一个研究小组已经证明，全基因组预测是一种很有前途的方法，可以在苹果育种项目中针对锈斑形成进行预测。这种方法可以有效地预测锈斑性状，这是一种由许多小效应QTL控制的复杂数量性状。

该研究利用了高质量的SNP数据，并观察到各种模型的中等预测能力。该研究强调了全基因组预测在针对锈病形成方面的潜力，从而促进了具有更好果实外观和更佳市场价值的苹果品种的开发。

外观是鲜食苹果(MalusdomesticaBorkh.)的一个关键属性，外观不佳会造成重大经济损失，因为水果会被降级进入加工市场。锈斑形成是一种浅表性皮肤病，会影响苹果的质量和耐储性，尤其是在部分锈斑的品种中。由于环境影响和主观评估，对部分锈斑形成的表型进行分析具有挑战性。尽管之前对锈斑的小效应QTL进行了研究，但尚未研究利用固定效应的全基因组预测模型与锈斑形成的关系。

2024年6月12日发表在《水果研究》上的一项研究旨在评估“Honeycrisp”衍生种质中部分赤褐色形成的全基因组预测，假设固定效应QTL可以提高预测能力。

本研究利用了高质量的单核苷酸多态性数据(947个SNP)以及三年的肩部和皮孔锈斑形成数据。在各个模型和训练集中观察到中等预测能力(平均r=0.280.35)。具体而言，随机效应模型显示肩部锈斑形成的平均预测能力为：All训练集为0.33，Honeycrisp训练集为0.30，Minneiska训练集为0.28。

预测能力在不同家族间存在差异，其中“Honeycrisp”×MN1964预测能力最高(r=0.60)，“Honeycrisp”×AA44预测能力最低(r=0.12)。对于皮孔赤褐色形成，不同训练集的预测能力相似：All训练集为0.34，Honeycrisp训练集为0.30，Minneiska训练集为0.35。预测能力最高的家族是“Minneiska”×MN1702(r=0.53)，预测能力最低的家族是“Honeycrisp”דWA2”(r=0.23)。

此外，研究还发现，将之前检测到的QTL作为固定效应纳入模型并不能显著提高预测能力。事后(回顾性)分析表明，全基因组预测正确地对57%的高级选择中的赤褐色形成水平进行了分类。

敏感性分析表明，标记辅助选择和全基因组选择淘汰的肩褐斑病个体数量相同，但全基因组选择的A类错误分类较少。对于皮孔褐斑病，全基因组选择保留了9%−92%的高级选择，由于缺乏QTL，无法进行标记辅助选择。

该研究的首席研究员阿什利·鲍威尔(AshleyA.Powell)表示：“全基因组预测是一种很有前途的方法，可以用于研究赤褐色果实的形成，而这种特性在苹果育种计划的后代中只有过了幼果期才能在表型上观察到。”

总之，本研究利用全基因组预测来评估苹果的锈斑形成，在各个模型和训练集中均显示出中等预测能力(平均r=0.28–0.35)。固定效应QTL并未显著增强预测能力。后测分析证实了对锈斑程度进行分类的准确性。展望未来，通过改进预测模型和整合全面的QTL数据，全基因组预测有望提高苹果育种效率，尤其是针对锈斑形成等复杂性状。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：