这项研究基于47个地点的422个水稻杂交种的数据, 确定了播种后1天至开花前26天的窗口积温指标(ATI)为花期预测的重要参数。基于这个重新定义的ATI，设计一个单参数模型，该模型在准确性和稳定性方面都优于的反应范式模型。基于此，确定了10个与ATI变异显著相关的位点，包括两个已知的开花时间基因和4个与生态分化相关的基因。为了进一步提高实用性，开发了一个有效的开花时间预测在线工具(http://xielab.hzau.edu.cn/ATI).。
2024年10月12日，由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发表在Plant Biotechnology Journal（IF=10.1）上的题为“Redefining the accumulated temperature index for accurate prediction of rice flowering time in diverse environments”的文章。
该研究内容如下：
1、自然田间条件下水稻开花时间的可塑性
三种生态型的系统发育分析的结果上，并没有明显分层。方差分析的结果表明，FT的变异中基因型占比74.11%；环境占比20.82%；基因与环境互作以及残差占比5.07%。进一步分析了环境因素对178个田间试验开花时间的影响。开花时间一般随纬度增加而增加，显示出与不同地点从播种到开花的平均日温度有明显的相关性。
图1：水稻开花时间的地理分布、遗传结构和环境影响。(a)水稻品种在47个种植点的地理分布。饼形大小表示品种数;扇形大小表示生态型比例。(b)利用全基因组遗传变异的IBS距离构建了422个籼型杂交种的邻接树。(c)178个田间试验开花时间的方差分量分析。(d)每个试验的平均开花时间（天）与按纬度增加排序的位置作图。每个点代表一个试验，颜色表示生态型，点的大小反映了该试验中所有品种从播种到开花的平均日温度的平均值。(e)品种开花时间与积温的变异系数比较。虚线表示相等的CV值。
2、提高开花时间的跨环境预测准确率
为了提高准确率，该研究对ATI窗口进行了详细的搜索。最终确定最佳窗口范围为1 DAS至26 DBF。并设计了多种测试方式，测试结果均预测优秀。与现有的RNI模型比较，ATI模型不仅在总体预测精度方面优于RNI模型，而且还表现出更高的稳定性和可靠性，特别是在训练数据有限的情况下。
图2：积温指数（ATI）的重新定义及其在水稻花期预测中的应用。(a)重新定义的ATI计算及其在预测开花时间中的应用示意图。(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。最频繁的窗口是从1 DAS到26 DBF。(b)基于ATI的预测在三种情况下在不同训练/测试集比例上的表现：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）。图显示了皮尔逊相关系数（r）、均方误差（MSE）和在观察到的开花时间的5天内的预测百分比。线代表平均性能，阴影区域表示95%置信区间。(d-g)使用不同的训练/测试集组合进行跨年度预测的性能（如图所示）。对角虚线表示完美预测。r值表示预测的开花时间和观察到的开花时间之间的相关性。(h)用颜色表示的三种情况下不同方法的预测性能比较。
3、用GWAS剖析ATI变异的遗传基础
使用从最佳窗口（1DAS至26DBF）计算的所有种植地点的每个杂交种的平均ATI值作为表型。我们确定了10个与ATI变异显著相关的位点。发现了4个基因位点（vg0916354642、vg0313227329、vg0423388047和vg0700383094）的基因型频率与生态型信息密切相关。使用这四个基因座，能够准确的进行生态型分类。
图3：利用28个选择的标记进行ATI的全基因组关联研究（GWAS）和开花时间的建模。(a)ATI在最佳生长时间窗口（1 DAS至26 DBF）中的GWAS结果。(b-d)邻近已报道的开花时间基因OsSOC 1/Ef-cd、Ghd 8和邻近DEP 1的显著位点的区域关联图。上图显示了关联强度和连锁不平衡;下图显示了武汉2018年开花时间（FT）的分布组。(e)其他与生态型差异密切相关的位点，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，使用全基因组的GBLUP模型和使用选择的标记的XGBoost模型之间的预测性能比较。(g)根据XGBoost模型确定的对预测开花时间的重要性排序。
文章链接：https://onlinelibrary.wiley.com/doi/10.1111/pbi.14498
