分享一则 来自Violina Bharali 博士课程报告——《Accelerating crop genetic gains with genomic selection》 。基因组选择通过“全基因组预测 + 快速世代 + 高通量数据”三重加速，让作物育种从“马拉松”变成“接力赛”，为保障粮食安全提供了可持续的遗传增益引擎。
以下是基因组选择（GS）报告核心速览。
背景：为何必须“加速”
- • 需求：2050 年全球粮产需比 1961 年翻 5 倍，耕地不增，气候多变。
- • 瓶颈：传统育种 15-20 年/周期，遗传增益不足以满足 70% 的需求增量。
传统方法对比
|
方法 |
关键点 |
局限 |
|
表型选择 (PS) |
依赖田间表现 |
周期长、成本高、低遗传力性状进展慢 |
|
标记辅助选择 (MAS) |
仅利用大效应 QTL |
漏掉微效位点 |
|
关联作图 (GWAS) |
群体多样，分辨率高 |
稀有变异检出低 |
基因组选择（Genomic Selection, GS）
- • 定义：利用覆盖全基因组的高密度标记，对所有 QTL（大/小效应）同时建模，预测个体 GEBV（基因组估计育种值）。
- • 本质：用“全基因组回归”替代“单标记检验”，无需事先知道显著位点。
GS 工作流程（三步）
- 1. 训练群体
- • 高密度基因型 + 多环境表型 → 建立预测模型
- • 规模公式：N ≈ (r²·Me)/h² （r：预期准确度，Me：有效染色体段数，h²：遗传力）
- • 例：h²=0.2、r=0.5 → 需 ≥5,000 个个体
- 2. 预测模型
- • 常用：GBLUP、BayesB、Random Forest、深度学习等
- • 选择依据：性状遗传架构、计算资源
- 3. 候选群体
- • 仅基因型 → 直接获得 GEBV → 早代/温室/非破坏选择 → 缩短周期
加速增益的三大杠杆
|
杠杆 |
传统 |
GS 实现 |
效果 |
|
选择差 (i) |
低，需大规模田间 |
高，可在苗期精准选 |
↑ |
|
世代间隔 (t) |
1-2 年/代 |
温室+双单倍体 (DH) 或“速生育种”→ 3-4 代/年 |
↓ |
|
准确度 (r) |
低-中 |
全基因组信息 + 高统计力 |
↑ |
成功落地案例
|
作物/场景 |
关键结果 |
|
耐旱玉米 (Beyene et al.) |
4 个干旱环境，GS 每周期增益 0.13 t/ha，比谱系选择快 2-3 倍 |
|
热带多亲玉米 (Zhang et al.) |
4 周期 RCGS，年均增益 0.10 t/ha，多样性仅轻微下降 |
|
小麦抗秆锈 (Rutkoski et al.) |
GS 与 PS 增益相当，但 GS 2 周期即完成，PS 需 5 周期 |
|
耐旱+耐涝热带玉米 (Das et al.) |
2 周期 GS，干旱增益 0.11-0.14 t/ha/年，无产量惩罚 |
|
水稻杂交组合预测 (Cui et al.) |
用 1495 个杂交种训练，预测 4.4 万个潜在组合，田间验证 Top200 命中率 80% |
技术底座
- • 高通量基因型：GBS、skimGBS（低覆盖测序）、rAmpSeq（低成本重复序列）
- • 高通量表型：无人机光谱、冠层温度、NIR/NMR 品质预测、环境分型 (envi-typing)
- • 快速世代技术：DH + Speed Breeding（1-1.5 年到 F6）
- • 算法：GBLUP、Bayesian 方法、机器学习、深度学习
主要挑战
- • G×E 互作：降低 h²，需多环境训练数据
- • 非加性效应：显性、上位性降低预测准确度
- • 成本：训练群体高通量基因型与表型投入高
- • 模型更新：需持续纳入新表型/基因型保持准确度
未来路线图
- 1. 整合技术：GS + 基因编辑（CRISPR）→ 精准快速堆叠有利等位基因
- 2. 扩大训练库：利用种质库 + 机器学习 → 挖掘稀有优异等位基因
- 3. 跨组学：结合转录组、代谢组、表观组，提高复杂性状预测力
- 4. 实时更新：云端育种平台，实现模型滚动优化与共享
如要获取PDF版本一起交流学习，请加入“生物信息与育种”知识星球。社群含有大量智能育种相关资料和心得，欢迎交流。