植物生長發育動態QTL 解析研究進展

付威 韋素云 陳贏男

（林木遺傳育種全國重點實驗室 現代南方林業協同創新中心 林木遺傳與生物技術教育部重點實驗室 江蘇省林木遺傳和高效培育重點實驗室 南京林業大學，南京 210037）

生物體的性狀主要分為質量性狀和數量性狀。其中，質量性狀是一種不連續性變異，能夠被明確分組，通常由一對或幾對等位基因控制，不易受環境影響而發生變化［1］，植物許多重要性狀如性別［2］、育性［3］、色澤［4］等均表現出質量性狀遺傳的特點。不同于質量性狀，數量性狀的遺傳效應是由一個或幾個主效基因和大量微效基因共同控制的，表現出連續的變化，單個控制基因只有微小的控制效應，這種現象被稱為多基因效應，數量性狀控制基因在染色體上的位置則被稱為數量性狀基因座［5］（quantitative trait locus,QTL）。植物的大部分性狀都屬于數量性狀，如株高［6］、品質［7］、產量［8］、抗病性［9］等，均表現出連續變異的遺傳特性。然而，數量性狀的形成不僅是多基因相互作用與調控的結果，還受到時間與環境因素的影響，使生物體呈現具有時空規律的生長發育變化，如樹木的高生長與粗生長［10］、果實產量的變化［11］、籽粒營養物質的積累［12］等生物進程，這種在生物體生長發育過程中隨時空變化而變化的性狀就被稱為動態性狀，也稱縱向性狀或函數值性狀，是基因有選擇的時序性表達、細胞群內部和之間互作、基因與環境互作以及表觀遺傳相互作用的動態表現結果［13］。

自1865 年孟德爾遺傳規律發現以來，基因定位及其功能驗證一直是分子遺傳學研究領域的重點與熱點，盡管反向遺傳學能夠有針對性地對基因功能進行研究，但通過生物體的表型差異定位目標基因并研究其功能的正向遺傳學策略仍是開展基因定位與功能研究的最有效方式［14］。目前，數量性狀基因定位根據其原理主要分為基于連鎖規律的連鎖分析（linkage analysis）和基于連鎖不平衡定律的關聯分析（association analysis）。QTL 定位實質上是利用連鎖遺傳規律對家系內子代的目標性狀與分子標記的連鎖關系進行分析，從而明確目標性狀QTL 在染色體上的位置。通過QTL 作圖，可以建立起已知分子標記與未知QTL 之間的連鎖關系，從而在遺傳圖譜上定位連鎖群（linkage group）與功能基因（圖1）。1988 年，Paterson 等［15］首次在番茄中應用RFLP 遺傳圖譜定位到了控制番茄果實質量、可溶性固形物以及果實pH 的QTL，從此數量性狀的定位進入分子標記的時代，鑒定了許多復雜性狀QTL［16-18］。常規QTL 方法，即非條件QTL（unconditional QTL）采取“靜態定位”（static mapping）的策略［19］，對植株性狀的發育終點進行分析，定位到的目標性狀連鎖群只能反映植株某一特定生長階段基因表達的累積效應，是性狀表達的最終表現狀態［20］。然而，對數量性狀而言，性狀的表達是連續的，每個時期的表型值都是多個QTL 動態表達的結果，從而呈現連續變異的遺傳效應，常規QTL 方法定位的連鎖群與候選基因忽略了只在某一時期特異表達的QTL，既不能反映目標性狀QTL 在植株生長發育過程中的真實表達情況，也無法分析多個相關性狀間的遺傳關系，具有很大的局限性［21］。因此，在常規QTL 的基礎上，吳為人等［20］和Zhu 等［22］均提出了QTL 的動態定位（dynamic mapping）策略，即條件QTL（conditional QTL），通過檢測多個測量時期內數量性狀的凈增長量，分析特定發育階段QTL 的凈效應，從而有效利用生物體生長發育過程中的遺傳信息，提高定位準確性與靈敏性，實現動態QTL 的精細定位。鄔榮領團隊提出的功能作圖方法將個體發育過程中影響發育的QTL 效應看作時間函數，強調隨時空變化的性狀發育規律，從而定位復雜性狀的相關基因，解析基因受時間與環境變化而發生的變化，實現動態QTL 定位及對發育性狀的遺傳調控解析［23］。

圖1 動態QTL 分析流程圖Fig.1 Flow chart of dynamic QTL analysis

1 動態QTL 研究模型

植物性狀是各分量綜合發育的結果，模型則是對特定系統及特征的簡潔描述與概括［5］，通過建立生物體動態發育性狀的遺傳模型，可以研究遺傳和非遺傳因素及其相互作用對表型變異的影響、個體發育的變化規律以及選擇響應的大小、方向及維度等［24］。目前，已經建成的發育遺傳模型主要有3 種：直接效應模型、主-多基因混合遺傳模型和生長軌跡模型［13］。直接效應模型屬于經典的孟德爾遺傳模型，包括適用于單一基因控制簡單性狀的單基因模型和受少數幾個主基因控制性狀的寡基因模型。直接效應模型認為個體的遺傳信息完全遺傳自親本的基因組，所有遺傳分量僅限于直接遺傳分量（如基因的顯性效應和加性效應），并且個體發育不受環境因子和漸成因子的影響，性別之間完全相關等［25］。通過雜交子代的性狀分離比例，可以剖析性狀控制基因的遺傳效應大小，對個體發育的最終表現做出預測和評價。但生物體發育是一個受多因素影響的復雜生物進程，不僅受遺傳基因控制，還受環境因子、母體效應、漸成效應及表觀遺傳效應的影響，是一個互作、漸成的過程［26-27］。利用直接效應模型研究動態發育的數量性狀，不足以體現數量性狀的動態發育，也不足以解釋各遺傳分量在性狀發展過程中的遺傳貢獻及遺傳與非遺傳因素間的互作和變化規律［28］。因此，直接效應模型不適于解釋多基因控制的動態發育數量性狀［13］。

對動態發育性狀而言，其遺傳模型必須同時反映其遺傳和發育本質，并提供影響遺傳變異及發育進程的相關因素，體現發育性狀互作、連續、可遺傳、漸成的特點［28］。早期對動態性狀的遺傳研究集中于某個時間節點或粗略劃分的幾個時間段，且只考慮最終性狀的表現值，建立的模型也只是對靜態現象的簡單描述。但生物體在不同的發育階段，基因表達不同，遺傳機理會發生變化，使數量性狀呈現出具有時空規律的動態表現［29］。此外，控制數量性狀的基因眾多，不同基因座對表現型的貢獻不同，基因之間又存在相互作用，而且基因表達易受環境的影響［21］。因此，僅研究最終性狀的遺傳模型不足以解釋復雜數量性狀建成過程中的遺傳作用規律，需要選用能夠反映數量性狀動態發育過程的遺傳模型。

1.1 主-多基因混合遺傳模型

微效遺傳假說認為數量性狀受多基因控制，單個基因只有很小的遺傳效應。但很多試驗數據表明，控制數量性狀的基因遺傳效應并不相等，其中遺傳效應較大的為主效基因，效應較小則為微效基因，構成了控制數量性狀的主-多基因遺傳系統［24］。通過觀察分離世代的性狀分布特征可以判斷是否存在主基因，即無主基因的多基因體系呈現單峰對稱的正態分布，而存在主基因時則會呈現多峰或偏離正態分布的單峰分離［1］。例如小麥（Triticum aestivum）的株高和產量［30］、菊花（Chrysanthemum morifolium）的營養性狀［31］、水稻（Oryza sativa）的株高［32］、油菜（Brassica rapa var.oleifera）的分支角度［33］、苦瓜（Momordica charantia）的抗病性［34］、陸地棉（Gossypium hirsutum）的果枝夾角［35］等，主基因使性狀分布頻率成峰，微效基因和隨機環境效應使其連續，蓋均鎰［36］將其概括為主-多基因遺傳體系。對于主基因的鑒別，主要通過復合分離分析方法，參數估計采用極大似然法，計算方法采用EM 算法；主基因的檢測采用似然比測驗，已廣泛應用于人類和動物遺傳病的研究［37］。

在植物中，Elkind 等［38］提出了一個包含主基因和多基因的遺傳模型，使后代的基因性質可明確分類。然而，這種分析方法只包括了1 對主基因和多基因的遺傳模型，并未考慮2 對甚至多對主基因和連鎖及上位效應。因此，蓋鈞鎰［24］建立了“植物數量性狀遺傳體系主基因-多基因混合遺傳模型分離分析法”，其基本思路與環節包括：（1）分離世代的理論分布與基本假設；（2）7 類遺傳模型；（3）單世代或多世代分析；（4）建立似然函數；（5）估計分布參數；（6）選擇最適模型；（7）估計遺傳參數；（8）判別個體基因型；（9）圖形分析。通過“植物數量性狀遺傳體系主基因-多基因混合遺傳模型分離分析法”能夠得出主、多基因的相對重要性、效應大小、基因作用方式等，對于植物數量性狀遺傳模型發展具有十分重要的理論和現實意義。汪文祥等［33］在油菜BCP1、BCP2 和F2群體中對其分支角度進行了遺傳分析，鑒定到頂枝角主基因的遺傳貢獻率分別為34.08%、1.40%、14.99%，存在明顯的主效基因；谷子［39］（Setaria italica var.germanica）的株高、穗長與穗粒重等均符合主-多基因混合遺傳模型，其中穗長的主基因遺傳貢獻率為46.40%，多基因遺傳貢獻率為46.91%，而穗粒重的主基因遺傳貢獻率高達81.10%。主-多基因混合遺傳模型包含了復雜的統計和計算，對實驗設計、誤差檢驗、群體大小等方面都有嚴格的要求，模型難以簡化，否則會對鑒別精度產生影響，因此一般應用于遺傳效應明顯且數量較少的主基因鑒定［24］。

1.2 生長軌跡模型

生物體很多性狀的表現都隨著時間變化而呈現一定的規律和連續性，對同一性狀不同時間點的表型值進行測量，會得到表型值與時間之間的函數，從而生成一條光滑的曲線，這條曲線被稱為“生長曲線”，可以用來描述和解釋生長發育的規律，而復雜性狀的各分量則有各自的發育軌跡［23,40-41］。通過將重復測量的表型數據擬合生長曲線，基于降維的多元分析理論，可以將復雜的動態性狀分解為各分量的發育動態，從而對少量生長參數進行遺傳分析［42］。Kirkpatrick 等［43］在對小鼠早期生長分析的試驗中提出了一種估算遺傳和選擇參數的連續定量遺傳模型，Atchley 等［13］在此基礎上將不同的分量綜合成復雜數量性狀的生長軌跡模型：dxi(t)/dt=Fi[x(t)]xi(t)，其中dxi(t)/dt 為細胞發育群體在時刻表型值的向量表示，xi(t)表示t 時刻細胞群體包含的細胞總數，各分量的生長軌跡Fi[x(t)]則通過常量ai、系數bij及初始條件表示為通過該模型，不僅可以獲取生長模型所必需的發育信息，還能夠對生長發育做出遺傳解釋。發育遺傳學中，常用的生長模型有Gompertz 方程、Logistic 方程以及 Richards 方程等［44］，其中Logistic 模型又稱“S 型曲線”或“生長曲線”，常用于描述生物體的增長特征：g(t)=a/(1+be-rt)，其中g 表示遺傳值，t 為時間，當t →∞時，a 是g 的漸近值，r 是相對生長率，當t →0 時，a/(1+b)共同表示g 的初始值，(a,b,r)3 個參數的組合決定了生長曲線的整體形狀，后續還可以轉換成加性效應和顯性效應。Wu 等［40］基于logistic 模型提出了一種QTL 定位的“兩步法”：首先用動態性狀的表型值擬合生長曲線，然后對估算的生長參數采用復合區間作圖進行動態性狀的QTL定位。鄔榮領團隊對兩步法作了改進［23,41,45］，提出了基于logistic 生長模型［42］的“一步法”，精確定位生物體發育過程中的動態性狀。生長軌跡模型有效地綜合了數量性狀各分量的發育動態，從而獲得生物體生長發育過程中的重要發育信息。

2 動態性狀的分析方法

2.1 條件分析法

1995 年，朱軍團隊提出并發展了基于復合區間作圖的混合線性模型（composite interval mapping based mixed linear model,MCIM）及針對發育性狀的條件QTL 分析法，從而將QTL 的各項遺傳效應（顯性效應、加性效應、上位性效應等）、隨機環境效應、基因與環境互作效應等納入數量性狀的統計模型，將遺傳效應估計與QTL 定位相結合，從而實現QTL 的精確定位及對動態發育性狀的遺傳分析［46-49］。條件分析法對(t-1)至t 時刻的遺傳效應凈增量進行分析，對于給定(t-1)時刻的表型值，t 時刻的表型值則為條件隨機變量，模型表示為，yhjk(t|t-1)=μ(t|t-1)+Gj(t|t-1)+Eh(t|t-1)+GEhj(t|t-1)+Ehjk(t|t-1)，通過條件隨機效應預測可獲得條件遺傳效應Gj(t|t-1)及條件互作效應GEhj(t|t-1)的無偏預測值后，利用復合區間作圖法分析yhjk(t|t-1)=μ(t|t-1)+Gj(t|t-1)特定發育階段(t-1)→t 時刻的凈遺傳主效應，再估計yhj(GE)(t|t-1)=μ(t|t-1)+Eh(t|t-1)+GEhj(t|t-1)的預測值，分析(t-1)→t時刻QTL 或基因與環境互作效應。條件分析法已在小麥［6,50-53］、水稻［19,54］、玉米（Zea mays）［55-56］和油菜［12,16,57］的動態發育性狀研究中廣泛應用。

2.2 功能作圖法

隨著分子標記技術、高通量測序技術以及生物信息學方法的發展與完善，鄔榮領團隊將統計學、分子遺傳學與生物生長發育機制相結合，提出了復雜動態性狀QTL 的定量分析方法［23］，即功能作圖（functional mapping），將反映發育生物學原理的模型與統計方法引入基因定位，強調性狀建成過程中基因型與環境的互作效應，通過EM 算法實現對QTL位置和遺傳效應的最大似然估計，使得復雜數量性狀的遺傳機制解析成為可能［58］。以回交群體為例，首先對多時間點測量的動態性狀擬合生長曲線，使群體基因型值分布滿足多元正態分布：

gj為經logistic 模型優化的基因型值：

∑為不同時間點測量表型值的殘差方差及協方差矩陣，通過自回歸預測法（autoregression,AR）對其重復測量誤差建模并假設矩陣Σ 方差穩定得出：

直至收斂，此時的收斂值就是Ω 的最大似然估計。與傳統的QTL 定位相比，功能作圖在以下方面有著顯著優勢［21］：（1）考慮了表型性狀的動態建成過程，其結果更貼近生物學事實；（2）將復雜發育性狀QTL 按作用時長、起始時間劃分為長效QTL（long QTL）、短效QTL（short QTL）以及反向QTL（inverse QTL），其中短效QTL 分為早期QTL（early QTL）與晚期QTL（late QTL）；（3）功能作圖對個體表型值在不同時間節點的多次重復測量不僅提升了QTL 定位的精度與準度，通過擬合生長曲線分析大量遺傳變量，增強了模型的普適性和簡潔性。

3 動態QTL 研究進展

在動態QTL 定位方法出現之前，對發育性狀的QTL 定位主要集中在某個特定生長階段，無法反映數量性狀的動態變化過程。而動態QTL 定位可以估算QTL 在不同生長階段的實際效應，了解基因在不同發育時期的動態表達［59］。目前，國內外許多學者對植物復雜發育性狀進行了大量動態QTL 定位研究（附表1）。Wang 等［57］以3 個地點不同時期油菜的DH 群體（共348 個株系）為研究材料，對其不同發育時期的株高發育動態進行了非條件及條件QTL 分析。結果表明，在油菜成熟期共鑒定到31 個非條件QTL，而在油菜生長的6 個時間段，共鑒定到50 個條件QTL，其中只有5 個非條件QTL（ucPH.A2-2、ucPH.A3-2、ucPH.C5-1、ucPH.C6-2、ucPH.C6-3）和1 個條件QTL（cPH.A2-3）在油菜生長的整個發育時期都有表達，是控制油菜株高的長效QTL，并證實了數量性狀是QTL 選擇性表達的結果。Wu 等［60］在葡萄（Vitis vinifera）果形的動態QTL 分析中同樣鑒定到1 個長效QTL（qShI-5-1），在3 次試驗中均有表達，解釋了葡萄果實形狀16.4%-19.8%的表型變異。Miedaner 等［61］對雜交黑麥（Secale cereale）的株高及生物量進行了條件QTL 研究，定位到株高的18 個條件QTL 和生物量的3 個條件QTL，但沒有一個QTL 在測定的3 個發育時期內都有表達，體現了發育數量性狀的階段表達特性。An 等［10］對橡膠樹（Hevea brasiliensis）‘CATAS 8-79’與‘MT/C/11 9/67’雜交產生的F1代個體（206 株）的橡膠產量和胸徑生長的發育動態進行了非條件及條件QTL 分析，鑒定到7 個控制橡膠產量和6 個控制胸徑生長的加性條件QTL，其中QTL qLD-13-1 既在S3 階段被傳統QTL 分析檢測到，同時在S3|S2 階段通過條件映射方法也被鑒定，說明qLD-13-1 對S3 階段前期的乳膠產量影響不大，而對S3 階段的乳膠產量有顯著影響，在S3|S2 階段則產生了條件凈效應。

Zhang 等［62］以花生（Arachis hypogaea）品種YZ9102 與wt09-0023 雜交構建的包含521 個株系的RIL 群體為材料，對花生新鮮種子發芽過程進行了動態QTL 定位，共檢測到24 個條件QTL，解釋了親本0.82%-15.83%的表型變異，其中一個QTL qFSGA04 在3 種發芽環境的整個發芽階段均能表達，是控制花生新鮮種子發芽的主效與長效QTL，其他則為短效QTL。在玉米中，Li 等［63］對玉米穗絲發生后細胞壁組分和飼料消化率的變化進行了動態QTL 分析，在五個階段共檢測出72 個非條件QTL和26 個條件QTL，其中6 個細胞壁組分變化的主效條件QTL 解釋了超過10%的表型變異。Zhang 等［64］對小麥品種Huapei 3 與Yumai 57 雜交產生的DH 群體（168 株）的穗數、每穗粒數和千粒重進行條件QTL 分析，共檢測到59 個條件QTL，并得出不同QTL 間相互作用的結論。Bu 等［65］在對毛豆（Glycine max）種子發育的QTL 定位中發現，共有12 個非條件QTL 與8 個條件QTL 在毛豆種子發育過程中顯著影響種子硬度的變化，其中鑒定到的非條件QTL 與條件QTL 大多不同，共同的QTL 比例較少，非條件QTL 與條件QTL 的數目均呈現先增加后減少的趨勢，說明大多數QTL 的表達是按照一定時空規律階段性表達的。Su 等［66］在對菊花（C.morifolium）耐澇性的遺傳機制解析中發現，控制菊花耐澇的非條件QTL 與條件QTL 個數分別為37 個與51 個，并鑒定到大量的上位效應QTL。李海洋［67］連續兩年對煙草（Nicotiana tabacum）RIL 群體的青枯病抗性作了動態QTL 定位，共檢測到9 個非條件QTL 與13個條件QTL，在2016 年定位到3 個非條件QTL 與8 個條件QTL，2017 年定位到7 個非條件QTL（含1 個重復）與5 個條件QTL，分別于2016 年和2017年檢測到1 個長效QTL 在多個調查期持續表達，但僅有1 個QTL（qBWR2-1）能在不同調查期被重復檢測到，表明多數QTL 的表達具有時序性。

Xie 等［68］以水稻的重組自交系群體為研究材料鑒定了低溫（15℃）和最適溫度（25℃）條件下顯著影響水稻種子萌發和幼苗形態建成的動態QTL，結果表明，顯著影響種子活力的條件QTL 與非條件QTL 不盡相同，共檢測到了5 個非條件QTL（qSV-1、qSV-5a、qSV-5c、qSV-8、qSV-11）與3 個條件QTL（qSV-5b、qSV-6a、qSV-6b），其中qSV-1、qSV-5b、qSV-6a、qSV-6b 僅影響水稻幼苗形態建成，qSV-5a、qSV-5c、qSV-8 僅對種子萌發起促進作用，而非條件QTL qSV-11 在種子萌發及幼苗形態建成中均能發揮作用；3 個條件QTL 僅在低溫條件下幼苗形態建成的第3 階段顯著表達，被鑒定為水稻幼苗形態建成的低溫特異性QTL 及短效QTL，該研究為進一步了解水稻種子萌發及幼苗形態建成奠定了基礎。Bu等［69］對水稻HJX74 的5 個單片段替換系（singlesegment substitution lines,SSSLs）39 種基因型的葉片數量進行了條件QTL 研究，在9 個發育階段中共檢測到5 個具有顯著加性效應的條件QTL，均對葉片數量增加起促進作用，并且在其中3 個時間段（t0-t2、t4-t6、t7-t9），5 個條件QTL 的表達更加活躍。Zheng 等［70］對水稻品種Asominori 與IR24 雜交產生的RIL 群體71 個子代進行了動態QTL 分析，檢測到了籽粒蛋白含量的10 個非條件QTL 和6 個條件QTL，其中僅有1 個條件QTL qPC-9 在兩個發育階段連續表達，其余5 個條件QTL 僅在單個發育時期特異性表達，且條件QTL 的數目隨發育時期延長呈現先增后減再增的變化；在對水稻籽粒蛋白指數的QTL 定位研究中發現，檢測到的非條件QTL 數目隨著發育時期逐漸減少，說明水稻籽粒蛋白合成基因在籽粒發育前期更加活躍；結合非條件QTL 和條件QTL 分析檢測到了7 個共同QTL 影響籽粒蛋白指數，共同QTL 的比例較高，并且大部分QTL 在籽粒發育前期而非成熟期被檢測，說明多數QTL（基因）的表達是動態的、分階段的，通過全生長周期的動態QTL 分析比常規QTL 定位檢測到的QTL 種類與數目更加全面。

Zhang 等［71］在對楊樹雜交種（Populous deltoides×P.canadensis syn.euramericana）扦插生根的遺傳定位研究中，鑒定到插穗最大根長和總根數的6 個條件QTL，其中僅有1 個QTL 在生根過程中持續影響根系生長，其余5 個短效QTL 對根系生長的影響隨生根時間變化而變化，在插穗生根的不同階段中具有不同的發育模式。在簸箕柳（Salix suchowensis）生長節律的遺傳機制解析［72］中，共鑒定到控制株高的2 個長效QTL 和3 個短效QTL，以及控制地徑生長的2 個長效QTL 和4 個短效QTL，在簸箕柳生長節律的動態變化中發揮了重要作用。Zhang 等［73］在對胡楊（P.euphratica）根系與地上部協同變化的遺傳定位研究中，首先將幼苗生長數據擬合生長方程，從而估算出莖和主根生長的漸近生長、相對生長速率、拐點時間和線性生長的持續時間，通過單變量定位模型檢測到15 個莖伸長和4 個介導主根生長的異時QTL（heterochronic quantitative trait loci,hQTLs），通過雙變量定位模型共定位到11 個多效性異時QTL，在胡楊地上部與地下部協同生長中發揮重要作用。在對擬南芥（Arabidopsis thaliana）表型可塑性基因定位的研究中，任翔宇［74］檢測到世代內顯著影響開花時間、果莢數目和葉片數量表型可塑性的位點58、71 和24 個，并且定位到23 個和31 個分別調控開花時間和果莢數目的母體環境表型可塑性顯著位點。結果表明，母代受環境影響，可將表型可塑性以基因修飾方式傳遞給子代，表明QTL 或基因受母體效應和環境效應影響而呈現發育階段性表達。

4 展望

基因組測序技術和基因編輯技術的迅速發展使定向設計和精準分子育種成為可能。準確檢測、鑒定與克隆QTL（基因）并驗證其功能是開展精準育種的重要基礎，而QTL 定位是主要手段。隨著測序通量的提升、新型分子標記的開發及生物信息學方法的發展，使構建植物飽和遺傳圖譜、實現重要性狀QTL 的精細定位成為可能。通過檢測在不同遺傳背景和環境條件下穩定表達的QTL，利用與目標性狀基因連鎖的分子標記來篩選目標性狀基因型，可以提高QTL 的跟蹤效率，縮短育種周期，提高育種效率。然而，許多復雜的發育數量性狀如株高、地徑、產量的控制基因在不同發育階段的表達模式不同，是QTL 按一定的時空規律選擇性表達的結果。因此，只有通過條件QTL、功能作圖等動態QTL 分析方法，才能鑒定目標性狀不同發育時期的主效與長效QTL，從而明確QTL 對目標性狀的影響模式，實現分子標記輔助選育（molecular marker-assisted selection,MAS）對目標性狀的定向改良。

盡管通過動態QTL 分析能夠有效檢測生物體目標性狀不同發育階段的數量性狀控制位點，但受限于人工作圖群體親本的遺傳多樣性，親本遺傳背景相似度較高，所含可供挖掘優良基因的豐富程度低，子代分離群體獲得的重組位點有限，僅用人工作圖群體進行的QTL 研究，定位到的QTL 分辨率低、置信區間較大，包含太多的候選基因，不利于后續數量性狀控制基因的驗證與克隆，分子標記輔助選育的精準度不夠。為了保證動態QTL 定位的可信度，多群體、多環境、多時間及多分子標記的組合試驗必不可少。對于非模式物種與木本植物而言，研究材料生長周期長、遺傳背景復雜、大群體構建困難等問題，嚴重制約了QTL（基因）的精細定位，僅以單個作圖群體定位的數量性狀基因座，QTL 定位區間太大，難以滿足基因精細定位與克隆轉化實驗的要求，在后續試驗中，應結合多種作圖群體同時開展動態QTL 分析，提高QTL 分辨率。結合QTL定位與全基因組關聯分析（genome wide association analysis,GWAS）是進行目標性狀QTL 定位的新方法，能夠鑒定與目標性狀顯著關聯的新位點，有利于發育數量性狀位點的精確定位，以自然群體為研究材料，結合人工作圖群體，開展重要數量性狀的GWAS 與QTL 共定位分析，利用自然群體豐富的遺傳資源與基因位點，提高分子標記與基因的連鎖程度，縮小QTL 定位范圍，從而實現目標性狀QTL（基因）的精確定位。隨著基因組測序技術的高速發展，利用基于限制性酶切位點關聯 DNA 測序（restrictionsite associated DNA sequencing,RAD-seq）、特異性基因座擴增片段測序技術（specific locus amplified fragment sequencing,SALF-seq）等簡化全基因組測序方法，能夠快速鑒定高密度SNP 位點，結合傳統SSR、AFLP 等DNA 分子標記，能夠提高遺傳連鎖圖譜分子標記密度，構建高密度遺傳圖譜，從而提高QTL 定位的效率。此外，QTL 結合轉錄組測序、代謝組分析等多組學分析技術，能夠挖掘控制目標性狀動態發育的關鍵候選基因。隨著Meta 分析、Overview 等分析方法的創新，將不同群體、環境和分子標記下定位到的QTL 整合到同一遺傳圖譜上，從而挖掘出置信區間小、分辨率高、遺傳效應顯著的QTL 位點，加快實現QTL 的精細定位。

文章所有附表數據請到本刊官網下載（https://biotech.aiijournal.com/CN/1002-5464/home.shtml）。