提高粒产量（GY）仍然是小麦育种的关键目标，以满足不断增长的人口需求（Gerard等人，2024年）。然而，快速变化的气候条件增加了生产的不确定性，使得明确表征基因型与环境之间的相互作用成为现代育种计划的核心优先事项（Xiong等人，2024年）。评估环境适应性的常见方法是在不同的地点和年份评估育种材料（Reynolds等人，2017年）。尽管这种方法有效，但多环境试验伴随着巨大的财务和物流成本，限制了其在常规育种流程中的可扩展性。因此，迫切需要开发新的方法来减少田间试验的规模，同时保持选择效率。
智能农业的最新进展越来越强调数据驱动的决策框架，这些框架整合了多源信息以优化资源利用和系统效率。诸如物联网机器学习和数字决策支持系统等技术已被广泛探索，以在多变的环境条件下增强农业管理，特别是在资源高效和可持续生产系统的背景下（Morchid等人，2025年，Morchid等人，2026年）。这些发展凸显了一个更广泛的趋势，即利用高维数据来降低运营成本，同时保持系统性能，为育种和选择中的数据驱动方法提供了概念基础。
在这种数据驱动的背景下，表型可塑性提供了一个表型视角，用于捕捉基因型在不同环境中的适应性，并为精准育种策略提供信息。表型可塑性指的是基因型在环境梯度上表现出的表型变异程度（Kusmec等人，2017年）。这种固有的能力使植物能够适应环境变化，理解其遗传基础为培育具有广泛适应性和韧性的品种提供了途径。最近的研究通常使用系到环境回归得出的反应-规范斜率来量化可塑性，这些斜率表征了基因型对环境变化的响应（Guo等人，2020年，Li等人，2021年，Tibbs-Cortes等人，2024年，Wei等人，2024年）。当与高密度基因图谱结合使用时，这些指标有助于识别与环境响应和适应相关的位点（Wei等人，2024年），表明可塑性可以作为建模基因型-环境相互作用的信息中介性状。
标记辅助选择在具有高遗传力和简单遗传结构的性状上取得了显著的成功（Khalid等人，2019年，Rasheed等人，2016年，Rasheed和Xia，2019年）。但其应用于粒产量这一受多个位点控制的复杂数量性状方面仍然有限（Liu等人，2012年）。尽管粒产量可以分解为组成性状（千粒重、每穗粒数和穗数）以辅助遗传分析（Ouhemi等人，2024年，Yang等人，2018年），但这些组分的大规模和准确表型分析仍然具有挑战性，并限制了选择效率。基因组选择（GS）作为一种有前景的方法，基于有限数量参考系的基因型和表型来预测未测试个体的表现（Desta和Ortiz，2014年，Wang等人，2018年，Wani等人，2021年）。然而，随着全基因组标记变得便宜和常规化，瓶颈已从基因分型转移到了建模：GS必须从多环境表型中学习，而不仅仅依赖于密集的环境分型，特别是在双亲育种背景下。结果表明，将GS与多环境表型数据相结合提高了预测准确性，并增强了它们建模基因型-环境相互作用的能力（Ahmadi和Bartholomé，2022年）。尽管取得了这些进展，这样的模型在育种计划中尚未得到广泛采用，部分原因是它们通常需要密集的环境数据，并且主要在遗传多样性高的自然群体中进行测试。相比之下，仍在育种中广泛使用的双亲群体具有有限的遗传多样性，这需要为这些材料量身定制预测方法。
在这里，我们使用表型可塑性信号在基因组选择框架内量化准确性-成本之间的权衡，并为精准农业决策提供信息。我们假设表型可塑性可以通过亲本均值与群体均值之间的线性关系隐式捕获，并在不显式环境变量的情况下纳入GS中。我们进一步假设这种方法能够在未测试环境中准确预测与产量相关的性状，并且使用部分系和环境进行的小规模田间测试可以保持高预测性能。为了验证这些假设，我们在两个地点（其中一个地点有两种灌溉处理）对来自Zhongmai 578（ZM578）和Jimai 22（JM22）的262个重组自交系（RILs）的双亲群体收集了高质量的表型数据，包括株高、GY和三个产量组分，持续了两年。利用亲本-群体均值关系，我们建立了GS模型，可以在没有显式环境协变量的情况下预测未测试环境中的系，并量化了训练规模效应（系数×环境数），提供了一个将作物表型分析与精准农业决策支持联系起来的系统建模指南。最后，我们的工作旨在提供一种成本效益高的策略，用于理解在不同管理条件下的基因型×环境相互作用（G×E），并促进GS在育种计划中的实际应用，而无需显式环境描述符。
