基于基因型×年份互作风险评估的黑小麦产量稳定性评价——以年际气候变异为背景

本研究针对年际气候变异加剧导致作物产量波动、单一品种推荐失效的问题，以16个黑小麦基因型为材料，在保加利亚南多布罗加地区进行了连续三个生长季的田间试验。研究人员通过整合回归分析、方差稳定性参数(如Shukla’s稳定性方差)和多元分析(AMMI、GGE)等方法，构建了一套风险导向的评价框架，包括响应性(RI)、可预测性(PI)、遗传风险(GRI)、胁迫稳健性(SRI)和产量机会(YOI)等指数。研究揭示了显著的基因型×年份(G×Y)互作，筛选出4个兼具高平均产量、高稳定性和低互作风险的优良基因型，为气候多变条件下的黑小麦品种选育和风险管理提供了科学的决策依据。

在农业生产中，气候变化正从一个遥远的科学概念转变为田间地头实实在在的挑战。想象一下，一位农民去年还在为丰收而喜悦，今年却可能因为异常的干旱或降雨而面临减产。这种年复一年的不确定性，不仅影响着“饭碗”的稳定，也给育种家和农学家们出了一道难题：我们如何挑选出那些既能“抗压”（在坏年景下不减产太多）又能“抓机会”（在好年景下高产）的“全能选手”？传统的育种和品种评价往往更看重平均产量的高低，但一个“平均成绩”优秀的品种，可能在好年景里表现平平，在坏年景里却一落千丈。这种不稳定性，或者说基因型与环境（特别是年份）之间的“互动”（基因型×环境互作，G×E），是作物产量预测和推荐中的主要风险来源。特别是在气候变化加剧的背景下，年际间的气候波动（温度、降水）已成为影响作物生产的最主要环境变量之一。因此，如何精准地量化并解读这种“互动”，将抽象的稳定性指标转化为直观的、可用于决策的“风险图谱”，成为现代农业科研亟待解决的关键问题。为此，Hristo P. Stoyanov, Asparuh I. Atanasov 和 Atanas Z. Atanasov 在《Agronomy》上发表了一项研究，他们以黑小麦（×Triticosecale Wittmack）——一种以其适应性和抗逆性著称的谷物——为模型，在保加利亚重要的谷物产区南多布罗加，展开了一场为期三年的“田间压力测试”。

为了回答上述问题，研究人员运用了一套整合的分析框架。首先，他们对连续三个生长季（2022/2023, 2023/2024, 2024/2025）的产量数据进行了方差分析(ANOVA)，以确认基因型(G)、年份(E)及G×E互作效应的显著性。在此基础上，他们采用了经典的回归稳定性分析（Finlay和Wilkinson模型，Eberhart和Russell参数），计算了回归系数(b_i)和离回归方差(S²_di)，以评估基因型对环境生产力梯度的响应性和可预测性。同时，他们计算了Shukla’s稳定性方差(σ²_i)来量化每个基因型对G×E互作方差的贡献，即其不稳定性。为了将这些统计参数转化为更易于理解和决策的指标，研究人员推导出了一系列综合指数：响应性指数(RI， Responsiveness Index)、可预测性指数(PI， Predictability Index)、遗传风险指数(GRI， Genetic Risk Index)、胁迫稳健性指数(SRI， Stress Robustness Index)和产量机会指数(YOI， Yield Opportunity Index)。此外，研究还应用了多变量分析方法，包括加性主效应和乘积互作模型(AMMI， Additive Main Effects and Multiplicative Interaction)以及基因型加基因型×环境互作双标图分析(GGE， Genotype plus Genotype × Environment Interaction biplot)，以可视化的方式揭示互作的结构和模式。所有计算均使用Python和R语言的开源统计软件包完成。

3. 结果

3.1. 基因型×环境互作与方差结构

方差分析表明，基因型、环境（年份）以及基因型×年份互作对籽粒产量的影响均极显著。年份效应是变异的最主要来源，占总平方和的79.13%，这凸显了年际环境差异的巨大影响。基因型效应解释了11.08%的变异，表明参试材料间存在显著的遗传差异。而显著的基因型×年份互作（解释6.24%的变异）则证实了不同基因型对季节条件存在差异化的响应，其相对表现会随着年份变化，这为后续的稳定性分析提供了依据。

3.2. 不同生长季的籽粒产量表现

三个试验年份（E1, E2, E3）的产量差异显著，构成了从不利到有利的环境梯度。在最不利的E1季节（2022/2023），平均产量最低，基因型间产量变幅为3.49至6.68 t/ha；在最有利的E3季节（2024/2025），平均产量最高，变幅为7.71至9.92 t/ha。三年总平均产量在6.67至8.12 t/ha之间。一些育种品系（如G2, G3, G7, G8）在所有季节都表现高产，而部分标准品种（如Kolorit）在不利条件下产量很低，但在有利条件下产量跃升，显示出强烈的响应性。

3.3. 基于经典稳定性参数的产量稳定性与环境响应性

经典稳定性参数揭示了基因型在响应模式和稳定性上的多维差异。回归系数(b_i)范围从0.501（G11， 保守型）到1.718（Kolorit， 高响应型），数值接近1表示广泛适应。离回归方差(S²_di)和Shukla’s稳定性方差(σ²_i)则分别衡量了响应的一致性和对互作方差的贡献。例如，AD-7291（A）具有极低的S²_di和σ²_i，表明其表现高度可预测且稳定；而Kolorit（K）则具有极高的σ²_i，表明其表现不稳定，与环境互作强烈。

3.4. 描述基因型行为的风险与决策导向指数

衍生指数提供了更清晰的基因型行为画像。响应性指数(RI)区分了保守型（负值，如G11）、广泛适应型（接近零，如多个品系）和响应型（正值，如Kolorit）。可预测性指数(PI)显示AD-7291和Kolorit的预测性最高，而G12等品系的预测性较低。遗传风险指数(GRI)表明，AD-7291、Rakita（R）及G5、G6、G7等品系具有较低的互作相关风险，而Kolorit和G11的风险最高。

3.5. 不利和有利季节条件下的基因型表现

胁迫稳健性指数(SRI)显示，在不利季节（E1），G3、G7、G5等品系表现出高于平均水平的稳健性，而标准品种普遍低于平均水平。产量机会指数(YOI)显示，在有利季节（E3），G8、G2、G4等品系能更好地利用有利条件，而多数标准品种的利用能力有限。这证实了基因型的优势表现具有环境特异性。

3.6. 基因型×年份互作的多变量表征

AMMI1双标图直观展示了年份间巨大的生产力梯度以及基因型在互作主成分轴上的分布，其中Kolorit、G11和G3偏离原点较远，表明其互作效应强。GGE双标图的“哪胜哪”视图揭示了“交叉互作”：不同季节的“优胜”基因型不同（如E3利于G8， E1利于G3）。平均环境坐标(AEC)视图则同时展示了基因型的平均表现和稳定性，例如G7、G5等品系兼具高产和稳定。

3.7. 黑小麦基因型的综合风险-响应性-产量剖析

风险-响应性-产量矩阵将上述多维度信息整合在一张图中。它清晰地识别出几类基因型：1）理想型：如G2、G5、G6、G7，兼具高产、平衡的响应性、高可预测性和低遗传风险；2）高响应-高风险型：如Kolorit和G8，在好年景下产量潜力大，但稳定性差、风险高；3）保守-低产型：如AD-7291和Rakita，产量有限但稳定；4）特殊型：如G3，通过在高胁迫下的特殊适应性实现高产，但互作风险较高。

4. 讨论 与 5. 结论

本研究证实，在气候多变的条件下，年际环境变异是驱动黑小麦产量差异的主导力量，但基因型本身及其与年份的互作效应同样显著且具有生物学意义。这意味着仅凭平均产量来选择品种是远远不够的。本研究的核心科学贡献在于，它成功地将回归稳定性参数、方差稳定性参数和多变量分析等方法整合到一个统一的、风险导向的评估框架中。该框架通过衍生指数（RI, PI, GRI, SRI, YOI）将传统的稳定性统计量转化为与生产决策直接相关的描述符，明确地将基因型×年份互作定量为一种可评估的生产风险。

研究结果表明，高产量可以通过不同的适应策略实现：一种是“均衡稳健”策略（如G5, G7），在保持高产的同时，响应性平衡、可预测性高、互作风险低，能为气候不稳定地区提供最可靠的生产保障；另一种是“机会主义”策略（如Kolorit），对环境改善响应强烈，在好年景下产量突出，但稳定性差、风险高，会带来较大的产量不确定性。这两种策略反映了产量潜力与稳定性之间的经典权衡，而本研究首次在年际气候变异的背景下，通过风险指数将此权衡进行了系统量化。

总之，这项工作为育种家和农学家提供了一个强大的工具。在气候变化导致生产环境日益不确定的今天，该研究提出的风险导向评估框架能够更精准地识别出那些“表现可靠”的基因型，支持基于风险的品种选择和部署决策，从而有助于构建更具韧性的谷物生产系统，对于保障粮食安全具有重要意义。未来的研究可将此框架扩展到更多地点和更广泛的环境梯度中验证，并整合生理和环境协变量，以进一步阐明不同基因型响应策略背后的生物学机制。