摘要：棕榈树在生态和经济方面发挥着至关重要的作用，而Syagrus romanzoffiana是南美洲广泛分布的一种棕榈物种。尽管它具有重要的生态意义和经济潜力，但针对该物种的群体水平遗传学研究仍然有限。在这里，我们利用24,859个单核苷酸多态性（SNPs），通过基因分型测序（GBS）技术，评估了巴西和巴拉圭不同植被类型中的遗传多样性、群体结构以及局部适应的特征。我们分析了来自8个群体的91个个体，发现群体内部的遗传多样性较高，群体间的分化程度适中。观察到的杂合度普遍较高，某些群体中杂合子的数量较多，这与杂交和基因流的存在一致。成对FST和AMOVA分析证实，大部分变异存在于群体内部，而遗传结构分析则强调了植被类型对群体分化的影响，restinga群体的遗传特征较为独特。尽管地理上相邻，但某些群体由于局部环境条件的不同而表现出更大的分化，这支持了环境隔离的观点。环境关联分析（LFMM和RDA）识别出与温度和降水量相关的SNPs，表明在不同生境中存在适应性基因组分化。这些发现共同表明，生境类型和气候共同塑造了Syagrus romanzoffiana的中性和适应性遗传变异，为在持续发生的生境破碎化和气候变化背景下制定保护、恢复和种子来源策略提供了基因组基础。
引言：了解遗传多样性和群体结构在异质环境中的分布情况是保护遗传学中的一个核心问题，这对恢复、管理和野生种群的长期存续具有直接意义（Helyar等人，2011年；Brumfield等人，2003年）。在异质景观中，种群不仅可能通过遗传漂变和有限的基因流等中性过程发生分化，还可能通过环境驱动的选择发生分化，这种区别越来越被认识到对基础和应用保护科学都至关重要（Allendorf等人，2010年）。虽然基于中性遗传标记的分析可以提供关于种群历史和连通性的见解，但它们在检测对局部环境条件的适应性反应方面能力有限。因此，识别与局部适应相关的基因组位点是区分种群动态和选择过程的关键，特别是在那些分布于不同生境中的广泛分布物种中。对于用于生态恢复和种子来源计划的物种来说，考虑适应性遗传变异尤为重要：在不考虑局部适应性的情况下转移个体可能会影响在持续发生的生境破碎化和气候变化背景下的恢复工作的长期成功（Hoffmann和Sgrò，2011年；Hemstrom等人，2024年）。像基因分型测序（GBS）这样的全基因组方法现在提供了所需的分辨率，可以同时描述中性群体结构并扫描数千个位点的选择特征，使其成为解决非模式生物这些问题的强大工具（Hohenlohe等人，2010年；Helyar等人，2011年）。
棕榈树（Arecaceae）在全球有超过2,600个公认的物种，几个世纪以来为人类提供了广泛的服务（Cámara-Leret等人，2017年；Eiserhardt等人，2011年；Levis等人，2017年）。许多棕榈树是生态关键物种，大量动物依赖它们的果实和花朵资源生存（Onstein等人，2017年）。此外，棕榈树还提供非木材林产品，如食物、药品、纤维、油脂和建筑材料，支持着传统社区和现代工业（Sen和Samanta，2015年；Colombo等人，2018年；Balslev等人，2011年）。在棕榈树中，温度和降水量等环境因素预计在塑造物种分布和适应极限方面起着核心作用，特别是在区域和大陆尺度上（Eiserhardt等人，2011年）。在棕榈树分布的南部边界，较低的冬季温度和季节性水资源可用性可能施加强烈的选择压力，影响生存、生长和繁殖成功率。在相关棕榈树物种中的实验和野外研究表明，耐寒性和抗霜冻能力可以直接限制其分布范围和种群持续性（Gatti等人，2008年）。因此，气候梯度提供了一个生物学上有意义的轴，可以检测适应性遗传变异。其他环境因素，如土壤特性和水文条件，预计在更细的空间尺度上起作用，但在本区域分析中并未明确建模。
Syagrus romanzoffiana（Cham.）Glassman，通常被称为jerivá，是一种原产于南美洲南部和东部的广泛分布的棕榈树，分布于巴西、巴拉圭、阿根廷北部和乌拉圭（Lorenzi，2010年）。除了其生态重要性外，S. romanzoffiana还广泛用于景观美化和城市林业，并通过其果实、叶子、茎和种子等产品支持农村社区（Zona和Henderson，1989年；Scariot，2015年）。尽管其分布广泛且具有社会经济意义，但对该物种的群体水平基因组研究仍然很少。在其南部分布范围内，S. romanzoffiana所处的环境在气候、植被结构、土壤特性和景观历史方面存在显著差异，包括大西洋雨林、大西洋季节性森林和沿海restinga植被类型。Restinga环境的特点是沙质土壤、高盐度和强风暴露，而内陆森林则具有更稳定的土壤、更高的冠层覆盖度以及不同的温度和降水量模式（Lorenzi，2010年；Scarano，2009年；Henderson等人，1995年）。这种环境异质性为测试该物种的遗传分化是否不仅反映了地理距离，还反映了对不同生境的适应提供了自然框架，这与环境隔离（IBE）理论一致（Wang和Bradburd，2014年）。在这项研究中，我们专注于S. romanzoffiana的南部分布范围，在巴西和巴拉圭的群体中取样，以建立区域基因组基础。我们假设：（i）群体遗传结构将反映生境类型和地理背景；（ii）气候变量，特别是温度和降水量，可以解释不同植被类型中的适应性基因组变异模式。为了验证这些假设，我们使用通过基因分型测序（GBS）获得的全基因组单核苷酸多态性（SNPs）来（i）评估遗传多样性和群体结构；（ii）识别与环境变量相关的基因组区域。作为首个基于SNP的S. romanzoffiana群体基因组研究，这项工作为大西洋森林和restinga生态系统的保护和恢复规划提供了高分辨率的基础。
材料与方法：我们从代表南美洲南部三种植被类型的91个成年和繁殖期的Syagrus romanzoffiana个体中采集了叶片组织样本：大西洋雨林、大西洋季节性森林和restinga（Henderson等人，1995年；Lorenzi，2010年）。样本仅来自野生种群残余部分，包括巴西RS州的Linha Lucena-Cecília、Travessa和Herval；巴拉圭Concepción的San Ramón（季节性森林）；巴西RS州的Pixirica和Osório的Borússia（大西洋雨林）；以及巴西RS州的Condomínio Marítimo和SC州的Gravatá（restinga）（图1）。在每个群体中，个体之间的采样间距足够大，以减少采样到密切相关的个体的可能性。采样群体之间的最小地理距离约为6公里，最大距离达到约1,150公里，涵盖了巴西和巴拉圭的广泛区域空间范围。这种空间范围允许评估地理和环境因素对群体遗传分化的贡献。叶片样本储存在硅胶中，并运输到圣保罗大学Luiz de Queiroz农业学院（ESALQ/USP）的遗传学系进行DNA提取。本研究得到了坎皮纳斯大学伦理委员会的批准，并按照巴西环境部（MMA）的规定和国家遗传遗产及相关传统知识系统（SisGen；注册号A3A928）的要求进行。
图1：巴西和巴拉圭的Syagrus romanzoffiana采样群体。主图显示了巴西和巴拉圭之间的研究区域；插图地图提供了巴拉圭（右上角）和巴西南部（右下角）采样区域的放大视图。每个符号代表一个采样群体：Borússia – RS（深绿色），Cond. Marítimo – RS（橙色），Gravatá – SC（浅蓝色），Herval – RS（粉色），Lucena-Cecília – RS（浅绿色），Pixirica – RS（黄色），Travessa – RS（灰色），以及巴拉圭Concepción的San Ramón（浅棕色）。大西洋森林的植被类型和分布是根据Ecoregions 2017平台（Dinerstein等人，2017年）提供的形状文件界定的。
DNA提取：使用针对棕榈树优化的改良CTAB协议（Doyle，1991年）从叶片组织中提取DNA。在1%琼脂糖凝胶上检查DNA完整性，并使用Qubit荧光计（Thermo Fisher Scientific）将其浓度标准化为30 ng/µL。提取协议的详细步骤描述，包括缓冲液组成、离心条件和孵育时间，见补充信息，以便于重复实验。
基因组文库制备：使用双酶切GBS协议（Poland等人，2012年）制备基因组文库，并进行了修改。基因组DNA（30 ng/µL）用PstI和MseI进行酶切，然后用带有唯一条形码的Illumina兼容接头进行连接。文库经过QIAquick PCR纯化试剂盒（Qiagen）纯化，通过Illumina引物进行PCR富集，并通过qPCR进行定量。片段大小分布在2100 Bioanalyzer（Agilent Technologies）上评估，随后在圣保罗大学Luiz de Queiroz农业学院（ESALQ-USP）的Illumina NextSeq 1000/2000平台上进行测序。关于接头设计、PCR条件和纯化步骤的完整描述见补充信息，以确保可重复性。
SNP发现和过滤：首先使用FastQC（Andrews，2010年）评估原始读段的质量。使用Stacks v2.62（Catchen等人，2013年）和process_radtags模块进行去多重化和初步过滤，以去除低质量读段（Phred < 20）、接头污染、未呼叫的碱基（Ns）和缺乏限制位点的序列。在Stacks中进行de novo组装：ustacks的覆盖深度最小为4（–m 4），允许个体内的最多5个错配（–M 5）（Boutet等人，2016年）。使用cstacks（个体间容忍4个错配）构建位点目录（Boutet等人，2016年），然后使用tsv2bam和gstacks进行基因分型。
变异过滤：在VCFtools（Danecek等人，2011年）中进行过滤。为了减少连锁不平衡，每个位点保留一个SNP用于结构分析。应用的过滤器包括：每个位点的缺失率≤20%，每个个体的缺失率≤20%，MAF≥0.05，以及群体内的Hardy–Weinberg平衡（p < 1 × 10⁻⁶）。过滤选择遵循Hemstrom等人（2024年）的指南。
群体遗传多样性：我们使用hierfstat包（Goudet，2005年）估计了预期杂合度（Hs）、观察到的杂合度（Ho）、等位基因丰富度（Ar）和固定指数（FIS）。使用adegenet包（Jombart和Ahmed，2011年）计算等位基因数量，并使用poppr包（Kamvar等人，2014年）识别私有等位基因。
群体遗传结构：为了表征群体遗传结构并区分地理距离和环境的影响，我们结合了互补的分析方法。使用Wright的F统计量和AMOVA来量化群体间的遗传分化，应用Mantel测试来评估距离隔离，使用多变量和聚类方法（DAPC和sNMF）在无需明确空间假设的情况下探索群体结构。Wright的F统计量（FST、FIT、FIS）和成对FST估计使用hierfstat（Goudet，2005）进行。由于成对FST矩阵是对称的，因此使用矩阵的上三角部分显示了群体间的地理欧几里得距离。地理距离是根据R中的dist函数从群体坐标（纬度和经度）计算得出的。分子方差分析（Excoffier等人，1992年）使用poppr包（Kamvar等人，2014年）进行，AMOVA的显著性通过20,000次置换检验来确定，其中以种群身份作为层次分组因素。为了最小化偏差，排除了缺失数据超过5%的位点。AMOVA采用了更严格的缺失数据阈值以减少方差分配的潜在偏差，而在其他分析中则使用了较宽松的阈值以保持种群结构和环境关联检验的统计功效。Mantel检验使用ade4软件（Mantel，1967年）进行，通过10,000次置换来检测遗传距离矩阵和地理距离矩阵之间的相关性（Thioulouse等人，2018年）。这项分析用于评估基于距离的隔离（IBD），其结果与环境关联分析相结合，以评估地理因素和环境因素对遗传分化的相对贡献。种群结构进一步通过主成分判别分析（DAPC）使用adegenet软件（Jombart和Ahmed，2011年）进行探讨。最优的主成分数量通过α分数优化确定，结果通过散点图和条形图可视化。
在环境关联分析之前，对基因型数据进行了插补以减少与缺失值相关的潜在偏差。尽管每个个体的总体缺失数据比例低于20%，但某些位点的缺失数据比例超过了10%。在这种情况下，建议进行基因型插补以提高LFMM分析的统计功效和稳定性（Frichot，2013年）。插补使用从sNMF推断出的祖先系数进行，K=4，反映了数据集的主要中性遗传结构。这种基于祖先信息的方法在最小化虚假基因型-环境关联的同时考虑了种群结构。环境关联分析使用LEA包（Frichot和François，2015年）实现的潜在因子混合模型（LFMM）进行。考虑了WorldClim v2（Fick和Hijmans，2017年）中的20个生物气候变量以及海拔高度。选择WorldClim变量是因为它们在景观基因组学研究中的广泛应用，便于与以往的研究进行比较，并且它们的空间分辨率适合此处考虑的区域尺度。为了减少预测变量之间的共线性，进行了主成分分析（PCA）；前两个主成分解释了约85%的方差（方法学部分，图S1）。保留了相关性最高的变量：bio06（最冷月份的最低温度）和bio19（最冷季度的降水量），这两个变量通常被认为是热带植物物种局部适应性的驱动因素（Eckert等人，2009年；Manel等人，2010年；De Kort等人，2014年）。这两个变量也被用来计算种群间的环境距离。具体来说，根据每个种群的地理坐标提取bio6和bio19的值，并使用欧几里得距离计算成对的环境距离矩阵。然后使用ade4软件（Mantel，1967年）进行Mantel检验，通过10,000次置换来评估环境距离矩阵和地理距离矩阵之间的相关性。这项分析旨在评估环境变异在多大程度上与种群间的地理距离相关。
LFMM分析基于初步sNMF分析（10次重复，200,000次迭代）定义的K=4个潜在因子对插补后的基因型矩阵进行。每次LFMM运行包括5,000次的燃烧期和每个环境变量10个重复。P值使用基因组膨胀（λ）和Benjamini–Hochberg假发现率程序进行调整（q<0.05）（François等人，2016年；Ahrens等人，2019年）。LFMM识别的候选SNP用于两个后续分析：（i）仅限于候选位点的第二次sNMF分析；（ii）在vegan包（Oksanen等人，2024年）中实现的冗余分析（RDA）。在RDA中，SNP基因型被视为响应变量，bio06和bio19被用作解释性约束。所有分析都在R v4.3.0（R Core Team，2024年）中执行。
**南美洲南部的遗传多样性**
数据过滤后，共保留了24,859个SNP标记用于S. romanzoffiana。每个个体的平均缺失数据比例为6.11%，最高为14%（图S2A）。每个个体的平均测序覆盖率为15.25倍（图S2B），每个位点的平均覆盖率为13.68倍，没有位点的覆盖率超过100倍或低于10倍（图S3A）。SNP数据还显示转换次数多于颠换次数（图S3B）。
遗传多样性在不同地点之间存在差异（表1）。观察到的杂合度（Ho）和预期杂合度（Hs）在所有种群中都很高，有六个地点的Ho超过Hs。Lucena-Cecília是个例外，其Ho和Hs值相似（0.169），而Travessa的Ho低于Hs。最高的Ho值出现在San Ramón（0.205）和Gravatá（0.175），最高的Hs也出现在San Ramón（0.203），其次是Lucena-Cecilia（0.169）。San Ramón、Gravatá和Lucena-Cecilia拥有最多的等位基因（A，表1），San Ramón和Lucena-Cecilia的等位基因丰富度（Ar）分别为1.567和1.493，其次是Gravatá，它也有相当数量的私有等位基因（Ap，表1）。与restinga地点相比，内陆森林种群的等位基因丰富度通常更高，Gravatá除外，它的Ar值也较高（1.473）。固定指数（f）在不同种群间存在差异，Travessa的值最高（0.0145），而Gravatá（-0.0261）、Herval（-0.0106）和Pixirica（-0.0230）的值为负，表明杂合子过多。
**南美洲南部的种群遗传结构**
基于24,859个SNP，Wright的F统计量显示种群间存在显著差异。八个采样的S. romanzoffiana种群的估计值为：总近交系数（FIT = 0.139）、种群内近交系数（FIS = 0.021）和种群间遗传分化系数（FST = 0.122）。成对FST分析表明San Ramón始终是最具差异性的种群，其值范围从0.274（与Lucena-Cecília相比）到0.371（与Pixirica相比），而Borússia和Pixirica之间的分化最低（FST = 0.079），两者都位于大西洋雨林中（图2）。相比之下，尽管Borússia和Cond. Marítimo在地理上接近（地理欧几里得距离=0.203），但它们的遗传分化明显更高（FST = 0.081），反映了栖息地类型（restinga vs. 大西洋雨林）对遗传结构的影响。图2下三角显示的地理欧几里得距离进一步表明San Ramón与所有巴西种群的距离都相当远（范围从8.130到10.056），但其较高的FST值不能仅归因于地理距离，因为非显著的Mantel检验（r=-0.009，p=0.141）表明数据集中没有整体的基于距离的隔离模式。
**遗传多样性分析**
尽管San Ramón在地理上是最远的种群，但缺乏基于距离的隔离表明其强烈的遗传分化不能仅由空间分离解释，这支持了环境因素在塑造分化中的作用。主成分判别分析（DAPC）识别出明显的种群结构。第一个判别函数（LD1）解释了19.22%的变异，并将San Ramón与其他所有地点区分开来（图3A）。其余种群在LD1上部分重叠，反映了更微妙的分化。成员概率（图3B）进一步支持了这些结果，San Ramón代表较冷和季节性更强的环境，形成了一个独特的群组，而restinga种群（Cond. Maritimo和Gravatá）具有沙质和沿海环境，倾向于聚集在一起，内陆森林种群则表现出混合分配。
**适应性位点的检测和环境关联**
为了评估环境变异是否与种群间的空间距离相关，我们使用Mantel检验测试了环境距离和地理距离之间的相关性。环境距离基于PCA中确定的最相关的气候变量（bio06——最冷月份的最低温度，bio19——最冷季度的降水量）使用欧几里得距离计算。Mantel检验显示环境距离和地理距离之间的相关性不显著（r=0.28，p=0.13），表明在后续的基因型-环境关联分析中检测到的环境信号不太可能仅由环境变量和地理距离的空间协方差驱动。
环境关联分析使用LFMM在基于sNMF推断的种群结构上进行。这种方法提高了对缺失数据的鲁棒性，同时保留了潜在的中性遗传结构。LFMM识别出4,621个与bio06（最冷月份的最低温度）和bio19（最冷季度的降水量）显著相关的SNP（图S4，4）。
**基于24,859个SNP的Syagrus romanzoffiana种群基因组多样性**
基于24,859个SNP，Wright的F统计量显示种群间存在显著差异。Wright的F统计量估计值如下：总近交系数（FIT = 0.139）、种群内近交系数（FIS = 0.021）和种群间遗传分化系数（FST = 0.122）。成对FST分析表明San Ramón始终是最具差异性的种群，其值范围从0.274（与Lucena-Cecília相比）到0.371（与Pixirica相比），而Borússia和Pixirica之间的分化最低（FST = 0.079），两者都位于大西洋雨林中（图2）。相比之下，尽管Borússia和Cond. Marítimo在地理上接近（地理欧几里得距离=0.203），但它们的遗传分化明显更高（FST = 0.081），反映了栖息地类型（restinga vs. 大西洋雨林）对遗传结构的影响。图2下三角显示的地理欧几里得距离进一步表明San Ramón与所有巴西种群的距离都相当远（范围从8.130到10.056），但其较高的FST值不能仅归因于地理距离，因为非显著的Mantel检验（r=-0.009，p=0.141）表明数据集中没有整体的基于距离的隔离模式。
**遗传结构分析**
尽管San Ramón在地理上是最远的种群，但缺乏基于距离的隔离表明其强烈的遗传分化不能仅由空间分离解释，这支持了环境因素在塑造分化中的作用。主成分判别分析（DAPC）识别出明显的种群结构。第一个判别函数（LD1）解释了19.22%的变异，并将San Ramón与其他所有地点区分开来（图3A）。其余种群在LD1上部分重叠，反映了更微妙的分化。成员概率（图3B）进一步支持了这些结果，San Ramón代表较冷和季节性更强的环境，形成了一个独特的群组，而restinga种群（Cond. Maritimo和Gravatá）具有沙质和沿海环境，倾向于聚集在一起，内陆森林种群则表现出混合分配。
**适应性位点的检测和环境关联**
为了评估环境变异是否与种群间的空间距离相关，我们使用Mantel检验测试了环境距离和地理距离之间的相关性。环境距离基于PCA中确定的最相关的气候变量（bio06——最冷月份的最低温度，bio19——最冷季度的降水量）使用欧几里得距离计算。Mantel检验显示环境距离和地理距离之间的相关性不显著（r=0.28，p=0.13），表明种群间的环境分化不是由空间距离强烈决定的。这一结果表明，在后续的基因型-环境关联分析中检测到的环境信号不太可能仅由环境变量和地理距离的空间协方差驱动。
**基于sNMF推断的种群结构**
LFMM分析使用插补后的基因型矩阵进行，其中包含从sNMF推断的种群结构。这种方法提高了对缺失数据的鲁棒性，同时保留了潜在的中性遗传结构。LFMM识别出4,621个与bio06（最冷月份的最低温度）和bio19（最冷季度的降水量）显著相关的SNP（图S4，4）。
**基于候选SNP的环境关联分析**
基于这些候选SNP的新sNMF分析揭示了一个具有K=4个簇的种群结构（图5），表明环境变量对种群分化有贡献，超出了中性过程。San Ramón和两个restinga种群（Gravatá和Cond. Maritimo）形成了不同的遗传簇，而内陆森林种群显示出较高的混合程度，这与较弱的环境分化一致。
**基于LFMM分析的遗传结构**
使用LFMM分析识别的候选适应性SNP（q<0.05）推断的遗传结构，K=4。每个条形代表一个个体，颜色表示与适应性遗传簇相关的祖先比例。
**环境关联的一致性**
为了进一步评估环境关联之间的一致性，我们量化了与bio06和bio19相关的候选SNP之间的重叠（图6）。大量位点在这两个变量之间共享，表明对温度和降水梯度的基因组响应部分趋同，而不是仅由种群结构驱动的独立或随机关联。
**基于LFMM的冗余分析**
基于LFMM识别的候选SNP的冗余分析（RDA）确认了强烈的基因型-环境关联（图7）。由bio06和bio19约束的全球模型非常显著（p<0.001），调整后的R²为20%。这两个变量都对解释的遗传方差有显著贡献，前两个约束轴解释了候选位点捕获的几乎所有适应性变异（99.9%）。San Ramón的个体与bio06呈正相关，表明与较冷的最低温度相关的适应性分化，而Cond. Maritimo、Pixirica、Borússia和Gravatá与bio19的关联更强，表明对南部大西洋森林和restinga环境中的降水季节性的适应性响应。这些结果共同证实，与温度和降水相关的气候变量是Syagrus romanzoffiana适应性基因组分化的关键驱动因素。图7：该图像的替代文本可能是使用AI生成的。全尺寸图像。基于LFMM识别的候选SNP进行的冗余分析（RDA）中，彩色点代表每个Syagrus romanzoffiana种群中的个体，而灰色点代表与环境变量相关的候选SNP。箭头指示了生物气候变量bio06（最冷月份的最低温度）和bio19（最冷季度的降水量），这些变量解释了种群间的基因型差异。前两个受限轴几乎解释了候选位点所捕获的所有适应性变异。
讨论：Syagrus romanzoffiana种群间的遗传多样性估计在不同地点存在差异，但与其他使用SNP标记评估的新热带棕榈树的结果大体一致。在八个种群中，有五个种群的观察到的杂合度（HO）超过了预期杂合度（HS），HO值范围从0.139（Pixirica）到0.205（San Ramón），这种模式与主要通过异交繁殖的交配系统和持续的基因流相符（Zona和Henderson 1989）。作为对比，基于SNP的研究也报告了类似的范围：Euterpe oleracea在亚马逊种群的HO值范围为0.185到0.260（Francisconi等人2025a），而precatoria在采样地点也表现出普遍较低的固定指数和杂合子过剩（Francisconi等人2025b），这表明异交和基因流是新热带棕榈树维持种群内多样性的常见机制。具有杂合子过剩的种群通常对短期环境压力更具抵抗力，这在持续发生的栖息地破碎化和气候变化背景下可能具有重要意义（Hoffmann和Sgrò 2011）。除了杂合度外，San Ramón（1.567）和Lucena-Cecília（1.493）的等位基因丰富度（Ar）尤为显著，突显了它们在适应和长期进化韧性方面的遗传潜力（Pritchard等人2000）。Gravatá（3,291）和San Ramón（17,426）中发现的大量私有等位基因（Ap）强调了这些种群的遗传独特性，前者可能反映了其对沿海restinga环境的特定局部适应，后者则反映了其与其他采样地点的地理距离。这些模式进一步表明，栖息地类型和地理背景，而不仅仅是距离本身，在塑造等位基因多样性方面起着核心作用，这一点在其他新热带树木如Eugenia uniflora（Vetö等人2023）和Euterpe edulis（Conte等人2008）的研究中也有报道。
固定指数（f）在所有种群中都较低，接近零，范围从-0.0261（Gravatá）到0.0145（Travessa），表明没有种群表现出明显的近交或显著的纯合子过剩。Gravatá、Pixirica和Herval的负f值表明存在轻微的杂合子过剩，这与占据环境异质性高或连通性好的栖息地的种群中的异交和基因流一致（Allendorf等人2010）。Travessa、Lucena-Cecília、Borússia、Cond. Marítimo和San Ramón观察到的正值接近零，并且落在零的置信区间内（表1），表明没有生物学意义上的偏离Hardy-Weinberg预期。总体而言，这些结果表明，尽管这些S. romanzoffiana种群所处的景观具有不同程度的破碎化，但它们仍然保持了广泛的混合交配动态，这可能是由于昆虫、鸟类和哺乳动物有效的花粉和种子传播所维持的（Zona和Henderson 1989）。Wright的F统计量显示了中等程度的分化（FST = 0.122），表明虽然种群间存在基因流，但它们仍然具有足够的差异以保持不同的遗传组成（Wright 1931, 1949）。AMOVA也证实了这一发现，表明大部分遗传变异发生在种群内部（70.3%），这与长寿的新热带棕榈树的预期一致（Anderson 2001；Griffiths和Tavare 1994），其中较大的有效种群规模和广泛的基因流维持了局部基因库中的多样等位基因。
有趣的是，Mantel测试中遗传距离和地理距离之间缺乏显著相关性，表明地理分离不是分化的主驱动因素。这一结果表明，仅凭地理距离不足以解释观察到的遗传结构。相反，生态因素似乎起着更大的作用。占据不同植被类型的种群表现出更大的遗传分化，即使它们在地理上更接近。例如，Borússia和Pixirica虽然相距约90公里，但在遗传上比Borússia和Cond. Marítimo更相似，后者仅相距约20公里，但植被类型不同（restinga与大西洋雨林）。这种对比强调了环境隔离（IBE）相对于距离隔离的重要性，突出了局部生态条件和微气候在塑造遗传分化中的作用（Mantel 1967；Wang和Bradburd 2014）。Restinga环境位于沙质土壤中，盐度较高且风较大。另一方面，Pixirica和Borússia属于湿润的森林，土壤由玄武岩形成。此外，Cond. Marítimo位于靠近海洋的地方，距离海滩约5公里。对该地区的地质研究表明，大约5000年前，在一次冰后期海平面上升的高峰期，海平面比现在高出约2-5米（Dillenburg等人2009），这可能使得S. romanzoffiana当时无法在该地区生存。之后，海平面逐渐回落到当前水平（Barboza等人2021），可能伴随着restinga植被的扩展和S. romanzoffiana在该地区的殖民。Borússia和Pixirica位于更高的海拔和更古老的地质地形中，这可能使S. romanzoffiana更早地扩展。这些种群所处的环境差异以及每个地点的土壤和气候条件可能促成了这些地方的局部适应。
与环境关联分析一致，提供了S. romanzoffiana局部适应的有力证据。与气候变量（bio06和bio19）相关的SNP突显了温度和降水作为不同植被类型选择压力的作用。值得注意的是，适应性遗传结构表明选择可以独立于地理距离或历史人口统计进行。尽管历史过程无疑对背景遗传结构有所贡献，但多种分析方法中基因型-环境关联的一致性支持了环境选择的主要作用。类似的环境驱动分化模式也在Euterpe edulis中得到记录（Gaiotto等人2003），支持新热带棕榈树即使在相对较小的空间尺度上也经常发生局部适应的观点。在这项研究中，San Ramón的种群显示出对较冷冬季的强烈适应信号，而巴西南部的种群，特别是那些位于restinga和沿海森林栖息地的种群，则与更湿润和降雨量更不稳定的气候条件相匹配。总体而言，这些结果表明环境异质性在塑造Syagrus romanzoffiana的遗传分化中起着核心作用。缺乏距离隔离，加上一致的基因型-环境关联，支持环境隔离是塑造不同植被类型种群的关键过程。尽管没有明确建模人口统计历史和遗传漂变，但LFMM、sNMF和RDA分析之间的一致性表明，环境选择对基因组分化有显著贡献。未来结合更广泛采样和基因组资源的研究将有助于进一步区分漂变和选择的相对贡献。
保护意义：这些结果为Syagrus romanzoffiana的保护和管理提供了重要见解。尽管该物种分布广泛且目前不受威胁，但其遗传变异在栖息地间的分布不均，restinga、内陆森林和季节性环境具有不同的遗传特征。这些发现强调了保护包含局部适应遗传变异的生态独特栖息地的重要性。鉴于S. romanzoffiana在恢复、景观设计和可持续利用项目中的频繁使用，将特定栖息地的遗传信息纳入种子来源和恢复规划可能有助于在持续的栖息地破碎化和气候变化下增强种群的长期韧性。
结论：我们的研究表明，Syagrus romanzoffiana在南部南美洲的种群内保持了高水平的遗传多样性，并且在种群间表现出中等程度的分化。遗传结构不能由地理距离解释，因为没有发现距离隔离，而是反映了不同植被类型和气候条件之间的差异。来自不同栖息地的种群，特别是restinga和内陆森林的种群，在遗传上比地理位置更接近但环境相似的种群更加分化。环境关联分析识别出与最低温度和降水相关的位点，支持气候变量对该物种适应性基因组分化有贡献的假设。这些适应信号独立于空间距离被检测到，表明环境选择与基因流和人口统计历史一起发挥了可测量的作用。总体而言，这些发现为S. romanzoffiana提供了区域性的基因组基线，并表明特定栖息地的环境条件塑造了中性和适应性遗传变异。这些信息对恢复和管理直接相关，因为它表明种子来源策略应优先考虑将来源种群与当地植被类型和气候条件相匹配，特别是在restinga和破碎的大西洋森林景观中。
