花生含油量全基因組選擇及近紅外光譜篩選的育種技術探究

魯 清 劉 浩 李海芬 王潤風 黃 璐 梁炫強 陳小平 洪彥彬 劉海燕 李少雄

花生含油量全基因組選擇及近紅外光譜篩選的育種技術探究

魯 清 劉 浩 李海芬 王潤風 黃 璐 梁炫強 陳小平 洪彥彬 劉海燕 李少雄*

廣東省農業科學院作物研究所 / 廣東省農作物遺傳改良重點實驗室 / 國家油料作物改良中心南方花生分中心, 廣東廣州 510640

花生含油量對單位面積產油量至關重要。該性狀受多個微效基因控制, 但可用的緊密連鎖標記十分有限, 傳統的分子標記輔助選擇育種準確性不高。全基因組選擇作為一種新的育種方法, 可實現對數量性狀的早期預測; 近紅外光譜分析可對作物品質性狀(如含油量等)進行無損檢測。通過兩者優勢互補, 建立花生含油量全基因組選擇和近紅外光譜篩選聯合的育種技術, 探討影響花生含油量全基因組選擇預測準確性的因素, 為花生分子育種奠定理論基礎。本研究以216個重組自交系為材料構建訓練群體; 分別以139、464和505株F2、F3和F4為材料構建育種群體; 利用自主開發的“PeanutGBTS40K”液相芯片進行基因分型, 開展含油量全基因組選擇育種模型分析; 通過聯合全基因組選擇和近紅外光譜篩選技術, 開展花生含油量性狀的育種應用, 并評價其育種效果。結果顯示, 對訓練群體進行基因分型后, 總共獲得30,355個高質量SNPs, 并用于11個全基因組預測的模型選擇分析。含油量預測準確性最高的模型為rrBLUP, 其次是randomforest和svmrbf。以重組自交系為預測群體, F2、F3和F4各世代含油量的預測準確性分別為0.116、0.128和0.119; 以重組自交系疊加上一輪的育種群體為預測群體, 各世代含油量的預測準確性分別為0.116、0.131和0.160。全基因組選擇聯合近紅外篩選要比單獨的全基因組選擇對各世代的含油量選擇效果提高1.8%、2.7%和3.4%; 與單獨的近紅外篩選相比, 差異不顯著(0.10%、0.06%和0.07%); 而近紅外篩選與全基因組選擇相比, 含油量可顯著提高1.7%、2.6%和3.3%。通過聯合全基因組選擇和近紅外光譜篩選育種, F3和F4分別比F2的含油量提高1.2%和1.0%。F4總共獲得16個入選改良株系, 有10個株系含油量≥55.0%, 其中2個株系(SF4_201和SF4_379)的理論產量分別比對照增產7.0%和11.1%。本研究通過建立花生含油量性狀的全基因組選擇-近紅外光譜篩選聯合育種技術, 可有效實現花生含油量性狀的遺傳改良。

花生; 含油量; 全基因組選擇; 近紅外光譜分析; 基因組育種值

我國是食用植物油生產和消費大國。由于快速增長的消費需求, 我國食用植物油綜合自給率僅有30%左右, 進口依賴程度大。加之國際經貿摩擦、貿易壁壘等因素, 使得油料進口風險劇增, 油脂市場供給形勢十分嚴峻, 迫切需要進一步提高國內油料生產能力。花生是我國重要的油料作物和經濟作物之一。近年來, 我國花生年均種植面積在460萬公頃左右, 居世界第二; 總產量保持在1700萬噸以上, 位列世界第一[1]。在我國主要的油料作物中, 花生的單產和單位面積產油量最高, 是我國優勢油料作物之一, 在保障我國食用植物油供給安全、穩定國內市場供給具有較大的潛力和優勢[1]。含油量對單位面積產油量有最直接貢獻。研究表明, 花生含油量每提高1%相當于產量提高2%左右, 效益可提高7%以上[2]。但是, 我國花生育成品種含油量普遍偏低(平均50%左右), 高油品種(含油量55%以上)缺乏[3], 尤其在我國南方沿海花生產區, 品種含油量長期徘徊在50%左右[4-6]。而我國花生種質資源鑒定中不乏有含油量超過55%的高油優異種質[7-8], 其中“潢川立桿”河南地方種含油量超過59%[9]。可見, 我國花生品種含油量的遺傳改良還有很大的提升空間。

花生具有“地上開花地下結果”的特征, 這使得表型選擇育種繁瑣復雜、周期長; 而傳統的分子標記輔助選擇育種(Marker Assisted Selection, MAS)受限于有限的連鎖標記[10], 并且MAS對于復雜數量性狀選擇準確性低[11-12]。顯然, 利用常規的表型選擇育種和傳統的MAS技術開展花生數量性狀(含油量等)的遺傳改良在短期內難以取得突破。全基因組選擇(Genomic Selection, GS)技術和近紅外光譜(Near Infrared Ray, NIR)篩選技術的出現為花生含油量等品質性狀的遺傳育種提供了新方向。GS育種策略是利用覆蓋整個基因組的遺傳標記, 通過適當的統計學建模, 在訓練群體中估計出每一個標記的效應值, 并在育種群體中對整個基因組遺傳變異和遺傳效應進行準確的預測, 估算個體基因組育種值(Genomic Estimated Breeding Value, GEBV), 根據GEBV對個體進行選留[13-14]。有研究表明, GS技術的遺傳進展高于表型選擇4%～25%, 單位遺傳進展成本比傳統育種低26%～65%[15]; 其選擇標準是個體的基因組育種值, 對低遺傳力性狀具有很好的選擇效果[16]。目前, GS技術已在家畜[17-19]、農作物[20-21]、果樹[22]、林木[23-24]等育種上得到廣泛應用。但是, GS在育種選擇過程中不依賴個體表型, 其GEBV的預測準確性受標記密度、統計方法等因素影響, 可能造成遺傳估計與真實表型產生偏差, 導致育種選留存在一定程度的“假陽性”[25]。NIR技術可以對作物種子品質性狀(如含油量等)進行快速無損檢測, 可實現單籽粒、低世代表型篩選[26]。通過GS和NIR技術互補可有效提升育種個體選留的準確性。栽培花生是異源四倍體作物(AABB, 2= 40), 基因組較大(約2.6 Gb)、結構復雜。以往對花生含油量的檢測多采用常規的化學法。該方法需要一定的種子量進行研磨、萃取, 不僅操作繁瑣而且難以在早代開展育種材料的選留。在分子育種方面, 花生含油量可用的連鎖標記不多, 傳統的MAS育種技術也是受限[3]。近年來, 隨著花生野生種和栽培種基因組從頭測序的完成[27-33], 研究者開發了多張高密度SNP或SSR物理圖譜[34-36]; 加之多種高通量、自動化、大規模基因型檢測平臺開發完成, 并得到廣泛應用[37-38]。這些都為花生開展GS育種提供了充分可行的條件。

本研究針對花生含油量性狀, 以高油“93057”和低油“Y410”親本獲得的重組自交系(Recombinant Inbred Lines, RILs)為材料構建GS訓練群體; 以待改良品種“航花2號”和高油親本“93057”雜交后代為材料構建育種群體; 聯合NIR篩選驗證, 開發花生含油量性狀的GS-NIR聯合育種技術, 并探討其育種應用效果, 為花生育種新技術的建立奠定基礎。

1 材料與方法

1.1 試驗材料

本研究中訓練群體是2011年以高油材料“93057”為母本、低油材料“Y410”為父本雜交后, 每年春、秋兩季種植, 通過單粒傳直到F9代獲得的216個RILs家系。本研究中育種群體是2020年以待改良品種“航花2號”為母本, 高油材料“93057”為父本雜交后獲得的F2(2021年春季)、F3(2021年秋季)和F4(2022年春季)各世代分離群體, 分別包含139、464和505個單株。所有材料均種植在廣東省農業科學院白云試驗基地(廣東省廣州市白云區, 23°39′N, 113°44′E)。2016—2019年春季, 訓練群體216份RILs家系每份材料種植4行, 每行長1.2 m, 行株間距0.2 m, 單粒播種, 隨機區組3次重復, 常規田間管理。成熟后, 每個家系隨機取小區中間的6株調查含油量表型。育種群體的各世代按照同樣的密度單粒播種, 常規田間管理。成熟后, 調查相應世代每個單株的含油量表型。根據GS預測和NIR檢測的結果, 含油量從高到低排序, 保留兩者前10的單株編號, 合并后構成下一輪育種群體, 直到F4。利用瑞典波通DA7250近紅外分析儀測定花生種仁的含油量。

1.2 基因分型

花生出苗60 d后取新鮮葉片, 利用植物DNA提取試劑盒(DP305-03, TianGen, 北京)按照操作說明步驟提取樣本的基因組DNA。利用本團隊開發的“PeanutGBTS40K”液相芯片(尚未發表), 委托博瑞迪生物技術有限公司(河北石家莊)進行試驗材料的基因分型[39]。獲得基因型后進行數據質控, 基本流程包括: 完整度過濾, 篩選基因型至少覆蓋80%以上的個體標記; 雜合度過濾, 去除雜合率大于50%以上的標記; 最小等位基因頻率過濾, 去除等位基因頻率小于0.05的標記; 過濾多等位變異, 保留二等位變異基因型。

1.3 遺傳力估計和群體結構分析

利用RILs家系的含油量表型和篩選后的基因型數據, 使用R軟件包(rrBLUP)的kin.blup函數估算遺傳方差(G2)和環境方差(E2)[40]。根據公式:2=G2/(G2+ (E2/)), 估算含油量性狀的廣義遺傳力, 其中為樣本重復數。使用gcta軟件[41]基于過濾后的基因型進行群體結構主成分分析(Principal Component Analysis, PCA)。

1.4 GS模型選擇

本研究利用訓練群體的基因型和4個年份平均含油量表型對11種主要的GS模型, 包括rrBLUP、svmrbf、svmpoly、randomforest、pls、gblupD、gblupA、BayesA、BayesB、BayesC、BayesLasso進行訓練, 并通過5倍交叉驗證, 對各模型的預測準確性進行評估。其中, 5倍交叉驗證方法為: 將訓練群體樣本隨機分成5份, 4份作為訓練集, 1份作為測試集。以均等的概率對子集進行建模訓練, 每一次都統計測試集的預測值與真實值之間的皮爾森(Pearson)相關系數, 評估模型預測準確性。所有模型均使用R軟件包實現, 其中 rrBLUP使用rrBLUP[40]的函數mix.solve; svmrbf和svmpoly使用kemlab[42]; randomforest使用randomForest[43]; pls使用pls (https://CRAN.R-project.org/package=pls); gblupD和gblupA使用rrblup[40]的函數kin.blup; Bayes A、Bayes B、Bayes C和Bayes Lasso均使用BGLR[44]。

為了探究不同訓練群體大小對GS預測準確性的影響, 訓練群體大小設置10%為梯度從小到大遞增, 剩下的為育種群體, 每個訓練群體大小重復100次。為了探究SNP標記數量對GS預測準確性的影響, 分別隨機選擇100、500、1000、5000、10,000、15,000、20,000、25,000和30,000的SNP數目, 采用5倍交叉驗證進行訓練, 每個標記密度重復100次。

2 結果與分析

2.1 訓練群體及其親本表型分析

親本“93057”和親本“Y410”是在前期花生種質資源鑒定評價過程中發現的2個含油量差異較大的材料。其中, “93057”平均含油量達55.4%, 而“Y410”僅為42.9% (圖1-A)。以這2個含油量差異顯著的材料為親本, 通過雜交自交構建了包含216個RILs家系作為本研究的訓練群體。2016—2019年的含油量表型分析顯示該群體家系的平均含油量分別為52.1%、49.8%、48.9%和52.2%, 變異系數分別為5.9%、4.6%、4.0%和4.1%。Shapiro-Wilk正態分布檢驗顯示, 其含油量在2017、2018和2019年均符合正態分布(圖1-C), 表明該性狀為典型的數量性狀,且計算的廣義遺傳力為0.856。

2.2 訓練群體基因分型及主成分分析

利用“PeanutGBTS40K”液相芯片對216個RILs家系進行基因分型。該芯片總共包含40,990個SNP標記, 通過數據質控后最終獲得30,355個高質量SNP進行后續訓練群體的全基因組選擇模型分析。這些SNP在花生不同染色體分布如圖2-A所示, 其中A07和B09分布的標記數量較多, SNP位點分別為3055個和3042個; 而A08和B07分布的標記數量較少, SNP位點分別為1355個和1293個; 平均密度為16.1個SNP Mb-1, 基因組覆蓋率為99.7%, 位點平均最小等位基因頻率為0.38, 雜合率約為0.92%。訓練群體的PCA分析結果顯示該群體沒有明顯的亞群結構, 前2個主成分PC1和PC2的方差解釋率分別為11.26%和10.01% (圖2-B)。

圖1 訓練群體親本及216份家系表型分布

A: 高油親本93057和低油親本Y410的含油量統計; B: 216份重組自交系在4個不同年份的含油量分布; C: 216份重組自交系在4個不同年份的含油量正態性檢驗。*** 表示< 0.001。

A: oil content of high oil material 93057 and low oil material Y410; B: oil content distribution of 216 recombinant inbred lines in four years; C: the Shapiro-Wilk normality test of oil content distribution in four years. *** represent< 0.001.

圖2 訓練群體SNP數目分布及主成分分析

A: SNP在花生20條染色體的分布; B: 訓練群體主成分分析。

A: the distribution of SNP on 20 chromosomes; B: the principal component analysis of training population.

2.3 訓練群體的不同GS模型的預測準確性評估

為了更好的比較不同模型的預測準確性, 本研究引入百果重和蛋白含量2個性狀, 作為模型評估對照。利用30,355個SNP, 結合5倍交叉驗證對各模型的預測準確性進行評估。結果顯示, 在11個GS模型中rrBLUP模型對所有性狀均具有最好的預測準確性, 其次是randomforest (圖3-A)。其中, 含油量的預測準確性為0.331, 高于其他模型; 百果重和蛋白含量預測準確性分別為0.268和0.308。預測準確性最差的為gblupD模型, 其含油量性狀的預測準確性為0.102。因此, rrBLUP模型可作為后續GS預測的最優模型。

通過隨機抽樣構建不同樣本大小的訓練群體, 探究訓練群體樣本量對含油量rrBLUP模型預測準確性的影響。如圖3-B所示, 隨著訓練群體逐漸增大, GS預測準確性呈上升趨勢; 當訓練群體超過70%后, GS預測準確性增加幅度較小。同理, 通過對標記進行隨機抽樣, 研究不同標記數量對模型預測準確性的影響。由圖3-C可知, 隨著SNP標記數量的增多, GS預測準確性呈上升趨勢; 當SNP標記數目達到5000個時, 其預測準確性達0.262; 繼續增加SNP標記數量, 預測準確性增加比較緩慢。

圖3 含油量全基因組選擇模型篩選及其預測準確性影響因素分析

A: 11個全基因組選擇模型預測準確性比較; B: 訓練群體不同樣本大小的預測準確性比較; C: 不同標記數目的預測準確性比較。

A: comparison of accuracy among 11 genomic selection models; B: comparison of accuracy for different sample sizes of training populations; C: comparison of accuracy for different number of SNP markers.

2.4 最優模型對育種群體的育種值預測及育種決策

以高油“93057”和低油“Y410”親本(圖1-A)獲得的RILs家系構建GS訓練群體; 以待改良親本“航花2號” (含油量49.4%)和高油親本“93057”后代構建育種群體; 以篩選到的最優模型rrBLUP, 開展花生含油量GS預測準確性研究(圖4-A)。利用RILs家系為訓練群體, 分別以F2、F3和F4世代為育種群體, 探究不同世代的GS預測準確性。在本研究中, F2、F3和F4的預測準確性分別為0.116、0.128和0.119, 其預測準確性隨世代的增加稍有提高(F3)而后降低(F4),但差異并不明顯。以RILs家系為基礎, 將上一代的育種群體添加進訓練群體, 通過擴大訓練群體樣本量, 探究其預測準確性(圖4-B～D)。隨著訓練群體樣本量增大, 其預測準確性從0.116提升到0.160, 增幅達38.4% (圖4-E～G)。因此, 通過擴大訓練群體大小可有效提高預測準確性。

進一步, 本研究比較了各世代單獨GS篩選、NIR篩選和GS-NIR聯合篩選的育種效果。F2、F3和F4各世代, GS-NIR聯合的育種方法分別比單獨GS方法顯著提高1.8%、2.7%和3.4%的含油量; 比單獨NIR方法對含油量篩選差異不顯著(0.10%、0.06%和0.07%); 而單獨NIR比單獨GS方法也可顯著提高含油量(1.7%、2.6%和3.3%) (圖4-H)。這表明, 對于每一世代的篩選, 利用GS-NIR聯合的育種方法和單獨NIR方法比僅依靠GS預測值篩選, 都可顯著提高含油量選擇效果, 其中GS-NIR方法選擇效果最優。而在相同的育種方法篩選條件下, F4代對含油量的篩選與F3代無顯著差異, 而F4和F3代對含油量的篩選與F2代差異顯著或極顯著(圖4-H)。表明隨著世代數的提高, 含油量的篩選效果有所降低; 在實際育種應用過程中, 可在較早世代開展含油量的GS-NIR決策。

2.5 基于GS-NIR育種技術的改良品系評價

每一輪GS后, 根據GEBV預測值和NIR檢測的真實值, 分別將含油量從高到低排序, 保留兩者前10的單株編號, 合并后構成下一輪育種群體, 直到F4, 種植成株系。據此, F2、F3和F4篩選后分別保留了15、17和16個單株。群體含油量結果顯示F3和F4的平均含油量分別為51.9%和51.7%, 顯著高于F2(50.7%); 而F3和F4的群體含油量無顯著性差異(圖5-A)。這表明在實際育種中, 可以在F3或F4對于花生含油量性狀進行篩選決策。

圖4 花生含油量育種值預測及育種決策方法比較

A: GS-NIR聯合的育種技術路線; B～D: 以RILs家系為訓練群體, F2、F3和F4的預測值與觀測值的相關性分析; E～G: 分別以RILs、RIL+F2和RIL+F2+F3為訓練群體, F2、F3和F4的預測值與觀測值的相關性分析; H: 單一的GS和NIR育種方法與GS-NIR聯合的育種方法對不同世代入選單株含油量篩選比較。ns表示0.05; *、**和***分別表示在0.05、0.01和0.001概率水平差異顯著。

A: GS-NIR joint breeding strategy; B-D: correlation analysis between predicted and observed values of F2, F3, and F4using RILs as the training population; E-G: correlation analysis between predicted and observed values of F2, F3, and F4using RILs, RIL+F2and RIL+F2+F3as the training population, respectively; H: comparison of GS, NIR and GS-NIR joint breeding methods for oil content in different generations. ns represents0.05; *, **, and *** represent significant difference at the0.05, 0.01, and 0.001 probability levels, respectively.

F4入選個體種植成株系, 對總共獲得的16個改良株系進行綜合評價。16個株系含油量范圍在51.5%～56.8%之間, 平均含油量為54.6%。其中, 有10個高油株系(含油量≥55.0%), 分別是SF4_064 (56.6%)、SF4_074 (55.8%)、SF4_201 (56.8%)、SF4_ 203 (55.1%)、SF4_206 (55.0%)、SF4_213 (56.3%)、SF4_222 (55.5%)、SF4_359 (56.1%)、SF4_307 (56.0%)和SF4_379 (55.0%)。按照30萬株 hm-2、鮮莢果50%含水率、80%收獲率, 計算各改良株系及其親本的理論產量。結果顯示, 改良株系理論產量范圍在2724.7～4957.9 kg hm–2, 平均產量為3828.0 kg hm–2。在10個高油株系中, 僅有2個株系的理論產量比對照“航花2號”增產, 分別是SF4_201 (4777.0 kg hm–2)和SF4_379 (4957.9 kg hm–2), 各增產7.0%和11.1%, 其余高油株系均減產11.1%～38.9%不等(圖5-B)。表明花生多性狀的協同改良具有相當大的難度, 需要開展多環境、跨組合試驗篩選。因此, 探尋高通量、高效率、高準確性、低成本的現代育種技術是未來作物遺傳改良的重要內容。

圖5 花生含油量GS-NIR聯合的育種策略及改良品系評價

A: 各世代的含油量比較; B: 16個改良株系綜合評價; C: 花生含油量GS-NIR聯合的育種策略。ns表示0.05; *和***分別表示在0.05和0.001概率水平差異顯著。

A: comparison of oil content among different generations; B: evaluation of 16 improved lines; C: GS-NIR joint breeding strategy for peanut oil content improvement. ns represents0.05; * and *** represent significant difference at the0.05 and 0.001 probability levels, respectively.

2.6 花生含油量GS-NIR育種技術的參考策略

基于上述結果, 本研究提出了花生含油量GS-NIR聯合育種的基本策略(圖5-C)。第一, 構建含油量表型豐富的訓練群體, 并不斷擴充、更新訓練群體, 增加遺傳多樣性; 第二, 根據育種需要, 選取合適的基因分型平臺, 不斷更新、添加有效的分子標記(如功能標記、主效QTL緊密連鎖標記等); 第三, 在早世代開展一次GS選擇決策(如在F3或F4), 可有效降低基因分型成本, 聯合NIR對GS入選個體的含油量進行驗證, 確保篩選決策的可靠性; 第四, 通過整合多輪基因型和表型數據, 不斷更新和擴充訓練群體, 有利于提高預測準確性。

3 討論

3.1 作物不同育種方法的比較

作物遺傳改良是提高作物產量、改善品質和增強抗性的主要途徑。作物育種方法和育種技術的探索對提升作物遺傳改良效率至關重要[45]。作物早期育種方法主要是依據個體的優異表型進行選留[45], 而作物表型往往是由基因型和環境互作產生的結果,僅有基因型效應是可以遺傳的。因此, 傳統的表型選擇育種方法對農藝性狀鑒定的準確性提出了極高的要求。對于一些易于觀察的性狀(如顏色性狀等), 表型選擇操作簡單易行。但是, 作物育種中的絕大部分重要性狀(如產量、品質、抗性等)往往都是由多基因控制的數量性狀, 易受環境因素影響, 表型選擇準確性不高[46]。另一方面, 傳統的育種往往需要開展大規模的田間表型篩選, 而且依賴育種家多年的經驗積累, 常常只有少部分育種材料得到田間測試和選擇[47]。隨著分子標記技術的發展, 利用MAS替代表型選擇是提高作物育種效率的有效途徑[48-49]。相對于表型選擇, MAS技術方便快捷, 可在早世代對難以鑒定的性狀進行選擇, 縮短育種周期[50]。但是, MAS技術對主效基因控制的性狀進行選擇比較有效, 而對于多基因控制的數量性狀仍然存在困難[51]。GS這一策略能夠將幾乎所有遺傳變異都考慮進統計模型, 而不僅僅依賴顯著性標記進行決策, 可實現對數量性狀的有效選擇[11]。目前, GS育種已在水稻、豌豆、橡膠樹等作物或林木中得到育種應用[20-23]。本研究探究了花生GS育種及其準確性影響因素, 并結合NIR技術研究了GS聯合NIR提高花生含油量的育種方法, 為花生GS育種提供了理論參考。

3.2 全基因組選擇預測準確性的影響因素

花生含油量對單位面積產油量具有最直接的貢獻, 屬于多基因控制的數量性狀[52]。本研究對花生含油量進行了GS選擇, 其準確性在0.1～0.3左右, 低于大豆[53-54]、玉米[55-56]、水稻[57]等作物。這可能與GS統計模型、訓練群體大小、標記密度、性狀遺傳力等因素有關。有研究表明, 對于植物而言在預測大量微效基因控制的復雜數量性狀時, rrBLUP模型比較有效[58]。這與本研究結果基本一致。研究中同樣發現, 通過加大訓練群體大小、增多起始訓練群體的世代可有效提高GS預測準確性(圖4-E～ G)。Meuwissen等[13]的研究顯示, 當訓練群體大小從500增加到2200時, rrBLUP模型的準確性從0.579增加到0.732; 同時BayesB模型的準確性也從0.708上升到0.848。本研究將訓練群體大小從216增加到819, rrBLUP的預測準確性從0.116增加到0.160, 增幅達38.4%。這表明在后續的GS育種中, 可通過積累、整合和共享不同實驗室、不同項目、不同訓練樣本的基因型和表型等信息, 開展數據共享與開源育種, 達到有效提高預測準確性。標記密度也是影響GS預測準確性的重要影響因素。一般而言, 標記密度越密, 其預測準確性也越高[59], 但預測準確性并非線性增加[55]。這取決于標記與標記之間、或標記與QTL之間的連鎖不平衡程度、群體類型、目標性狀的復雜程度等[60]。在實際育種中, 過高的標記密度不一定能達到預期的選擇效果, 反而會增加基因分型成本。因此, 選擇合適的標記密度是平衡GS育種的經濟性和準確性的重要內容。在玉米中的研究結果表明, 用于GS的SNP標記個數僅需500個即可獲得較高的預測準確性[55]。基于本研究結果, 在花生上用于GS的SNP標記需要達到5000個, 其預測準確性變化趨勢呈現平臺期。這可能與栽培花生具有較大的基因組有關。另外, 由于世代間隔會積累更多的突變和重組, 也會影響GS選擇的準確性, 必須定期更新訓練群體。

3.3 全基因組選擇、近紅外篩選及兩者聯合的育種方法比較

本研究表明, 在同一世代條件下, GS-NIR聯合方法和單獨NIR方法對含油量的篩選效果均顯著或極顯著優于單獨GS方法; 而GS-NIR聯合方法比單獨NIR方法對含油量的篩選差異不顯著(圖4-H)。一方面, 單獨NIR方法雖然是開展含油量篩選的優異方法, 可以實現花生種仁品質性狀的無損檢測, 但其準確性依賴于高質量的預測模型[26], 并且單獨的NIR育種依然屬于傳統的表型選擇育種, 未考慮基因型對含油量表型的效應; 在實際育種應用中, 由于單獨的NIR方法需要將所有的育種材料進行田間種植, 再進行品質檢測, 這對于對小規模的育種群體是可行的, 而對于大規模育種群體的篩選, 極具挑戰。另一方面, GS育種策略雖然是一種優異的育種方法, 可對大規模育種群體進行預測篩選, 大大降低田間種植規模, 已在動植物育種中得到廣泛應用[17-24], 但其選擇的標準是個體預測的GEBV值, 準確性受標記密度、統計方法等因素影響。由此可見, NIR和GS育種方法各有優缺點。本研究通過結合兩者的技術優勢, 探究GS-NIR聯合的育種方法, 可實現比單獨GS方法顯著提升育種個體選留的準確性。目前, 基于單獨的GS或NIR開展作物品質育種的報道較多[61-65], 而利用GS-NIR聯合育種開展作物品質性狀篩選, 未見報道。后續, 對于大規模育種群體, GS-NIR聯合育種方法有望實現個體的提早選留, 減少育種的時間和空間成本。在相同的育種方法篩選條件下, F4代對含油量的篩選與F3代無顯著差異(圖4-H)。因此, 可在較早世代(F3或F4)開展一次含油量的GS選擇, 既可保證GS的篩選效果又可避免多次GS基因分型, 造成育種成本的增加。本研究通過將前一輪的育種群體增加到訓練群體, 用以更新訓練群體, 結果可顯著增加預測準確性(圖4-E～G)。但是, 該策略是選擇后代表型較好的個體發展的群體添加到訓練群體中, 這可能導致訓練群體遺傳多樣性變得狹窄[66]。GS在后代個體篩選決策時依據統計模型預測的基因組育種值, 其預測準確性受上述諸多因素影響。本研究認為, 對于一些復雜數量性狀, 單單依賴GS進行決策, 可能會造成一定的選擇假陽性或假陰性。為解決這一問題, 本研究通過聯合GS技術和NIR篩選, 對GS入選個體再次進行NIR驗證, 確保入選個體的目標表型準確性, 可以充分利用分子育種和表型選擇的優勢互補。基于本研究的結果, 利用GS-NIR策略可有效提高1.8%～3.4%的選擇準確性(圖4-H)。

3.4 全基因組選擇的展望

綜上所述, 作物GS的應用已經取得長足進步, 但依然面臨諸多挑戰。例如基因分型成本、基因型與環境互作、群體組成與結構、表型鑒定的準確性等等。隨著現代分型技術的進步、統計方法的優化、高通量表型組學的發展等, 作物GS技術逐漸成熟和廣泛應用為育種研究提供了新的機遇。在未來, 通過整合不同的農業大數據, 如基因組、泛基因組、表型組等數據, 借助人工智能算法等技術, 有望實現作物育種的規模化、自動化、智能化預測篩選, 精準導入目標性狀基因, 實現分子設計育種。

4 結論

本研究開展了花生含油量性狀的GS研究, 聯合NIR篩選技術, 建立了花生含油量的GS-NIR聯合育種技術流程, 可實現花生含油量性狀的有效改良。通過擴大訓練群體大小、適度控制標記密度、較早世代開展選擇決策, 可實現GS選擇效率和育種經濟性的最優化。本研究為花生含油量性狀的GS育種提供了重要的理論依據。

[1] 廖伯壽. 我國花生生產發展現狀與潛力分析. 中國油料作物學報, 2020, 42: 161–166. Liao B S. A review on progress and prospects of peanut industry in China.,2020, 42: 161–166 (in Chinese with English abstract).

[2] 廖伯壽. 中國花生油脂產業競爭力淺析. 花生學報, 2003, 32(增刊1): 11–15. Liao B S. Analysis on the competitiveness of peanut oil industry in China., 2003, 32(S1): 11–15 (in Chinese with English abstract).

[3] 宋江春, 李拴柱, 王建玉, 張秀閣, 朱雪峰, 喬建禮, 向臻. 我國高油花生育種研究進展. 作物雜志, 2018, (3): 25–31. Song J C, Li S Z, Wang J Y, Zhang X G, Zhu X F, Qiao J L, Xiang Z. Advances in breeding of high oil peanut in China., 2018, (3): 25–31 (in Chinese with English abstract).

[4] 魯清, 李少雄, 陳小平, 周桂元, 洪彥彬, 李海芬, 梁炫強. 我國南方產區花生育種現狀、存在問題及育種建議. 中國油料作物學報, 2017, 39: 556–566.Lu Q, Li S X, Chen X P, Zhou G Y, Hong Y B, Li H F, Liang X Q. Current situation, problems and suggestions of peanut breeding in southern China.2017, 39: 556–566 (in Chinese with English abstract).

[5] 李少雄, 洪彥彬, 陳小平, 梁炫強. 廣東花生生產、育種和種業現狀與發展對策. 廣東農業科學, 2020, 47(11): 78–83. Li S X, Hong Y B, Chen X P, Liang X Q. Present situation and development strategies of peanut production, breeding and seed industry in Guangdong., 2020, 47(11): 78–83 (in Chinese with English abstract).

[6] 杜普旋, 劉軍, 陳榮華, 吳柔賢, 范呈根, 郭丹丹, 魯清. 廣東省花生種質資源收集與鑒定評價. 植物遺傳資源學報, 2023, 24: 671–679. Du P X, Liu J, Chen R H, Wu R X, Fan C G, Guo D D, Lu Q. Systematic collection, identification and evaluation of peanut germplasm resources in Guangdong province., 2023, 24: 671–679 (in Chinese with English abstract).

[7] 姜慧芳, 段乃雄, 任小平, 孫大容. 花生種質資源的性狀鑒定及綜合評價進展. 花生科技, 1999, 38(增刊1): 144–147. Jiang H F, Duan N X, Ren X P, Sun D R.Progress in character identification and comprehensive evaluation of peanut germplasm resources., 1999, 38(S1): 144–147 (in Chinese with English abstract).

[8] 姜慧芳, 任小平, 王圣玉, 黃家權, 雷永, 廖伯壽. 野生花生高油基因資源的發掘與鑒定. 中國油料作物學報, 2010, 32: 30–34. Jiang H F, Ren X P, Wang S Y, Huang J Q, Lei Y, Liao B S.Identification and evaluation of high oil content in wildspecies., 2010, 32: 30–34 (in Chinese with English abstract).

[9] 苗利娟, 張新友, 黃冰艷, 董文召, 湯豐收, 劉娟, 張俊, 劉華,齊飛艷. 河南省花生農家品種資源農藝和品質性狀分析. 植物遺傳資源學報, 2016, 17: 854–860. Miao L J, Zhang X Y, Huang B Y, Dong W Z, Tang F S, Liu J, Zhang J, Liu H, Qi F Y. Evaluation of agronomic and quality traits in peanut (L.) landraces of Henan pro-vince., 2016, 17: 854–860 (in Chinese with English abstract).

[10] Moose S P, Mumm R H. Molecular plant breeding as the foundation for 21st century crop improvement., 2008, 147: 969–977.

[11] Heffner E L, Sorrells M E, Jannink J L. Genomic selection for crop improvement., 2009, 49: 1–12.

[12] Moreau L, Charcosset A, Hospital F, Gallais A. Marker-assisted selection efficiency in populations of finite size., 1998, 148: 1353–1365.

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

[14] Bhat J A, Ali S, Salgotra R K, Mir Z A, Dutta S, Jadon V, Tyagi A, Mushtaq M, Jain N, Singh P K, Singh G P, Prabhu K V. Genomic selection in theof next generation sequencing for complex traits in plant breeding., 2016, 7: 221.

[15] Wong C K, Bernardo R. Genome wide selection in oil palm: increasing selection gain per unit time and cost with small populations., 2008, 116: 815–824.

[16] Shikha M, Kanika A, Rao A R, Mallikarjuna M G, Gupta H S, Nepolean T. Genomic selection for drought tolerance using genome-wide SNPs in maize., 2017, 8: 550.

[17] Guo P, Zhu B, Xu L, Niu H, Wang Z, Guan L, Liang Y, Ni H, Guo Y, Chen Y, Zhang L, Gao X, Gao H, Li J. Genomic prediction with parallel computing for slaughter traits in Chinese Simmental beef cattle using high-density genotypes., 2017, 12: e0179885.

[18] Yang R, Xu Z, Wang Q, Zhu D, Bian C, Ren J, Huang Z, Zhu X, Tian Z, Wang Y, Jiang Z, Zhao Y, Zhang D, Li N, Hu X. Genome?wide association study and genomic prediction for growth traits in yellow-plumage chicken using genotyping-by-sequencing., 2021, 53: 82.

[19] Ros-Freixedes R, Johnsson M, Whalen A, Chen C Y, Valente B D, Herring W O, Gorjanc G, Hickey J M. Genomic prediction with whole-genome sequence data in intensely selected pig lines., 2022, 54: 65.

[20] Toda Y, Wakatsuki H, Aoike T, Kajiya-Kanegae H, Yamasaki M, Yoshioka T, Ebana K, Hayashi T, Nakagawa H, Hasegawa T, Iwata H. Predicting biomass of rice with intermediate traits: Modeling method combining crop growth models and genomic prediction models., 2020, 15: e0233951.

[21] Bartholomé J, Prakash P T, Cobb J N. Genomic prediction: progress and perspectives for rice improvement., 2022, 2467: 569–617.

[22] Atanda S A, Steffes J, Lan Y, Al Bari M A, Kim J H, Morales M, Johnson J P, Saludares R, Worral H, Piche L, Ross A, Grusak M, Coyne C, McGee R, Rao J, Bandillo N. Multi-trait genomic prediction improves selection accuracy for enhancing seed mineral concentrations in pea., 2022, 15: e20260.

[23] Aono A H, Francisco F R, Souza L M, Gon?alves P S, Scaloppi Junior E J, Le Guen V, Fritsche-Neto R, Gorjanc G, Quiles M G, de Souza A P. A divide-and-conquer approach for genomic prediction in rubber tree using machine learning., 2022, 12: 18023.

[24] Freeman J S, Slavov G T, Butler J B, Frickey T, Graham N J, Kláp?tě J, Lee J, Telfer E J, Wilcox P, Dungey H S. High density linkage maps, genetic architecture, and genomic prediction of growth and wood properties in., 2022, 23: 731.

[25] Misztal I, Aguilar I, Lourenco D, Ma L, Steibel J P, Toro M. Emerging issues in genomic selection., 2021, 99: skab092.

[26] 紀紅昌, 邱曉臣, 柳文浩, 胡暢麗, 孔銘, 胡曉輝, 黃建斌, 楊雪, 唐艷艷, 張曉軍, 王晶珊, 喬利仙. 花生籽仁含油量近紅外模型的構建及其應用. 中國油料作物學報, 2022, 44: 1089–1097.Ji H C, Qiu X C, Liu W H, Hu C L, Kong M, Hu X H, Huang J B, Yang X, Tang Y Y, Zhang X J, Wang J S, Qiao L X. Construction and application of near infrared ray model for oil content prediction in peanut kernel.2022, 44: 1089–1097 (in Chinese with English abstract).

[27] Chen X, Li H, Pandey M K, Yang Q, Wang X, Garg V, Li H, Chi X, Doddamani D, Hong Y, Upadhyaya H, Guo H, Khan A W, Zhu F, Zhang X, Pan L, Pierce G J, Zhou G, Krishnamohan K A, Chen M, Zhong N, Agarwal G, Li S, Chitikineni A, Zhang G Q, Sharma S, Chen N, Liu H, Janila P, Li S, Wang M, Wang T, Sun J, Li X, Li C, Wang M, Yu L, Wen S, Singh S, Yang Z, Zhao J, Zhang C, Yu Y, Bi J, Zhang X, Liu Z J, Paterson A H, Wang S, Liang X, Varshney R K, Yu S. Draft genome of the peanut A-genome progenitor () provides insights into geocarpy, oil biosynthesis, and allergens., 2016, 113: 6785–6790.

[28] Bertioli D J, Cannon S B, Froenicke L, Huang G, Farmer A D, Cannon E K, Liu X, Gao D, Clevenger J, Dash S, Ren L, Moretzsohn M C, Shirasawa K, Huang W, Vidigal B, Abernathy B, Chu Y, Niederhuth C E, Umale P, Araújo A C, Kozik A, Kim K D, Burow M D, Varshney R K, Wang X, Zhang X, Barkley N, Guimar?es P M, Isobe S, Guo B, Liao B, Stalker H T, Schmitz R J, Scheffler B E, Leal-Bertioli S C, Xun X, Jackson S A, Michelmore R, Ozias-Akins P. The genome sequences ofand, the diploid ancestors of cultivated peanut., 2016, 48: 438–446.

[29] Lu Q, Li H, Hong Y, Zhang G, Wen S, Li X, Zhou G, Li S, Liu H, Liu H, Liu Z, Varshney R K, Chen X, Liang X. Genome sequencing and analysis of the peanut B-genome progenitor ()., 2018, 9: 604.

[30] Yin D, Ji C, Ma X, Li H, Zhang W, Li S, Liu F, Zhao K, Li F, Li K, Ning L, He J, Wang Y, Zhao F, Xie Y, Zheng H, Zhang X, Zhang Y, Zhang J. Genome of an allotetraploid wild peanut: aassembly., 2018, 7: giy066.

[31] Chen X, Lu Q, Liu H, Zhang J, Hong Y, Lan H, Li H, Wang J, Liu H, Li S, Pandey M K, Zhang Z, Zhou G, Yu J, Zhang G, Yuan J, Li X, Wen S, Meng F, Yu S, Wang X, Siddique K H M, Liu Z J, Paterson A H, Varshney R K, Liang X. Sequencing of cultivated peanut,, yields insights into genome evolution and oil improvement., 2019, 12: 920–934.

[32] Bertioli D J, Jenkins J, Clevenger J, Dudchenko O, Gao D, Seijo G, Leal-Bertioli S C M, Ren L, Farmer A D, Pandey M K, Samoluk S S, Abernathy B, Agarwal G, Ballén-Taborda C, Cameron C, Campbell J, Chavarro C, Chitikineni A, Chu Y, Dash S, El Baidouri M, Guo B, Huang W, Kim K D, Korani W, Lanciano S, Lui C G, Mirouze M, Moretzsohn M C, Pham M, Shin J H, Shirasawa K, Sinharoy S, Sreedasyam A, Weeks N T, Zhang X, Zheng Z, Sun Z, Froenicke L, Aiden E L, Michelmore R, Varshney R K, Holbrook C C, Cannon E K S, Scheffler B E, Grimwood J, Ozias-Akins P, Cannon S B, Jackson S A, Schmutz J. The genome sequence of segmental allotetraploid peanut., 2019, 51: 877–884.

[33] Zhuang W, Chen H, Yang M, Wang J, Pandey M K, Zhang C, Chang W C, Zhang L, Zhang X, Tang R, Garg V, Wang X, Tang H, Chow C N, Wang J, Deng Y, Wang D, Khan A W, Yang Q, Cai T, Bajaj P, Wu K, Guo B, Zhang X, Li J, Liang F, Hu J, Liao B, Liu S, Chitikineni A, Yan H, Zheng Y, Shan S, Liu Q, Xie D, Wang Z, Khan S A, Ali N, Zhao C, Li X, Luo Z, Zhang S, Zhuang R, Peng Z, Wang S, Mamadou G, Zhuang Y, Zhao Z, Yu W, Xiong F, Quan W, Yuan M, Li Y, Zou H, Xia H, Zha L, Fan J, Yu J, Xie W, Yuan J, Chen K, Zhao S, Chu W, Chen Y, Sun P, Meng F, Zhuo T, Zhao Y, Li C, He G, Zhao Y, Wang C, Kavikishor P B, Pan R L, Paterson A H, Wang X, Ming R, Varshney R K. The genome of cultivated peanut provides insight into legume karyotypes, polyploid evolution and crop domestication., 2019, 51: 865–876.

[34] Pandey M K, Agarwal G, Kale S M, Clevenger J, Nayak S N, Sriswathi M, Chitikineni A, Chavarro C, Chen X, Upadhyaya H D, Vishwakarma M K, Leal-Bertioli S, Liang X, Bertioli D J, Guo B, Jackson S A, Ozias-Akins P, Varshney R K. Development and evaluation of a high density genotyping ‘Axiom_’ array with 58?K SNPs for accelerating genetics and breeding in groundnut., 2017, 7: 40577.

[35] Zhao C, Qiu J, Agarwal G, Wang J, Ren X, Xia H, Guo B, Ma C, Wan S, Bertioli D J, Varshney R K, Pandey M K, Wang X. Genome-wide discovery of microsatellite markers from diploid progenitor species,and, and their application in cultivated peanut ()., 2017, 8: 1209.

[36] Lu Q, Hong Y, Li S, Liu H, Li H, Zhang J, Lan H, Liu H, Li X, Wen S, Zhou G, Varshney R K, Jiang H, Chen X, Liang X. Genome-wide identification of microsatellite markers from cultivated peanut (L.)., 2019, 20: 799.

[37] Elshire R J, Glaubitz J C, Sun Q, Poland J A, Kawamoto K, Buckler E S, Mitchell S E. A robust, simple genotyping-by- sequencing (GBS) approach for high diversity species., 2011, 6: e19379.

[38] 徐云碧, 楊泉女, 鄭洪建, 許彥芬, 桑志勤, 郭子鋒, 彭海, 張叢, 藍昊發, 王蘊波, 吳坤生, 陶家軍, 張嘉楠. 靶向測序基因型檢測(GBTS)技術及其應用. 中國農業科學, 2020, 53: 2983–3004. Xu Y B, Yang Q N, Zheng H J, Xu Y F, Sang Z Q, Guo Z F, Peng H, Zhang C, Lan H F, Wang Y B, Wu K S, Tao J J, Zhang J N. Genotyping by target sequencing (GBTS) and its applications., 2020, 53: 2983–3004 (in Chinese with English abstract).

[39] Guo Z F, Wang H W, Tao J J, Ren Y H, Xu C, Wu K S, Zou C, Zhang J A, Xu Y B. Development of multiple SNP marker panels affordable to breeders through genotyping by target sequencing (GBTS) in maize., 2019, 39: 37–49.

[40] Endelman J B. Ridge regression and other kernels for genomic selection with R package rrBLUP., 2011, 4: 250–255.

[41] Yang J, Lee S H, Goddard M E, Visscher P M. GCTA: a tool for genome-wide complex trait analysis., 2011, 88: 76–82.

[42] Karatzoglou A, Smola A, Hornik K, Zeileis A. Kernlab: an S4 package for kernel methods in R., 2004, 11: 721–729.

[43] Breiman L. Random forests., 2001, 45: 5–32.

[44] Perez P, de los Campos G. Genome-wide regression and prediction with the BGLR statistical package., 2014, 198: 483–495.

[45] 何紅中, 周瑞洲. 中國作物育種技術發展的回望與思考. 科學, 2016, 68(4): 32–36.He H Z, Zhou R Z. Reflecting on the development of crop breeding technology in China., 2016, 68(4): 32–36 (in Chinese with English abstract).

[46] 劉忠松. 作物遺傳育種研究進展: V. 表型選擇與基因型選擇. 作物研究, 2014, 28: 780–784.Liu Z S.Research progress in crop genetics and breeding: V. Phenotypic selection and genotype selection., 2014, 28: 780–784 (in Chinese with English abstract).

[47] Bernardo R. Testcross additive and dominance effects in best linear unbiased prediction of maize single-cross performance., 1996, 93: 1098–1102.

[48] Stuber C W, Goodman M M, Moll R H. Improvement of yield and ear number resulting from selection at allozyme loci in a maize population., 1982, 22: 737–740.

[49] Bernardo R, Yu J M. Prospects for genome wide selection for quantitative traits in maize., 2007, 47: 1082–1090.

[50] Hospital F, Moreau L, Lacoudre F, Charcosset A, Gallais A. More on the efficiency of marker-assisted selection., 1997, 95: 1181–1189.

[51] Xu Y, Crouch J H. Marker-assisted selection in plant breeding: from publications to practice., 2008, 48: 391–407.

[52] 江建華, 肖美華, 王曉帥, 于歡歡, 管叔琪, 倪皖莉. 花生含油量研究進展. 中國農學通報, 2012, 28(33): 1–6.Jiang J H, Xiao M H, Wang X S, Yu H H, Guan S Q, Ni W L. Recent progress in oil content ofL., 2012, 28(33): 1–6 (in Chinese with English abstract).

[53] 馬巖松, 劉章雄, 文自翔, 魏淑紅, 楊春明, 王會才, 楊春燕, 盧為國, 徐冉, 張萬海, 吳紀安, 胡國華, 欒曉燕, 付亞書, 王曙明, 韓天富, 張孟臣, 張磊, 苑保軍, 郭勇, Reif J C, 江勇, 李文濱, 王德春, 邱麗娟. 群體構成方式對大豆百粒重全基因組選擇預測準確度的影響. 作物學報, 2018, 44: 43–52.Ma Y S, Liu Z X, Wen Z X, Wei S H, Yang C M, Wang H C, Yang C Y, Lu W G, Xu R, Zhang W H, Wu J A, Hu G H, Luan X Y, Fu Y S, Wang S M, Han T F, Zhang M C, Zhang L, Yuan B J, Guo Y, Reif J C, Jiang Y, Li W B, Wang D C, Qiu L J. Effect of population structure on prediction accuracy of soybean 100-seed weight by genomic selection., 2018, 44: 43–52 (in Chinese with English abstract).

[54] 唐友, 鄭萍, 王嘉博, 張繼成. 對比Bayesian B等多種方法的大豆全基因組選擇應用研究. 大豆科學, 2018, 37: 353–358.Tang Y, Zheng P, Wang J B, Zhang J C. Application research for soybean genomics selection by comparing Bayesian B and other methods., 2018, 37: 353–358 (in Chinese with English abstract).

[55] 孫強, 任姣姣, 徐曉明, 李宗澤, 黃博文, 陳占輝, 吳鵬昊. 玉米株高和穗位高QTL定位和全基因組選擇探究. 玉米科學, 2022, 30(4): 40–47.Sun Q, Ren J J, Xu X M, Li Z Z, Huang B W, Chen Z H, Wu P H. QTL mapping and genomic selection for plant height and ear height in maize., 2022, 30(4): 40–47 (in Chinese with English abstract).

[56] 許加波, 吳鵬昊, 黃博文, 陳占輝, 馬月虹, 任姣姣. 利用F2:3家系來源單倍體定位玉米雄穗相關性狀QTL及全基因組選擇.作物學報, 2023, 49: 622–633.Xu J B, Wu P H, Huang B W, Chen Z H, Ma Y H, Ren J J. QTL locating and genomic selection for tassel-related traits using F2:3lineage haploids., 2023, 49: 622–633 (in Chinese with English abstract).

[57] 邱樹青, 陸青, 喻輝輝, 倪雪梅, 張耕耘, 何航, 謝為博, 周發松. 水稻全基因組選擇育種技術平臺構建與應用. 生命科學, 2018, 30: 1120–1128.Qiu S Q, Lu Q, Yu H H, Nix M, Zhang G Y, He H, Xie W B, Zhou F S. The development and application of rice whole genome selection breeding platform., 2018, 30: 1120–1128 (in Chinese with English abstract).

[58] Wang X, Yang Z, Xu C. A comparison of genomic selection methods for breeding value prediction., 2015, 60: 925–935.

[59] Hayes B J, Bowman P J, Chamberlain A J, Goddard M E. Invited review: genomic selection in dairy cattle: progress and challenges., 2009, 92: 433–443 (in Chinese with English abstract).

[60] Habier D, Fernando R L, Dekkers J C. Genomic selection using low-density marker panels., 2009, 182: 343–353.

[61] Vinayan M T, Seetharam K, Babu R, Zaidi P H, Blummel M, Nair S K. Genome wide association study and genomic prediction for stover quality traits in tropical maize (L.)., 2021, 11: 686.

[62] Michel S, Kummer C, Gallee M, Hellinger J, Ametz C, Akg?l B, Epure D, Güng?r H, L?schenberger F, Buerstmayr H. Improving the baking quality of bread wheat by genomic selection in early generations., 2018, 131: 477–493.

[63] Kumar S, Chagné D, Bink M C, Volz R K, Whitworth C, Carlisle C. Genomic selection for fruit quality traits in apple (Borkh.)., 2012, 7: e36674.

[64] Rao Y, Xiang B, Zhou X, Wang Z, Xie S, Xu J. Quantitative and qualitative determination of acid value of peanut oil using near-infrared spectrometry., 2009, 93: 249–252.

[65] 胡美玲, 郅晨陽, 薛曉夢, 吳潔, 王瑾, 晏立英, 王欣, 陳玉寧,康彥平, 王志慧, 淮東欣, 姜慧芳, 雷永, 廖伯壽. 單粒花生蔗糖含量近紅外預測模型的建立. 作物學報, 2023, 49: 2498–2504. Hu M L, Zhi C Y, Xue X M, Wu J, Wang J, Yan L Y, Wang X, Chen Y N, Kang Y P, Wang Z H, Huai D X, Jiang H F, Lei Y, Liao B S. Establishment of near-infrared reflectance spectroscopy model for predicting sucrose content of single seed in peanut., 2023, 49: 2498–2504 (in Chinese with English abstract).

[66] Eynard S E, Croiseau P, Lalo? D, Fritz S, Calus M P L, Restoux G. Which individuals to choose to update the reference population? Minimizing the loss of genetic diversity in animal genomic selection programs., 2018, 8: 113–121.

Research on oil content screen with genomic selection and near infrared ray in peanut (L.)

LU Qing, LIU Hao, LI Hai-Fen, WANG Run-Feng, HUANG Lu, LIANG Xuan-Qiang, CHEN Xiao-Ping, HONG Yan-Bin, LIU Hai-Yan, and LI Shao-Xiong*

Crops Research Institute, Guangdong Academy of Agricultural Sciences / Guangdong Provincial Key Laboratory of Crop Genetic Improvement / South China Peanut Sub-Center of National Center of Oilseed Crops Improvement, Guangzhou 510640, Guangdong, China

Oil content is a crucial trait for the yield of oil per unit area in peanut. This trait is controlled by multiple minor genes, and its avaliable tightly linked markers are very limited, resulting in low breeding accuracy in traditional molecular marker assisted selection. Genomic selection (GS), as a new breeding method, could achieve early prediction of quantitative traits. Near infrared ray (NIR) technology can non-destructively detect seed quality traits, such as oil content. By combining the advantages of the two breeding technologies, we have established a breeding technology that combined GS and NIR for breeding peanut oil content, and explored the factors that affected the accuracy of GS for peanut oil content. This study lays a theoretical foundation for peanut molecular breeding. Here, a total of 216 recombinant inbred lines were used as a training population. The F2(139), F3(464), and F4(505) were used to construct the breeding populations. Genotyping was carried out using the self-developed “PeanutGBTS40K” liquid chip. The breeding application of oil content was conducted using a GS and NIR jointed breeding technology, and evaluated its breeding effects. The results showed that after genotyping the training population, a total of 30,355 high-quality SNPs were obtained, and used for 11 GS models selection analyses. The rrBLUP model showed the highest accuracy, followed by randomforest and svmrbf. The GS prediction accuracy of F2, F3, and F4was 0.116, 0.128, and 0.119, respectively, using recombinant inbred lines as the training population. Accordingly, the prediction accuracy was 0.116, 0.131, and 0.160, respectively, using a superimposed training population. Compared with the GS, the GS-NIR can improve oil content by 1.8%, 2.7%, and 3.4% for each generation. Compared with the NIR, there was no significant difference (0.1%, 0.06%, and 0.07%). Compared with the GS, the NIR can significantly improve oil content by 1.7%, 2.6%, and 3.3% for each generation. Through the combined technologies, compared to F2, the oil content of F3and F4increased by 1.2% and 1.0%, respectively. Finally, a total of 16 improved lines were obtained in F4, of which 10 lines had oil content ≥ 55.0%. Among them, two lines (SF4_201 and SF4_379) had a theoretical yield increase of 7.0% and 11.1%, respectively, compared to the control variety. This study suggested that oil content could be effectively improved through GS combined with NIR in peanut.

peanut (L.); oil content; genomic selection; near infrared ray; genomic breeding value

10.3724/SP.J.1006.2024.34115

本研究由2022年省級鄉村振興戰略專項資金種業振興項目(2022-NPY-00-022), 廣東省重點領域研發計劃項目-現代種業(2020B020219003, 2022B0202060004), 財政部和農業農村部國家現代農業產業技術體系建設專項(花生, CARS-13), 廣東省農業科學院農業優勢產業學科團隊項目(202104TD)和廣東省農業科學院協同創新中心項目(XTXM202203)資助。

This study was supported by the Special Funds for the Revitalization of Agriculture through Seed Industry under the Provincial Rural Revitalization Strategy (2022-NPY-00-022), the Guangdong Provincial Key Research and Development Program-Modern Seed Industry (2020B020219003, 2022B0202060004), the China Agriculture Research System of MOF and MARA (Peanut, CARS-13), the Agricultural Competitive Industry Discipline Team Building Project of Guangdong Academy of Agricultural Sciences (202104TD), and the Project of Collaborative Innovation Center of GDAAS (XTXM202203).

李少雄, E-mail: lishaoxiong@gdaas.cn

E-mail: luqing2016@126.com

2023-07-06;

2023-10-23;

2023-11-09.

URL: https://link.cnki.net/urlid/11.1809.S.20231108.1431.002

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