非线性基因组选择指数加速多性状作物改良

为更饥饿的世界进行更聪明的育种

随着全球人口增长和气候变得愈发难以预测，植物育种者必须比以往更快地同时改良多种作物性状——比如产量、植株高度和开花时间。本文介绍了一种新的数学工具，帮助育种者更现实地利用DNA信息，不仅捕捉基因的单独效应，还能反映它们之间的相互作用。该方法有望在无需对田间每株植株都进行测量的情况下，加速更优良玉米和小麦品种的培育。

为何将多种性状合并如此困难

育种者很少只关心单一性状。例如，他们希望提高粮食产量，同时还要植株更矮、更结实并在合适的时间开花。传统的“选择指数”将多个性状合并为一个分数来对植株排序。以往这些指数假设各性状的贡献是简单、线性的，且不同性状的效应可以相加。真实生物学更为复杂：性状彼此影响，且存在“适度最佳”的情况，即更多并不总是更好。忽视这些非线性相互作用会减慢遗传改进速度，甚至将育种方向推向错误的方向。

从简单直线到灵活曲线

早期的基因组工具允许育种者利用分布在全基因组的DNA标记来预测植株后代的优良程度，从而形成所谓的线性基因组选择指数。当基因效应主要是可加时，这些方法效果良好。作者将一种更灵活的、历史更久的思想——二次表型选择指数（该指数已经允许平方项和性状间相互作用）——扩展到DNA时代。他们的新工具称为二次基因组选择指数（Quadratic Genomic Selection Index，QGSI），它使用基因组育种值预测并通过线性和二次（曲线）项进行组合。这使得该指数可以捕捉复杂模式，如基因–基因相互作用和性状的最优组合，即便并非每个周期都有田间测量数据。

将新指数付诸检验

为了检验这类复杂性是否带来收益，研究人员将QGSI与仅使用田间数据的线性和二次表型指数，以及使用DNA但仍保持简单的线性基因组指数进行了比较。他们进行了为期10个选择周期的玉米育种计算机模拟，并分析了来自国际育种项目的两组真实玉米和五组小麦数据。用于从DNA预测遗传值的两种方法被测试：一种是标准的可加模型，另一种是更灵活的高斯核模型，后者能捕捉细微的基因相互作用。在这些设置中，QGSI持续产生更大的选择响应——即在多性状上的总体改进幅度——通常也优于二次表型指数。

更高的增益、更低的误差、更均衡

在模拟的玉米周期中，QGSI带来了最高的增益，超过了线性基因组指数和仅基于田间测量的二次指数。它通常也具有较低的预测误差，意味着其评分作为选择亲本的依据更可靠。在来自墨西哥和津巴布韦的真实玉米群体中，当同时改良多项性状时，QGSI实现的增益比线性基因组指数高出80–90%。在不同灌溉和降雨条件下进行的小麦试验中，模式类似：二次指数优于线性指数，而将QGSI与高斯核模型结合在不同环境中提供了最强且最稳定的改进，尤其是在提高粮食产量的同时将植株高度和开花时间保持在可接受范围内。

这对未来作物意味着什么

对于非专业读者，关键信息是：育种者现在有了一种更现实的评分体系，能反映基因与性状的真实相互作用，而不是将它们强行套入直线模型。作者建议在早期只有田间数据可用时采用二次表型指数，而在具备基因组数据和快速选择周期后切换到QGSI。通过更好地捕捉非线性遗传关系，QGSI可以加速多性状作物改良，帮助培育出产量更高、更具韧性并更适应严峻环境的玉米和小麦新品种。

引用: Jesús Cerón-Rojas, J., Montesinos-López, O.A., Montesinos-López, A. et al. Nonlinear genomic selection index accelerates multi-trait crop improvement. Nat Commun 17, 1991 (2026). https://doi.org/10.1038/s41467-026-69890-3

关键词: 基因组选择, 作物育种, 玉米, 小麦, 多性状改良