, Zhang J, Zhang J N, Li J S. Enhancement of plant variety protection and regulation using molecular marker technology., 2022, 48: 1853–1870 (in Chinese with English abstract).

[2] 李巧英, 鄭戈文. SNP分子標記技術在農作物種子檢測中的研究與應用. 中國種業, 2019, (11): 16–18. Li Q Y, Zheng G W. Research and application of SNP molecular marker technology in crop seed detection., 2019, (11): 16–18 (in Chinese).

[3] 龐斌雙, 任雪貞, 劉麗華, 趙昌平, 張明明, 金石橋, 李宏博, 劉陽娜, 周澤宇, 張風廷, 張立平, 張勝全, 馬錦繡, 權威, 王穆穆, 張旭, 侯建, 關海濤, 傅友蘭, 王衛紅. 小麥品種真實性鑒定 SNP標記法. 中華人民共和國農業行業標準, 2021, NY/T 4021-2021. Pang B S, Ren X Z, Liu L H, Zhao C P, Zhang M M, Jin S Q, Li H B, Liu Y N, Zhou Z Y, Zhang F T, Zhang L P, Zhang S Q, Ma J X, Quan W, Wang M M, Zhang X, Hou J, Guan H T, Fu Y L, Wang W H. Wheat (L.) variety genuineness identification: SNP based method. Agricultural Industry Standards of the People’s Republic of China, 2021, NY/T 4021–2021 (in Chinese).

[4] 王鳳格, 晉芳, 田紅麗, 易紅梅, 趙久然, 金石橋, 楊揚, 王蕊,葛建镕, 支巨振, 趙建宗. 玉米品種真實性鑒定 SNP標記法. 中華人民共和國農業行業標準, 2021, NY/T 4022–2021. Wang F G, Jin F, Tian H L, Yi H M, Zhao J R, Jin S Q, Yang Y, Wang R, Ge J R, Zhi J Z, Zhao J Z. Maize (L.) variety genuineness identification: SNP based method. Agricultural Industry Standards of the People’s Republic of China, 2021, NY/T 4022–2021 (in Chinese).

[5] 魏興華, 劉豐澤, 韓斌, 徐群, 馮旗, 趙妍, 支巨振, 周澤宇, 楊窯龍, 馮躍, 任雪貞, 王珊, 章孟臣. 水稻品種真實性鑒定 SNP標記法. 中華人民共和國農業行業標準, 2021, NY/T 2745–2021. Wei X H, Liu F Z, Han B, Xu Q, Feng Q, Zhao Y, Zhi J Z, Zhou Z Y, Yang Y L, Feng Y, Ren X Z, Wang S, Zhang M C. Rice (L.) variety genuineness identification: SNP based method. Agricultural Industry Standards of the People’s Republic of China, 2021, NY/T 2745–2021 (in Chinese).

[6] 田紅麗, 張如養, 范亞明, 楊揚, 張云龍, 易紅梅, 邢錦豐, 王鳳格, 趙久然. Maize 6H-60K芯片在玉米實質性派生品種鑒定中的應用分析. 作物學報, 49: 2876–2885. Tian H L, Zhang R Y, Fan Y M, Yang Y, Zhang Y L, Yi H M, Xing J F, Wang F G, Zhao J R. Application of maize 6H-60K chip in identification of maize essentially derived varieties., 49: 2876–2885 (in Chinese with English abstract).

[7] International Seed Testing Association. Method Validation Reports on Rules Proposals for the International Rules for Seed Testing 2023 Edition, Wallisellen, Switzerland, 2023.

[8] 李成明, 馮士雍, 張震坤, 姜健, 周崎, 丁文興, 宋武元, 于振凡, 李政軍, 肖惠, 劉建斌, 陳玉忠. 測量方法與結果的準確度(正確度與精密度) 第6部分: 準確度值的實際應用. 中華人民共和國國家標準, 2009, GB/T 6379.6-2009. Li C M, Feng S Y, Zhang Z K, Jiang J, Zhou Q, Ding W X, Song W Y, Yu Z F, Li Z J, Xiao H, Liu J B, Chen Y Z. Accuracy (trueness and precision) of measurement methods and results-Part 6: Use in practice of accuracy values. National Standards of the People’s Republic of China, 2009, GB/T 6379.6-2009 (in Chinese).

[9] 嚴威凱. 品種選育與評價的原理和方法評述. 作物學報, 2022, 48: 2137–2154. Yan W K. A critical review on the principles and procedures for cultivar development and evaluation., 2022, 48: 2137–2154 (in Chinese with English abstract).

[10] Xu N, Qiao Y, Zhao S, Yang X, Li J, Fok M. Optimizing the test locations and replicates in multi-environmental cotton registration trials in southern Xinjiang, China., 2022, 62: 1866–1879.

[11] 許乃銀, 李健. 利用GGE雙標圖劃分長江流域棉花纖維品質生態區. 作物學報, 2014, 40: 891–898. Xu N Y, Li J. Ecological regionalization of cotton fiber quality based on GGE biplot in Yangtze River valley., 2014, 40: 891–898 (in Chinese with English abstract).

[12] Yan W. GGEbiplot: a Windows application for graphical analysis of multienvironment trial data and other types of two-way data., 2001, 93: 1111–1118.

[13] 嚴威凱. 雙標圖分析在農作物品種多點試驗中的應用. 作物學報, 2010, 36: 1805–1819. Yan W K. Optimal use of biplots in analysis of multi-location variety test data., 2010, 36: 1805–1819 (in Chinese with English abstract).

[14] 許乃銀, 王揚, 王丹濤, 寧賀佳, 楊曉妮, 喬銀桃. 棉花纖維質量指數的構建與WGT雙標圖分析. 作物學報, 2023, 49: 1262–1271. Xu N Y, Wang Y, Wang D T, Ning H J, Yang X N, Qiao Y T. Construction of cotton fiber quality index and WGT biplot analysis., 2023, 49: 1262–1271 (in Chinese with English abstract).

[15] Jighly A, Hayden M, Daetwyler H. Integrating genomic selection with a genotype plus genotype × environment (GGE) model improves prediction accuracy and computational efficiency., 2021, 44: 3459–3470.

[16] 于振凡, 馮士雍, 劉文, 姜健, 丁文興, 王斗文, 肖惠, 李成明.測量方法與結果的準確度(正確度與精密度) 第1部分: 總則與定義. 中華人民共和國國家標準, 2004, GB/T 6379.1-2004. Yu Z F, Feng S Y, Liu W, Jiang J, Ding W X, Wang D W, Xiao H, Li C M. Accuracy (trueness and precision) of measurement methods and results. Part 1: General principles and definitions. National Standards of the People’s Republic of China, 2004, GB/T 6379.1-2004 (in Chinese).

[17] 蓋鈞鎰. 試驗統計方法. 北京: 中國農業出版社, 2006. Gai J Y. Methods of Experimental Statistics. Beijing: China Agriculture Press, 2006 (in Chinese).

[18] Wilson E B. Probable inference, the law of succession, and statistical inference., 1927, 22: 209–212.

[19] Yan W, Kang M S, Ma B, Woods S, Cornelius P L. GGE biplot vs. AMMI analysis of genotype-by-environment data., 2007, 47: 643–655.

[20] Yan W. A systematic narration of some key concepts and procedures in plant breeding., 2021, 12: 724517.

[21] 劉麗華, 龐斌雙, 劉陽娜, 李宏博, 王娜, 王拯, 趙昌平. 基于SNP標記的小麥高通量身份鑒定模式. 麥類作物學報, 2018, 38: 529–534. Liu L H, Pang B S, Liu Y N, Li H B, Wang N, Wang Z, Zhao C P. High-throughput Identification mode for wheat varieties based on SNP markers., 2018, 38: 529–534 (in Chinese with English abstract).

[22] 王立新, 季偉, 李宏博, 葛玲玲, 信愛華, 王麗霞, 常利芳, 趙昌平. 以DNA位點純合率評價小麥品種的一致性和穩定性. 作物學報, 2009, 35: 2197–2204. Wang L X, Ji W, Li H B, Ge L L, Xin A H, Wang L X, Chang L F, Zhao C P. Evaluating uniformity and stability of wheat cultivars based on ratio of homozygous DNA locus., 2009, 35: 2197–2204 (in Chinese with English abstract).

[23] 田紅麗, 趙紫薇, 楊揚, 范亞明, 班秀麗, 易紅梅, 楊洪明, 劉少榮, 高玉倩, 劉亞維, 王鳳格. 290個吉林省審定玉米品種SSR-DNA指紋構建及遺傳多樣性分析. 作物學報, 2022, 48: 2994–3003. Tian H L, Zhao Z W, Yang Y, Fan Y M, Ban X L, Yi H M, Yang H M, Liu S R, Gao Y Q, Liu Y W, Wang F G. Construction of SSR-DNA fingerprints and genetic diversity analysis of 290 maize varieties approved in Jilin province, China., 2022, 48: 2994–3003 (in Chinese with English abstract).

[24] Xu N, Fok M, Zhang G, Li J, Zhou Z. The application of GGE biplot analysis for evaluating test locations and mega-environment investigation of cotton regional trials., 2014, 13: 1921–1933.

[25] Yan W. Crop Variety Trials: Data Management and Analysis. New York: John Wiley & Sons, 2014.

[26] 許乃銀, 李健. 棉花區試中品種多性狀選擇的理想試驗環境鑒別. 作物學報, 2014, 40: 1936–1945. Xu N Y, Li J. Identification of ideal test environments for multiple traits selection in cotton regional trials., 2014, 40: 1936–1945 (in Chinese with English abstract).

Genetic similarity and its detection accuracy analysis of wheat varieties based on SNP markers

XU Nai-Yin1, JIN Shi-Qiao2,*, JIN Fang2, LIU Li-Hua3, XU Jian-Wen1, LIU Feng-Ze2, REN Xue-Zhen2, SUN Quan2, XU Xu1, and PANG Bin-Shuang3,*

1Institute of Industrial Crops, Jiangsu Academy of Agricultural Sciences, Nanjing 210014, Jiangsu, China;2National Agricultural Technical Extension and Service Center, Beijing 100125, China;3Institute of Hybrid Wheat, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China

The accuracy estimation of genetic similarity detection of crop varieties is an indispensable supplement and improvement to the application of SNP marker method in crop variety detection technology system. In this study, based on the cross-laboratory collaborative validation test data using SNP molecular marker method in 2021, the genetic similarity among wheat varieties and the accuracy of SNP molecular marker method in variety similarity detection were analyzed. The results showed as follows: (1) The overall accuracy of marker locus similarity detection among 55 wheat variety combinations by 10 laboratories was approximately 98%. (2) The genetic relationship between varieties view of GGE biplot delineated the genetic relationship between varieties. The genetic similarity between seven combinations of wheat varieties was over 95%, and the genetic similarity of other combinations was relatively lower. (3) The “trueness-precision” view and “accuracy ranking” view of GGE biplot identified that the similarity detection accuracy of the variety combination Jinmai 47/Linkang 11 was on average, Jimai 22/Yingbo 700 was relatively lower, while Luohan 7/Luohan 11 and other variety combinations were relatively high. (4) Significant differences were existed in detection accuracy among the 10 laboratories, and the performances in detection trueness, precision and accuracy of two laboratories were significantly worse than those of other laboratories. (5) The tolerance error of the trueness of each laboratory ranged from 1.3% to 1.9%, with an average of 1.5%. The tolerance error of accuracy was distributed between 1.5% and 2.0%, with an average of 1.7%. Among them, the tolerance errors of the detection trueness and accuracy of Lab2 and Lab3 were significantly worse than those of the other laboratories. In this study, the detection accuracy statistical model of SNP marker method in detecting crop variety similarity was constructed to analyze the detection accuracy and the corresponding tolerance error of variety combination in different laboratories, and the GGE biplot techniques were adopted to visualize the detection trueness, precision, and accuracy, so as to verify the accuracy and reliability of the detection method for variety locus similarity in each laboratory. Therefore, the findings in this study could provide the theoretical support and application examples for the accuracy evaluation of SNP marker detection technique system for genetic similarity among crop varieties.

wheat (L.); GGE biplot; SNP marker; genetic similarity; locus similarity; accuracy

10.3724/SP.J.1006.2024.31044

本研究由國家科技創新重大項目(2022ZD04019)資助。

This study was supported by the National Scientific and Technological Innovation Major Project (2022ZD04019).

金石橋, E-mail: jinshiqiao@agri.gov.cn; 龐斌雙, E-mail: 1492196201@qq.com

E-mail: naiyin@126.com

2023-07-20;

2023-10-23;

2023-10-27.

URL: https://link.cnki.net/urlid/11.1809.S.20231027.1619.002

This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).