PBJ | 华中农大谢为博等开发水稻抽穗期跨环境精准预测新方法

文摘   2024-11-05 08:22   湖南  

近日,植物学知名期刊《Plant Biotechnology Journal》在线发表了华中农业大学谢为博教授团队、美国加州大学河滨分校贾震宇教授团队和中国种子集团有限公司生命科学技术中心王凯博士等人的合作研究"Redefining the accumulated temperature index for accurate prediction of rice flowering time in diverse environments"。该研究基于178次杂交籼稻品比和区试试验的数据,创新性地重新定义了积温指数(ATI)的计算方法,建立了基于积温指数的单参数水稻抽穗期预测模型,实现了水稻抽穗期的跨环境精准预测。

从投稿到接收不到两个月!

研究背景与重要性

开花时间(抽穗期)是决定作物种植季节和品种适应不同地理区域的关键农艺性状,受遗传和环境因素影响,尤其是温度。准确预测不同环境下的开花时间对于作物管理和新品种选育至关重要。传统的积温指数(ATI)作为预测开花时间的指标,缺乏系统评估和遗传基础理解。

研究方法与数据

研究基于422个水稻杂交种在47个地点的数据,通过优化积温计算的起始和结束点,重新定义了ATI的计算窗口,以增强其对开花时间的预测准确性。研究使用了单参数模型,并且在有限的训练数据下,该模型在准确性和稳定性方面优于现有的反应规范指数(Reaction Norm Index, RNI)模型。

主要发现

  • 最优ATI计算窗口:确定了从播种后1天至开花前26天作为最优ATI计算窗口。
  • 遗传位点的识别:通过全基因组关联研究(GWAS),识别了10个与ATI变异显著相关的位点,包括两个靠近已知开花时间基因的位点。
  • 实用预测工具的开发:利用28个功能相关的标记开发了高效的开花时间预测工具,并提供了用户友好的在线工具(http://xielab.hzau.edu.cn/ATI)。

研究结果

  • 预测准确性:新方法在预测准确性和稳定性方面均优于RNI模型,尤其是在训练数据有限时。
  • 遗传基础:GWAS分析揭示了ATI变异的遗传基础,为指导育种决策提供了潜在价值。
  • 跨年份预测:使用2014至2016年的数据作为训练集,预测其他年份的开花时间,ATI模型表现出高预测性能。

讨论

研究提出了一种新的、稳健的方法,基于重新定义的ATI来预测水稻在不同环境下的开花时间。该方法在多种情况下均显示出高预测准确性,包括对新品种和新环境的预测。ATI模型的成功源于其简单性和生物学相关性,只需要一个易于解释的参数:在定义的ATI窗口内的累积温度。此外,GWAS分析揭示了ATI变异的遗传基础,为育种决策提供了潜在的指导。通过结合这些标记,育种者可以高效地选择亲本系,并开发适应特定温度制度和地理区域的杂交种。研究还开发了一个用户友好的基于网络的工具,允许用户预测不同基因型在不同播种日期和地点的开花时间。

图1 地理分布、遗传结构和环境对水稻开花时间的影响。(a) 47 个种植地点的水稻品种地理分布。(b) 根据全基因组遗传变异的按状态身份 (IBS) 距离构建的 422 个籼稻杂交种的邻接树。(c) 178 次田间试验中开花时间的方差组分分析。(d) 针对按纬度递增排序的位置绘制的每个试验的平均开花时间(天)。(e) 单个品种的开花时间与累积温度 (AT) 之间的变异系数 (CV) 比较。
图2 重新定义和应用累积温度指数 (ATI) 预测水稻开花时间。(a) 重新定义的 ATI 计算示意图及其在预测开花时间中的应用。(b) 热图显示了通过 1000 次采样确定的最佳 ATI 窗口的频率分布。(c) 在三种情况下,基于ATI的预测在不同训练/测试集比例下的表现:预测新环境中测试品种的开花时间(S1)、测试环境中的新品种(S2)和新环境中的新品种(S3)。(d-g)使用不同的训练/测试集组合进行跨年预测的性能。(h) 不同方法对 (c) 所示颜色表示的三种情景的预测性能比较。直接使用平均开花时间进行预测(FT),ATI 模型,反应指数模型(RNI)
图3 ATI 的GWAS和使用 28 个选定标记的开花时间建模。(a) 最佳生长时间窗口中 ATI 的 GWAS 结果。(B-D)已报道的开花时间基因 OsSOC1/Ef-cd (b)、Ghd8 (c) 和 DEP1 (d) 附近基因座的区域关联图。(e) 与生态型差异密切相关的其他基因座,显示 FT 分布和等位基因频率。(f) 在测试环境(上图)和新环境条件(下图)下,使用全基因组变异的 GBLUP 模型与使用选定基因座的 XGBoost 模型对新品种的预测性能比较。(g) 由 XGBoost 模型确定的按开花时间预测重要性排序的选定标记。
图4 ATI-RiceFTPredictor在线Web网站服务

结论

该研究通过优化积温指数ATI的计算方法,开发了一种简单实用的水稻抽穗期预测模型。该模型只需要一个参数(ATI),预测过程简单直观,且同时具备预测准确性高和应用门槛低的优点,将为水稻的育种和生产提供有力支持。

扩展阅读:PBJ | 华中农大谢为博团队联合美国加州大学贾震宇团队及中种集团王凯博士开发水稻抽穗期跨环境精准预测新方法


生物信息与育种
致力将生信、AI、大数据、云计算等技术应用于现代生物育种
 最新文章