|
面对日益增长的全球人口，农业生产面临着巨大的挑战。粮食生产系统需要以有限的土地和水资源提供更多的粮食，同时对生态系统的负面影响最小。气候变化以及随之而来的病虫害变化加剧了这一挑战的艰巨性。 作物改良对粮食安全做出了重大贡献，培育气候智能品种被认为是促进粮食生产最可持续的途径。然而，传统的育种框架需要进行根本性的改变，以充分应对日益增长的粮食需求。 基因组学的进展提供了新的概念和工具，有望使植物育种过程更加精确和高效。例如，参考基因组组合与种质测序相结合，勾勒出有助于确保未来粮食供应的育种目标。 近日，印度和澳大利亚科学家联合在Plant Biotechnology Journal上发表了综述“Genomic interventions for sustainable agriculture”。文章强调了植物基因组测序的关键突破，并解释了这些基因组资源的存在与基因编辑技术的结合如何彻底改变了育种过程中的性状发现和改良操作的程序。作者主张采用快速育种、基因组选择和单倍型育种等新方法可以克服传统育种的一些局限性。同时加强品种的释放和种子分配系统，以使其在农民的土地上发挥更决定性的作用。 植物基因组测序的关键突破 一个连续且注释良好的基因组序列是进行基因/性状发现、基因组动力学、系统发育和进化等分析的基础。DNA测序技术的进展为各种植物的全基因组解码铺平了道路。目前超过400个不同种类陆地植物的基因组保存在GenBank。在DNA测序新技术的推动下，研究人员正在进行雄心勃勃的项目，旨在为基因组结构提供更深入的见解。最近提出的10000个植物基因组测序项目（10 KP），目的是在植物和真核微生物之间发布超过10000个基因组序列(https://db./10kp/)。 多基因组测序促进泛基因组发展 遗传多样性是作物改良的基础。近年来，广泛种质资源的基因组规模调查已成为研究驯化和选择育种过程中基因组变异动态的重要资源。对不同作物物种的多个材料进行测序，有助于识别与作物驯化和选择/改良相关的关键基因组区域。Morrel等（2012）强调比较基因组分析的重要性，提出“作物改良的未来将集中于单个植物基因组的比较”。多基因组的测序为泛基因组研究开辟了新的途径，以确定作物物种的核心和必需基因。此外，泛基因组学在识别更大的结构变异（SVs）特别是拷贝数变异（CNV）和存在/缺失变异（PAV）方面具有巨大的潜力，这些变异对表型多样性有重要贡献。在染色体尺度上的大SVs识别方面，基于光学作图技术的现代系统如Bionano基因组学Saphyr系统对全基因组SVs的检测具有显著的敏感性(https:///supportpage/saphyr-system/)。 作者提出了超级泛基因组的概念，以全面了解一个属的遗传多样性。在这种方法中，首先构建不同物种水平的泛基因组，然后将这些泛基因组组合起来，得到一个属级的泛基因组。由此构建的超级泛基因组可以更好地洞察必须基因，对作物改良具有更大的效用。 基因组技术有助于有效地描述和利用储存在全球资源库中的种质资源。作者建议建立核心种质和迷你核心种质等种质资源子集，以使种质资源的数量达到可管理的水平。Mascher等（2019）建议将基因库转化为“生物数字资源中心”，这将有助于将基因组信息与每个存储的植物表型联系起来。生物数字资源中心的建立将极大地帮助研究人员对育种项目做出明智的选择。此外，对于作物改良应用，作者建议基于种质测序数据开发作物多样性群体（crop diversity panels，CDPs）。这些CDPs可以被评估并用于挖掘不同目标性状基因的单倍型。携带优良单倍型的种质资源可用于遗传转化，拓宽优良基因库的遗传基础。 后NGS的性状发掘 快速发现基因/QTL的高通量方法 随着DNA测序技术和计算生物学的进步，全基因组序列的出现极大地增强了植物的性状分析和基因发现能力。过去十年，出现了一系列的性状定位方法，如SHOREmap，SNP比率作图（SRM），下一代作图（NGM）、MutMap和QTL-seq，这些方法利用了参考基因组序列的巨大潜力。因此，无论是对作图群体的所有个体进行基因组测序，还是结合整体分离分析（BSA）和全基因组重测序（WGRS），候选QTL区域可以解析到至少Kbp的水平。 在双亲群体中，与使用SNP和SSR标记的传统QTL定位相比，WGRS实现的QTL区域定位分辨率高出16.7-144.5倍。例如，大豆302个测序基因型的GWAS可以将荚果开裂的已知QTL区域（12Mb）缩小到包含14个基因的190kb区域（Zhou等人，2015）。Zhang等（2019）提出了一种称为数量性状基因测序（QTG-seq）的新策略，以提高QTL-seq实现的遗传分辨率。在QTG-seq中，第一代回交（BC1F1）中的目标QTL选择以及随后选择的BC1F2池在相对高覆盖率下的测序，使得定量性状能够以“近乎定性”的方式进行分析。利用这一策略，研究人员将玉米株高qPH7定位在150kb的基因组区间，基因组区间内含有一个编码NF-YC转录因子的因果基因。 图 1 作物遗传作图中的双亲、多亲和多样性群体 大规模作图群体资源的利用 双亲QTL定位在理解不同作物物种的各种重要性状的遗传结构方面取得了巨大成功。随后，为了克服双亲分析的固有缺陷，如作图分辨率低、等位基因多样性有限以及需要人工创造群体等，提出了多亲本群体的关联遗传学。多亲的群体设计具有更丰富的等位基因含量、更高的遗传分辨率、更大的表型多样性和更好的等位基因效应估计。在不同作物中采用了巢式关联作图群体（NAM）和多亲本高世代杂交群体（MAGIC）两种设计进行性状定位。即使是一个具有适度种群规模（394个RILs）的简化MAGIC群体也可以捕获德国小麦育种基因库近70%的多样性。类似地，高粱NAM（含2214个RILs）捕获了70%的全球多样性，显示出比相同大小的关联群体检测适应性性状QTL的能力高3倍。Huang等（2015）建议将MAGIC与循环选择相结合，其中标记-性状关联（MTA）被识别，然后集中在同一个MIGIC群体中，以选择更多的阳性系，只需重组2-3个周期，从而发展出携带最大正向等位基因的株系。 高分辨率全基因组关联分析 从WGRS研究中获得的SNPs/CNVs等全基因组标记极大地增强了GWAS描绘规模种质中与表型变异相关的最小基因组区域的能力。WGRS标记密度的提高使GWAS受益匪浅，然而GWAS的定位分辨率取决于LD的程度和重组率，这在不同的植物物种（自花授粉或异花授粉）和不同种群（野生的）之间，地方品种和改良品种）以及特定物种的基因组（常染色质和异染色质区域）内是不同的。 基因组学与基因编辑 基因编辑技术包括许多强大的工具，可以直接改变编码区和/或调节区的遗传序列，以创造新的等位基因，而避免新的转基因（Zhang等人，2018年）。很快，人们也证明了可以同时编辑多个基因和基因组合。Wang等（2014）证明了同步编辑六倍体小麦中的3个同源等位基因可以提高小麦的抗白粉病能力。 作物的野生近缘种也可以被编辑，以增加它们作为新作物或新基因变异来源的效用。以栽培番茄的野生近缘种Solanum pimpinellium为试材，在6个独立的基因座上对其进行了编辑，以获得与驯化番茄果实性状更为相似的植株。与野生物种相比，这些基因编辑的植物产生更多的花和果实，果实更大，种子更少，果实中的番茄红素含量更高。 基因编辑可以解决基因特性和功能的问题，并提供在作物物种或在驯化的初级或野生次级基因库中不存在的新的等位基因。在美国和日本等国家，基因编辑可能被视为非转基因。但在许多国家，任何新的DNA引入宿主都会被归类为转基因。 基因编辑与基因组学技术配合使用，是基因发掘的一种特别优雅的工具。许多基因编辑的作物已经在其他物种（通常是模式物种）的基因鉴定的基础上被生产出来。基因编辑技术在识别候选基因和阐明基因在QTL区域中的作用方面具有相当大的优势。编辑可以在实际基因中进行，因此没有位置或剂量效应。 基因表达可以被完全敲除，这也意味着，对候选基因的编辑可以清楚地识别单个基因的作用。另一个优势是，多个候选基因可以在一个实验中被靶向。这对于阐明多基因途径中的特定相互作用，揭示上位性的证据，以及确定多效性和紧密连锁是非常有效的。 目前基因编辑能力的一个局限性是依赖组织培养技术。因此，基因编辑可能会受到基因型的限制。开发无需离体植株再生就可以编辑基因的工具和广泛适用的手段，这将使基因编辑的应用更加高效和迅速。正如Hickey等人回顾的，目前有许多技术被用来克服基因编辑的基因型瓶颈。 提高遗传增益的育种策略 选择程序的遗传增益可以用育种家方程的形式表示，即ΔG=R=h2S=a*i*R/L。通过调整加性遗传变异（a）或狭义遗传力（h2）、选择强度（i）和选择精度（R）以及育种周期长度（L），可以提高增益（ΔG）或选择响应（R）。作者讨论了新的育种方法，这些方法处理育种者方程的不同组成部分，并提高育种计划中的遗传增益率。 基因组选择 基因组选择（Genomic selection,GS）通过提高选择强度（i）和选择精度（r）以及缩短育种周期（L）来提高遗传增益。GS的实施在动物育种方面取得了巨大成功，其关键因素是早期选择和缩短世代间隔带来更大的经济效益，基因型-环境相互作用（G×E）较弱，环境易于控制，个体价值更高，大型训练群体，训练个体和繁殖个体之间的遗传相关性更强，既能获得成本效益高的基因分型系统，又能获得历史表型记录，加性遗传效应的重要性更大，以及直接将现有的基于最佳线性无偏预测（BLUP）的方法纳入预测模型。在植物中，最近的模拟和经验证据证明了GS相对于传统的选择方法（包括表型、系谱和标记辅助选择）的优越性。为了在杂交育种中获得长期选择收益，全基因组预测已用于识别各种作物的杂种优势群和建立杂种模式，包括小麦、水稻、木豆。 已知有多种因素会影响GS预测精度，其中包括训练群体规模、训练个体与受试个体之间的相关性、DNA标记类型和密度、性状结构和遗传力、统计模型，群体结构。研究表明，使用多环境设置并将GxE相互作用纳入GS模型可提高预测精度。在用于预测未观察到的个体遗传价值的各种模型中，GBLUP仍然是使用最广泛的。随着高通量表型（如高光谱成像）的发展，预测精度有望进一步提高。 深度机器学习方法在全基因组预测中的应用还有待进一步研究。 由于缺乏资源和适当的技术技能，发展中国家的GS公共育种计划受到严重制约，Santanonio等建议分阶段实施GS，以便将GS作为作物育种的常规策略。初始阶段包括信息学开发和与育种计划最相关的基因分型。在第二阶段，GS用于提高品种培育过程中的选择强度，而最后一阶段则侧重于快速循环轮回选择。这种能够有效利用资源和技术专长的优化方法，对于在公共部门的育种计划中大规模实施GS至关重要。 缩短繁殖周期 传统的植物育种方法需要10-15年的时间来培育和释放一个新的作物品种。 与控制方程的其他参数相比，可以缩短繁殖周期长度的方法被认为对ΔG有实质性影响。快速育种（Speed Breeding, SB）旨在通过优化生长条件（如光照、光周期、温度、湿度）以及提高植物密度和早期种子收获，加速植物发育并缩短育种周期。优化的SB方法已被证明对不同作物有效，包括小麦、大麦、鹰嘴豆、豌豆等，可在一年内获得多代。这项技术在加速作物育种计划方面具有巨大潜力。不同物种及其不同基因型SB方案的独立性仍有待确定，这反过来也证实该技术在不同作物和作物基因型上的广泛适用性。GS和SB缩短育种周期的独特能力可以协同利用，进一步提高单位时间内的遗传增益率，这一策略被称为“SpeedGS”。Voss-Fels等（2019）观察到，与单独表型选择相比，整合GS和SB的方案在30年后见证了30%的遗传增益。 单倍型育种 农艺性状是由“复合”基因座控制的。它们对相关表型产生不同程度和性质的影响。因此，在通过常规的MAS/MABC技术转移基因组区域时，常常会出现意想不到的结果。Bevan等（2017）提出了一种基于单倍型的育种方法，利用大量的全基因组测序数据和广泛的表型记录，以便将此类“复合”基因座有效地纳入育种计划。在这里，给定基因座的不同单倍型可以定义为基因和遗传多态性的组合。 结合多年多点表型数据，对单倍型进行基因组规模的分析，以进行表型验证。正如在水稻中所证明的，一组获得最大多样性的测序株系适合于定义目的性状单倍型的表型验证。木豆中类似的单倍型分析验证了三个耐旱基因的优异单倍型，这些单倍型是通过挖掘WGRS数据集和基于候选基因的关联分析确定的。 育种中优良单倍型的导入被称为基于单倍型的育种，跟踪已验证的单倍型的序列变异，将有助于建立单倍型的聚合产生理想系。 有针对性地分析大规模流行品种的优势单倍型可能有助于揭示优势单倍型的组合，从而解释这些品系优异性状的遗传基础。在木豆中，Sinha等（2020）发现在流行品种Maruti（ICP 8863）和Jagriti（ICPL 151）中完全缺乏耐旱的优良单倍型，从而为进一步改良此类高产品种提供了可能性。同时，不断增加的野生亲缘关系测序数据将有助于发现新的单倍型，而这些单倍型是目前栽培池所缺乏的。 加速品种和种子更新率 自1960年以来，主要作物的大规模流行品种得到了广泛采用。几十年来，农民种植这些老品种和地方品种，特别是在南亚和撒哈拉以南非洲的欠发达国家和发展中国家。印度主要小麦种植州甚至种植了25年的小麦品种。肯尼亚玉米品种的平均年龄为14-24岁。由于极端天气条件的日益普遍和新病虫害的死灰复燃，这些过时品种的产量收益正在严重恶化。 在这种情况下，品种替代速率（varietal replace race,VRR）可能是加速遗传增益的关键驱动因素。美国、中国和欧洲的农民现在可以更容易地获得新发布的、更适应当前形势的品种。 为了取代现有的流行品种，现代植物育种家必须制定面向市场的“产品简介”，明确界定“特性包”，以鼓励农民接受新品种。通过参与式植物育种和参与性品种选择，让农民参与作物育种试验和苗圃选择也有助于提高VRR。与VRR一样，优质种子的可用性和种子替代率（seed replace race,SRR）有助于提高遗传增益。在印度，尽管优质种子的可用性增加，但其SRR较低，这是由于农民习惯于使用农场保存种子来培育后续作物（Pattanaik，2013年）。最近，印度实施了国家种子政策，鼓励农民获得新开发品种的种子并替换旧种，种子认证是种子质量的重要步骤，今后，包括谷物、豆类等多种作物的SRR显著上升控制（QC）值得公共和私人机构的关注。 结论与展望 基因组学研究的最新进展为遗传学家、生物学家和育种家提供了许多现代工具和技术，这些工具和技术赋予了育种计划精确和高效的能力。参考基因组越来越可用，因此，基因发现和性状操纵的方法已经改变。基因组学研究也在推进植物基因编辑方法，以阐明候选基因和遗传相互作用。像标记辅助回交（MABC）这样的育种技术更适合于大品种的缺陷消除；提高单位时间内的遗传增益保证了全基因组预测和关联的快速群体改进。大量的多组学信息和高维表型数据的获得，使得数据处理和解释面临挑战。植物育种人员需要接受充分的培训，以在采用更复杂方法（如系统生物学驱动的作物改良育种）的育种计划中发挥重要作用。采用这些新方法将加快气候智能品种的发展。此外，增强的品种发布和种子分配系统仍有助于在农民的田间部署新的气候智能品种，以替换陈旧的过时品种。这种涉及多个学科的协调努力将是为可持续农业提供解决方案的核心。 |
|
|
来自： 昵称37581541 > 《小麦栽培》
