摘要：由于气候变化，园艺作物越来越受到水分胁迫的影响，因此开发耐胁迫品种变得至关重要。在这项研究中，我们在30%的田间持水量灌溉条件下，评估了184个多亲本先进世代杂交（MAGIC）茄子品系的水分胁迫耐受性。经过21天的胁迫处理后，我们测量了与生长相关的性状、水分含量、植物色素和脯氨酸含量。MAGIC品系在水分胁迫耐受性方面表现出高度的变异性，其中一些品系的表现在超过了其亲本水平。与水分胁迫耐受性相关的关键性状包括根系生长增加以及脯氨酸和黄酮类化合物含量的提高。全基因组关联研究（GWAS）分析确定了三个与总干重、水分含量和黄酮类化合物含量相关的基因组区域——这些性状与水分胁迫下的表现有关。此外，我们基于总干重、胁迫期间的干重增加、根系干重、水分含量和脯氨酸含量构建了一个线性基因组选择指数。该指数被用来预测141个未评估的MAGIC品系的水分胁迫耐受性，预测准确率在0.11到0.53之间。本研究突出了关键性状、基因组区域以及具有育种潜力的品系，为未来提高茄子水分胁迫耐受性的工作提供了宝贵的信息。
引言：作物经常面临高温、干旱和盐碱等非生物胁迫，这些胁迫会干扰植物生长并导致显著的产量损失（Chaudhry & Sidhu 2022; Kopecká et al. 2023）。干旱是农业衰退的主要驱动因素：据估计，在过去33年中，全球因灾害事件造成的损失达到了3.26万亿美元，其中园艺产品的损失超过了28亿吨（FAO 2025）。气候变化通过增加蒸散作用和提高水分需求加剧了许多地区的干旱状况，同时减少了降水量和灌溉可用性（Shahzad et al. 2021）。在园艺系统中，干旱不仅会降低产量，还会影响作物质量并增加害虫的侵袭风险（Bisbis et al. 2019）。在园艺作物中，茄子具有很高的经济价值，其全球产量在过去50年里稳步增长（Chapman 2019; FAO 2024）。然而，越来越多的农业土地面临干旱条件，这对茄子生产构成了威胁，导致产量下降和果实品质下降（Toppino et al. 2022）。尽管水分胁迫会对茄子（Solanum melongena L.）的产量产生负面影响，但与其他茄科蔬菜作物相比，茄子具有相对较高的耐受性（Flores-Saavedra et al. 2023），因为茄子能够在轻微的水分胁迫下仍保持较高的产量（Díaz-Pérez & Eaton 2015）。从生理学角度来看，光合作用、蒸腾作用和气孔导度会直接受到胁迫的影响，并且随着灌溉量的减少而降低（Delfin et al. 2021; Li et al. 2024）。这种生理退化与氧化应激有关，干旱条件会导致活性氧（ROS）的过量产生。观察到具有较高ROS积累的基因型在光合作用机制上发生了显著变化，从而导致严重的产量损失（Hannachi et al. 2022）。茄子在不同基因型之间存在显著的抗氧化反应差异，更耐受的品系在胁迫条件下表现出更高的黄酮类化合物积累（Flores-Saavedra et al. 2024; Plazas et al. 2022）。另一方面，茄子在胁迫期间会增加脯氨酸含量，从而通过渗透调节机制减少水分胁迫对光合作用的影响（Hannachi et al. 2022; Sarker et al. 2005）。鉴于干旱耐受性的复杂性和多因素性质，需要采取跨学科的方法，植物育种在其中起着关键作用（Pérez-Méndez et al. 2022）。尽管在非生物胁迫耐受机制方面进行了大量研究，但在商业作物中的育种工作仍然主要集中在最佳生长条件上（Gilliham et al. 2017）。虽然已经识别出多种干旱耐受机制，但由于其复杂性，将这些机制纳入育种计划仍然具有挑战性（Wu et al. 2022）。多亲本先进世代杂交（MAGIC）品系的开发通过促进具有高育种潜力的重组品系的选择，并帮助识别基因组区域和候选基因，显著推动了植物育种的发展（Arrones et al. 2020; Huang et al. 2015）。MAGIC品系在多种作物的非生物胁迫耐受性研究中取得了有希望的结果，包括棉花（Abdelraheem et al. 2021）、花生（Sharma et al. 2024）、豆类（Diaz et al. 2020）、玉米（Rida et al. 2021）和鹰嘴豆（Thudi et al. 2023）。在茄子中，现有的唯一一个MAGIC品系（Arrones et al. 2025）在检测育种相关基因和基因组区域方面显示出巨大潜力（Arrones et al. 2022, 2024; Mangino et al. 2022）。有趣的是，这个品系包含了来自耐旱物种S. incanum L.的野生遗传多样性，该物种被认为含有与干旱相关的基因（Gramazio et al. 2017）。此外，MAGIC品系中的其他七个S. melongena亲本品系在水分胁迫条件下表现出多样的生物化学和生长反应（Flores-Saavedra et al. 2024），这使得该品系特别适合研究干旱耐受机制并改进育种策略。鉴于某些性状的多基因性质和低遗传力，基因组选择作为一种整合表型和基因组信息以加速遗传增益的强大工具而出现（Heffner et al. 2009）。基因组选择已广泛应用于提高谷物和工业作物的产量、生物和非生物胁迫耐受性以及品质。然而，其在园艺作物中的应用仍然有限（Budhlakoti et al. 2022）。基因组选择已成功用于预测MAGIC品系中复杂性状的遗传价值（Islam et al. 2020; Puglisi et al. 2021），在水分胁迫条件下研究的品系中也获得了中等程度的预测结果（Ravelombola et al. 2021）。本研究旨在评估184个遗传多样化的茄子MAGIC重组自交系及其亲本系在受控水分胁迫条件下的干旱耐受性和相关性状的变化。通过整合表型和基因组数据，我们旨在识别具有改进表现的重组MAGIC品系，识别与关键干旱相关性状的基因组区域，并应用基因组选择来更准确地选择耐旱茄子品系。此外，我们评估了这些模型的预测能力，并使用它们来预测未评估品系的水分胁迫耐受性，支持将基因组选择作为未来提高茄子耐旱性的工具。
材料与方法：我们评估了来自MAGIC茄子品系的184个品系及其8个亲本系。在这8个MAGIC品系亲本中，7个属于栽培茄子（S. melongena）（MM1597, DH ECAVI, AN-S-26, H15, A0416, IVIA-371, ASI-S-1），而另一个亲本属于野生近缘种S. incanum（MM577）（Mangino et al. 2022）。这个品系是首个此类品系，被称为MEGGIC（MAGIC EGGplant InCanum）品系，包含325个S5自交系（Arrones et al. 2025）。选择用于评估的184个品系主要是为了利用Core Hunter 3软件（De Beukelaer et al. 2018）观察到的遗传和表型变异。为了捕捉整个品系的多样性，我们使用了293,783个高质量SNP标记的基因组数据以及六个表型性状（Arrones et al. 2025）。形态描述符包括六个性状：两个与果实果皮中的叶绿素色素有关，三个与花青素色素有关（在营养组织、果实果皮和萼片下的光独立色素中），以及一个描述刺的存在。SNP是通过Baraja-Fonseca et al.（2025）推荐的3X低覆盖度全基因组测序（lcWGS）生成的。这些描述符结合现有的基因组标记，有助于识别具有遗传背景和关键农艺性状的多样化品系，确保了进一步评估的稳健性和代表性。使用Freebayes ver. 1.3.6（Garrison & Marth 2012）根据Baraja-Fonseca et al.（2025）的建议，从lcWGS（3X）数据中识别双等位基因SNP，并根据高置信度参考面板进行筛选，去除了高度杂合、深度低、单态和缺失的数据位点。最终SNP数据集使用Beagle ver. 5.4（Browning & Browning 2016）进行插补，仅保留MAF > 0.04且最小距离为2,000 bp的标记，从而获得了293,783个SNP用于线性模型分析和全基因组关联研究（GWAS）。这些SNP来自Arrones et al.（2025）描述的基因分型数据，确保了用于分析的标记的一致性和可靠性。
生长条件：种子按照Ranil et al.（2015）的协议在培养皿中发芽。发芽后，将种子放置在含有生长基质（Humin substrate N3，Klasmann-Deilmann，德国）的育苗盘中，在16小时光照/8小时黑暗的光周期下，温度为25°C的培养箱中生长。播种40天后，将它们转移到温室中，控制温度（最高30°C，最低15°C），相对湿度在40%到85%之间，然后移植到1.5升的盆中，使用相同的生长基质，并每盆施用7克复合肥料（Entec® Nitrofoska®，EuroChem，瑞士），其宏量元素组成为14% N、7% P2O5和17% K2O。研究包括三个连续的实验，每个实验都使用了完全随机设计。每个亲本系使用了18株植物，每个MAGIC品系使用了6株植物。在每个实验中，每个亲本有三个重复株，每个MAGIC品系有一个重复株被分配到水分胁迫处理组。另外还指定了相同数量的重复株用于胁迫开始时的生物量评估。每个重复株由一个单独的植物组成。所有亲本系都在相同的水分胁迫条件下进行评估，并作为参考基因型，以解释MAGIC品系中观察到的变异。植物每周浇水三次，每次达到100%的田间持水量（FC），持续14天，然后进行21天的水分胁迫处理，每周浇水三次，每次达到30%的FC。浇水前的生长基质FC大约为20%（此时一些植物开始失去膨压），浇水后的FC为30%（图1）。这种胁迫诱导方法已成功用于区分不同茄子基因型的反应（Flores et al., 2024）。浇水率使用重量法计算（Rolando et al. 2015），即盆中填充相当于182克干重的基质，然后加水至饱和，盖上盖子以防止蒸发损失，静置约48小时直到达到恒定重量，这被认为是100% FC时的盆重。100% FC（780克）和30% FC（234克）的水量是通过减去盆的重量和干基质的重量得到的。
图1：这张图片的替代文本可能是使用AI生成的。全尺寸图片显示了在水分胁迫处理期间，具有20%（灌溉前）和30%（灌溉后）田间持水量（FC）的生长基质的水分含量的代表性茄子MAGIC品系植物。
表型分析：在开始水分胁迫处理之前和21天的水分胁迫之后，我们统计了叶片数量并测量了茎长。在每个实验中，每条品系的每株植物开始遭受水分胁迫时，也进行了破坏性分析。为了获得器官水平的准确初始干重测量值，必须进行破坏性基线采样。由于在施加胁迫之前无法在不影响植物完整性的情况下非破坏性地估计干重，因此需要采用这种方法来可靠地计算胁迫期间的生长情况并进行精确的生物量分配。为了最小化生长率计算中的实验误差，在移植过程中通过选择最相似的个体来保持高度一致性。胁迫期间的生长计算方法如下：对于MAGIC品系，通过比较同一实验中最终植株与基线植株之间的差异；而对于亲本品系，则从每个最终重复实验中减去实验特定的基线平均值。使用每个器官的鲜重和干重（DW）来计算每株植物的水分含量（WC），并利用DW来计算地上部分与根部的重量比。在实验结束前一天（即开始减少灌溉处理后的20天），使用Dualex®光学传感器（Force-A，法国奥赛）测定叶绿素指数（Chl）、黄酮醇指数（Flav）、花青素指数（Anth）和氮平衡指数（NBI）。数据来自每株植物顶部两片已发育叶片的正面和背面。脯氨酸含量（Pro）根据Bates等人（1973年）的协议通过分光光度法进行测量。为了从叶片样本中提取Pro，将0.1克叶片研磨后加入1毫升3%的磺osalicylic酸。提取物离心后，取0.5毫升上清液并与0.5毫升 ninhydrin酸和0.5毫升冰醋酸混合。样品在96°C下孵育一小时，然后用三毫升甲苯提取。在520纳米处测量有机相的吸光度，并使用L-脯氨酸标准曲线进行浓度定量。脯氨酸含量以（µmol g−1 DW）表示。
**统计分析**
为了比较每个性状的均值和范围，使用以下线性模型计算了调整后的均值：$$ {\mathbf{y}} = {\mathbf{X\beta }} + {\mathbf{e}} $$ （1）其中 \({\mathbf{y}}\) 是3次实验中每株植物的表型观测值向量，β 是品系和实验的固定效应估计值向量，相关设计矩阵为X，\({\mathbf{e}}\) 是残差向量，假设其服从正态分布 e ∼ N(0, σe2 I)，其中I是单位矩阵。
为了预测MAGIC品系在实验中对每个评估性状的总体遗传效应，使用somer包ver. 4.3.5（Covarrubias-Pazaran 2016）和R ver. 4.4.1（R Core Team, 2024）中的线性混合模型进行基因组值预测，模型如下：$$ {\mathbf{y}} = {\mathbf{X\beta }} + {\mathbf{Z}}_{{\mathbf{g}}} {\mathbf{u}}_{{\mathbf{a}}} + {\mathbf{Z}}_{{\mathbf{g}}} {\mathbf{u}}_{{\mathbf{n}}} + {\mathbf{e}} $$ （2）其中y是表型观测值向量，β 是实验的固定效应估计值向量，相关设计矩阵为X。品系的总体遗传效应分为两个部分：加性遗传效应和残差遗传效应。加性遗传效应向量ua ∼ N(0, σa2 G)，代表基因组估计的育种值（GEBVs），相关设计矩阵为Zg，其中G是根据VanRaden算法（VanRaden, 2008）使用somer包ver. 4.3.5（Covarrubias-Pazaran 2016）中的G.matrix函数构建的基因组关系矩阵。残差遗传效应向量un ∼ N(0, σn2 I)，相关设计矩阵为Zg，用于捕捉G未解释的遗传变异。最后，\({\mathbf{e}}\) 是残差向量，假设其服从正态分布 e ∼ N (0, σe2 I)。
根据Cullis等人（2006年）的方法，从方程2中的模型计算广义（H2）和狭义（h2）遗传力：$$ {\text{H}}^{2} = 1 - \frac{{{\text{PEV}}}}{{{\upsigma }_{{\text{g}}}^{2} }} $$ （3） $$ {\text{h}}^{2} = 1 - \frac{{{\text{PEV}}}}{{{\upsigma }_{{\text{a}}}^{2} }} $$ （4）其中 \({\upsigma }_{{\text{g}}}^{2}\) 和 \({\upsigma }_{{\text{a}}}^{2}\) 分别是总体遗传方差和加性遗传方差，PEV是基因型估计值的平均预测误差方差。此外，还计算了每个性状的遗传变异系数 \({\text{gCV}} = {\upsigma }_{{\text{g}}}^{2} /{\upmu }\) 以比较不同性状之间的遗传变异。
为了研究性状与品系之间的关系，使用stats包ver. 4.4.1对方程2中的标准化预测基因组值进行了主成分分析（PCA）。使用psych包ver. 2.4.6（Revelle 2024）计算了MAGIC品系与基因组值之间的皮尔逊相关性。所有多变量分析均在R ver. 4.4.1中进行。
**交叉验证和基因组预测**
使用两种交叉验证策略来评估方程2中的模型预测实验中未包含的MAGIC品系的加性遗传值的准确性。第一种策略是留一法交叉验证（LOOCV），即每次迭代将一个品系从训练集中移除，并使用其余品系进行预测。第二种是五折交叉验证，将数据集随机分为五个子集，每个子集作为验证集一次，其余子集作为训练集。五折交叉验证重复100次。预测能力通过方程1中的调整后均值与验证集中预测的加性遗传值之间的皮尔逊相关系数（r）来计算。预测准确性通过将预测能力乘以方程2中的h2值的平方根来计算（Legarra等人，2008年）。在计算出所有性状的预测准确性后，使用方程2来预测剩余141个未进行表型分析的MAGIC品系的加性遗传值。
**全基因组关联研究和候选基因**
使用方程1中的调整后均值进行了全基因组关联研究（GWAS），分析采用了包括前三主成分作为协变量的通用线性模型（GLM）。该分析在Trait Analysis by aSSociation, Evolution, and Linkage（TASSEL）软件ver. 5.2（Bradbury等人，2007年）中进行。结果使用R包qqman ver. 0.1.9（Turner 2018）进行可视化，SNP显著性基于Bonferroni阈值确定，计算公式为：-log10 (α / 总SNP数量)，其中α=0.05。只有显著的SNP以及几个显示高–log₁₀(p)值（大于5）的附近标记被考虑用于确定基因组区域。为了划定相关的基因组区间，使用geneHapR包ver. 1.2.0（Zhang等人，2023年）计算峰值周围4 Mb物理窗口内的平方相关系数（r2）来分析连锁不平衡（LD）。使用Sol Genomics Network数据库（Fernandez-Pozo等人，2015年）在该区域内识别候选基因。
**基于指数的耐旱品系选择**
为了识别具有更高耐旱性的品系，构建了一个基于六个与干旱相关的性状的基因组选择指数：总干重（Total DW）、总干重生长（Total DW growth）、根干重（Root DW）、黄酮醇（Flav）、总水分含量（Total WC）和脯氨酸（Pro）。这些性状在相关性分析中形成了不同的簇。总干重和总干重生长与脯氨酸聚类在一起，而黄酮醇与根干重聚类，总水分含量形成另一个簇。选择这些性状是因为它们与植物应对水分胁迫的能力直接相关。总干重是一个关键性状，因为它确保了在水分有限条件下的生物量增加（Sharp & LeNoble 2002）。根干重对于评估植物的根系发育至关重要，因为它允许更大的水分吸收（Kou等人，2022）。黄酮醇在保护植物免受氧化应激方面起着重要作用（Laoué等人，2022）。总水分含量是植物水分状态的关键指标，有助于选择在干旱条件下保持适当水分水平的植物（Nemeskéri & Helyes 2019）。最后，脯氨酸作为一种渗透调节化合物，帮助植物在脱水期间保持水分，同时还具有抗氧化作用，并在应激信号通路中发挥作用，进一步增强耐旱性（Zulfiqar & Ashraf 2023）。
选择指数的计算公式如下：$$ {\mathbf{I}} = {\mathbf{b^{\prime}x}}, $$ （5）其中x是从方程2中的模型获得的每个性状的加性遗传效应向量，\({\mathbf{b}}\) 是使用Smith-Hazel公式 \({\mathbf{b}} = {\mathbf{P}}^{ - 1} {\mathbf{Ga}}\) （Smith 1936）计算出的指数系数向量。表型和遗传协方差矩阵 \({\mathbf{P}}\) 和 \({\mathbf{G}}\) 分别表示表型值和遗传值之间的协方差，经济权重向量 \({\mathbf{a}}\) 对所有六个性状都设置为1。指数值最高的品系被归类为耐旱品系，指数值最低的品系被归类为敏感品系。还为未测试的预测品系计算了指数值，以识别潜在的耐旱或敏感品系。
**性状分析**
在所使用的水分胁迫条件下，MAGIC品系在大多数评估性状上的平均值高于亲本品系，除了总水分含量（Total WC）、花青素（Anth）、地上部分水分含量（Aerial WC）、茎部水分含量（Stem WC）、叶片数量生长（Leaf number growth）、叶片水分含量（Leaf WC）和根干重生长（Root DW growth）（表1）。此外，MAGIC品系在几乎所有性状上的变异范围都比亲本品系更广，超常个体超过了亲本的较低和较高值，除了总水分含量和茎部水分含量，没有品系的值低于亲本的较低值（表1）。表1显示了亲本和MAGIC品系的均值和范围。仅使用MAGIC品系来估计每个性状的表型变异系数（pCV）、基因型变异系数（gCV）、广义遗传力（H2）和狭义遗传力（h2）。
表型（pCV）和基因型（gCV）变异系数在不同性状之间有显著差异，并且相关性很强（r = 0.90）。表现出最高表型变异的性状主要与生长相关，如茎长生长（Stem length growth）、茎干重生长（Stem DW growth）、根干重生长（Root DW growth）和叶片干重生长（Leaf DW growth）（表1）。同样，基因型变异最高的性状也与茎部特征相关，包括茎长生长（Stem length growth）、茎干重生长（Stem DW growth）、茎长（Stem length）和茎干重（Stem DW），其次是叶片数量（Leaf number）和地上部分/根部比例（Aerial/Root ratio）。另一方面，表型和基因型变异最低的性状与水分含量相关，包括总水分含量（Total WC）、地上部分水分含量（Aerial WC）、茎部水分含量（Stem WC）、叶片水分含量（Leaf WC）和根部水分含量（Root WC），其次是色素相关指数，如叶绿素指数（Chl）、黄酮醇指数（Flav）、花青素指数（Anth）和氮平衡指数（NBI）（表1）。
评估的性状显示出广泛的遗传力值。一些性状，如茎长（Stem Length）、茎干重（Stem DW）和花青素（Anth），表现出较高的H2值（> 0.70）。相比之下，与胁迫期间生长相关的性状，包括地上部分干重生长（Aerial DW growth）、总干重生长（Total DW growth）和叶片干重生长（Leaf DW growth），其H2值低于0.30，这可能是由于这些测量的实验误差较大（表1）。由于缺乏残差遗传方差（σn2），18个性状的h2值等于H2值（图2）。在h2值最高的性状中，我们发现茎长（Stem length）、茎部水分含量（Stem WC）、叶片数量（Leaf Number）和茎干重（Stem DW）。h2值最低的性状与H2值较低的性状一致（表1）。
**图2**
此图像的替代文本可能是使用AI生成的。
**方差成分**
每个评估的性状的方差成分，其中σa2是加性方差，σn2是残差遗传方差，σe2是残差方差。性状按照σe2值的递增顺序排列。WC表示水分含量；DW表示干重；Chl表示叶绿素指数；Flav表示黄酮醇指数；Anth表示花青素指数；NBI表示氮平衡指数；Pro表示脯氨酸。以“growth”结尾的性状表示水分胁迫期间的生长。
七个性状的σn2值大于零。在这些性状中，σn2占表型总方差的比重最高的性状是茎干重（Stem DW）、黄酮醇（Flav）、总水分含量（Total WC）、花青素（Anth）、叶片水分含量（Leaf WC）和叶片数量生长（Leaf number growth）（图2）。加性方差（σa2）比重最高的性状是茎长（Stem Length）、茎部水分含量（Stem WC）和叶片数量（Leaf Number）和茎干重（Stem DW）。另一方面，与胁迫期间生长相关的性状，如叶片数量生长（Leaf Number growth）、叶片干重生长（Leaf DW growth）、总干重生长（Total DW growth）和地上部分干重生长（Aerial DW growth）和叶片水分含量（Leaf WC）的σa2值最低（图2）。
**多变量分析**
从线性混合模型（方程2）预测的总遗传值之间的相关性显示在图3和图S1中。生物量特征（干重和干重增长）之间具有高度相关性，水分含量特征也是如此，但生物量特征与水分含量特征呈负相关，即当生长速率较高时，水分含量较低（图3；图S1）。与色素相关的特征，如叶绿素（Chl）和黄酮醇（Flav），与水分含量特征呈负相关，而花青素（Anth）则与水分含量呈正相关。关于色素与生物量的相关性，叶绿素与总生物量、地上生物量和叶生物量呈正相关，黄酮醇与总生物量、地上生物量和叶生物量呈正相关，而花青素与总生物量、地上生物量和叶生物量呈负相关。与茎生长相关的特征与地上生物量和茎水分含量呈正相关，与黄酮醇和根生物量呈负相关。叶片数量特征与水分含量呈正相关，与总生物量、地上生物量和叶生物量呈负相关（图3；图S1）。同时，脯氨酸（Pro）与总地上生物量和叶生物量相关的干重参数呈正相关，与根水分含量呈负相关。
图3：该图像的替代文本可能是使用人工智能生成的。全尺寸图像。
在184个茄子MAGIC品系的水分胁迫条件下评估的特征之间的遗传相关矩阵。仅显示统计上显著的相关性（p < 0.05）。WC表示水分含量；DW表示干重；Chl表示叶绿素指数；Flav表示黄酮醇指数；Anth表示花青素指数；NBI表示氮平衡指数；Pro表示脯氨酸。以“growth”结尾的特征指的是在水分胁迫期间的生长情况。
基于线性混合模型（方程2）预测的总遗传值的PCA前两个主成分解释了48.4%的观察到的变异，其中第一个主成分（PC1）和第二个主成分（PC2）分别解释了29.7%和18.7%的总变异（图4）。在生物图中，总生物量、地上生物量、茎生物量、叶生物量、根生物量、总生物量增长、地上生物量增长和叶生物量增长与PC1呈高度负相关（< -0.5），而总水分含量与PC1呈高度正相关（> 0.5）。另一方面，总水分含量、地上水分含量、茎水分含量、叶水分含量、茎长度、茎长度增长和地上/根比例与PC2呈高度负相关（< -0.5），而黄酮醇与PC2呈高度正相关（> 0.5）。就基因型而言，所有亲本在PC1上的值均为正数，而在PC2上的值范围较广，MAGIC品系在PC图上分布较广。这也表明MAGIC品系大多位于图的左侧，与亲本不同（图4）。
图4：该图像的替代文本可能是使用人工智能生成的。全尺寸图像。
基于前两个主成分的亲本和184个MAGIC品系的PCA生物图。根据Smith-Hazel选择指数（图5），三个最耐受的品系（L38、L56和L179）和三个最敏感的品系（L242、L277和L294）分别用红色和绿色表示，亲本用紫色三角形表示。WC表示水分含量；DW表示干重；Chl表示叶绿素指数；Flav表示黄酮醇指数；Anth表示花青素指数；NBI表示氮平衡指数；Pro表示脯氨酸。以“growth”结尾的特征指的是在水分胁迫期间的生长情况。
全基因组关联研究和候选基因
GWAS分析的结果确定了与三个特征显著相关的基因组区域。这些基因组区域的特点是存在显著SNP区域，并且在这些区域有明显的上升趋势（图S2）。在12号染色体上发现了一个与总生物量特征相关的基因组区域，而在11号染色体的两个不同区域发现了与总水分含量和黄酮醇相关的两个显著区域（表2）。表2显示了GWAS识别的基因组区域，包括-log10（p）、解释的方差百分比（R2）和最显著标记物的次要等位基因频率（MAF）。
在这些区域中，共搜索了候选基因。在总生物量相关的31个基因中，识别出3个候选基因；在总水分含量相关的41个基因中，识别出5个候选基因；在黄酮醇相关的45个基因中，识别出1个候选基因（表3）。这些基因的功能被认为与水分胁迫下的特征有关。
线性基因组选择指数使得能够识别出在水分胁迫条件下表现出高生长、高脯氨酸含量和高总水分含量的MAGIC品系（图5）。根据构建的指数，最耐受水分胁迫的品系是L56，其次是L38和L179，而最敏感的品系是L277、L242和L294。亲本的指数平均值在各个品系中分布不均，其中H15和AN-S-26的指数值最高，ASI-S-1的指数值最低（图5）。被选为敏感和耐受的品系在PCA图中的分布也不同，敏感品系位于得分图的顶部，耐受品系位于底部（图4）。
图5：该图像的替代文本可能是使用人工智能生成的。全尺寸图像。
基于前两个主成分的亲本和184个MAGIC品系的PCA生物图。根据Smith-Hazel选择指数，三个最耐受的品系（L38、L56和L179）和三个最敏感的品系（L242、L277和L294）分别用红色和绿色表示，亲本用紫色三角形表示。WC表示水分含量；DW表示干重；Chl表示叶绿素指数；Flav表示黄酮醇指数；Anth表示花青素指数；NBI表示氮平衡指数；Pro表示脯氨酸。以“growth”结尾的特征指的是在水分胁迫期间的生长情况。
全基因组关联研究和候选基因
GWAS分析的结果确定了与三个特征显著相关的基因组区域。这些基因组区域的特点是存在显著SNP区域，并且在这些区域有明显的上升趋势（图S2）。在12号染色体上发现了一个与总生物量特征相关的基因组区域，而在11号染色体的两个不同区域发现了与总水分含量和黄酮醇相关的两个显著区域（表2）。表2显示了GWAS识别的基因组区域，包括-log10（p）、解释的方差百分比（R2）和最显著标记物的次要等位基因频率（MAF）。
在这些区域中，共搜索了候选基因。在总生物量相关的31个基因中，识别出3个候选基因；在总水分含量相关的41个基因中，识别出41个候选基因；在黄酮醇相关的45个基因中，识别出3个候选基因（表3）。这些基因的功能被认为与水分胁迫下的特征有关。
线性基因组选择指数使得能够识别出在水分胁迫条件下表现出高生长、高脯氨酸含量和高总水分含量的MAGIC品系（图5）。根据构建的指数，最耐受水分胁迫的品系是L56，其次是L38和L179，而最敏感的品系是L277、L242和L294。亲本的指数平均值在各个品系中分布不均，其中H15和AN-S-26的指数值最高，ASI-S-1的指数值最低（图5）。被选为敏感和耐受的品系在PCA图中的分布也不同，敏感品系位于得分图的顶部，耐受品系位于底部（图4）。
图5：该图像的替代文本可能是使用人工智能生成的。全尺寸图像。
基于与干旱胁迫相关的六个特征的线性基因组选择指数：总生物量、总生物量增长、根生物量、黄酮醇、总水分含量和脯氨酸。指数最高的三个品系被标记为耐受品系（L56、L38、L179），指数最低的三个品系被标记为敏感品系（L277、L294、L213）。亲本（仅S. melongena）用紫色表示。WC表示水分含量；DW表示干重；Flav表示黄酮醇指数；Pro表示脯氨酸。
该模型的预测能力通过留一法（LOO）和五折法进行了评估；两种方法的结果一致，相关性为0.94，显示出每种特征的相似预测能力（表4）。对于叶生物量、根水分含量、叶绿素、氮平衡指数、茎生物量增长和脯氨酸等特征，观察到的预测准确率较高（大于0.4）。相比之下，对于叶水分含量、黄酮醇、叶片数量和叶片数量增长等特征，预测值与观察值之间的相关性较低，预测准确率为零甚至负值（表4）。
表4：使用留一法和五折法对MAGIC群体中每个特征的预测能力和预测准确率。
所使用的选择模型预测了141个未进行表型分析的MAGIC品系，计算了每个特征的GEBVs（基因组估计育种值），并计算了选择指数。通过这种方式，预测出了最耐受的品系（L323、L59和L13）和最敏感的品系（L234、L57和L109）（图6）。指数中包含的特征有总生物量、根生物量、总生物量增长、黄酮醇、总水分含量和脯氨酸，使用留一法/五折交叉验证方法的预测准确率分别为0.39/0.36、0.34/0.28、0.37/0.24、0.11/-0.43、0.13/0.11和0.53/0.49（表4）。
图6：该图像的替代文本可能是使用人工智能生成的。全尺寸图像。
基于与干旱胁迫相关的六个特征的基因组估计育种值（GEBVs）的线性基因组选择指数：总生物量、根生物量、总生物量增长、黄酮醇、总水分含量和脯氨酸。这是对未包含在表型实验中的MAGIC品系的遗传预测。指数最高的三个品系被标记为耐受品系（L323、L59、L179），指数最低的三个品系被标记为敏感品系（L109、L57、L234）。WC表示水分含量；DW表示干重；Flav表示黄酮醇指数；Pro表示脯氨酸。
讨论
本研究全面分析了首个茄子MAGIC群体在水分胁迫下的耐受机制，重点关注三个方面：胁迫条件下的表型分析、通过GWAS识别候选基因以及应用线性基因组选择指数来提高耐旱性。这些方法共同提供了一种创新的方法，用于理解茄子耐旱性的机制、遗传基础和耐旱性理想型的选择。研究结果为未来旨在提高这种作物水分胁迫抗性的育种计划提供了有价值的信息。植物受到水分供应不足的显著影响，在茄子的情况下，水分胁迫会导致明显的植物反应，如叶片脱落（Rady等人，2020年；Semida等人，2021年）和脯氨酸含量增加（Flores-Saavedra等人，2024年；Plazas等人，2019年）。
非生物胁迫条件通常会导致生长和生物量积累减少，主要是由于光合作用提供的能量减少和水分势降低（Salehi-Lisar & Bakhshayeshan-Agdam，2016年）。在这种情况下，能够在胁迫条件下保持生长被认为是对减少灌溉条件的耐受性的指标。在植物器官中，一些茄子MAGIC品系在水分胁迫下的茎生长显著高于亲本品系，与茎相关的特征显示出高遗传力。然而，茎生长并未参与茄子的耐旱性（Plazas等人，2022年）。尽管叶片生长可能由于光合作用能力增强而有益，但它也增加了植物的蒸腾表面积，使其更容易脱水（Chaves等人，2003年）。在茄子中，观察到耐受性较高的品系并不一定表现出较高的地上生物量，而是根生物量较高（Delfin等人，2021年）。根生长也被认为在其他茄科作物中是一个重要特征（Manoj & Uday，2007年；Zaki & Radwan，2022年），在我们的研究中，我们发现某些品系的根生物量和根生物量增长分别比最佳亲本高出45.3%和35.7%。
生长与水分含量之间的负相关是合乎逻辑的，因为较大的植物需要更多的水来进行代谢过程。然而，生长高度依赖于细胞膨压（Blum，2011年）。因此，选择耐旱植物需要识别那些具有高生长潜力且不会失去细胞膨压的植物，从而确保随时间的稳定生长。渗透调节是一种重要的耐受机制，有助于植物维持细胞膨压，脯氨酸是这一过程中的关键溶质（Blum，2017年）。尽管在我们的MAGIC群体中，脯氨酸与水分含量没有显著相关性，但它与生物量呈正相关。此外，脯氨酸还参与了其他耐受机制，如氧化应激反应信号传导（Zulfiqar & Ashraf，2023年）。在茄子中，水分胁迫条件下的高脯氨酸水平与较高的耐受性品系相关（Plazas等人，2019年；Sarker等人，2004年）。因此，脯氨酸积累可能作为育种计划中选择耐旱茄子品系的有用生化标志物（Anjum等人，2011年）。
叶绿素和黄酮醇色素与生物量呈正相关，与水分含量呈负相关。这种负相关通常是由于在水分更充足的组织中色素被稀释，从而降低了它们的表观浓度（Díaz-Pérez & Eaton，2015年；Rolando等人，2015年）。较高的叶绿素含量有助于植物生长，但在胁迫条件下，植物倾向于降低叶绿素含量（Hosseini Tafreshi等人，2021年；Ibañez等人，2021年）。然而，一些更耐受的品系在这方面不受影响（Goel等人，2010年），并且在茄子中，发现叶绿素含量与水分胁迫下的生物量呈正相关（Plazas等人，2019年）。在非生物胁迫反应中，黄酮醇作为抗氧化剂起着重要作用（Daryanavard等人，2023年）。其他关于茄子的研究表明，黄酮类化合物是响应氧化应激的主要化合物之一（Flores-Saavedra等人，2024年；Plazas等人，2022年）。
在这项研究中，发现了三个与水分亏缺耐受性相关的基因组区域。在12号染色体上的一个基因组区域中，发现了与胁迫条件下生长（总生物量）相关的候选基因，该区域共有31个基因。这个基因DOF2.1（SMEL_012g394910.1）也与胁迫诱导的生长相关，编码一个DOF（DNA结合蛋白）转录因子。这些基因参与了拟南芥和番茄在非生物胁迫条件下的渗透调节、光合作用和根生长等机制（Corrales等人，2014年；Renau-Morata等人，2017年）。在马铃薯中，这些基因的表达已被证明可以提高对水分胁迫的耐受性（Jin等人，2024年）。
在11号染色体上的一个基因组区域与胁迫条件下的总水分含量相关，分析的41个候选基因中有4个与这一特征相关。INT4基因（SMEL_011g363040.1）编码一种肌醇转运蛋白，在抗逆性中可能起着重要作用。肌醇参与调控细胞内信号传导和生长素调节，这两者对拟南芥的抗逆反应至关重要（Zhou等人，2022年）；在辣椒中，研究表明施用肌醇可以提高水分胁迫下植物的水分势和含水量（Yildizli等人，2018年）。Os03g0210100基因（SMEL_011g363100.1）编码一种半胱氨酸蛋白酶抑制剂，可增强拟南芥对多种非生物胁迫（如干旱）的抵抗力（Zhang等人，2008年）。关于COP1基因（SMEL_011g363370.1），这是一种E3泛素-蛋白质连接酶，在拟南芥和豌豆中发现的类似基因通过其E3泛素连接酶活性参与了对极端脱水的响应（Moazzam-Jazi等人，2018年）。而DSP1基因（SMEL_011g363380.1）是一种酪氨酸蛋白磷酸酶，可能作为水分胁迫的负调控因子发挥作用；在水稻中发现的类似基因可以改变ABA信号对气孔关闭的响应，从而影响水分流失（Liu等人，2012年）。
在11号染色体上与黄酮醇相关的基因组区域中，发现了45个基因，但其中只有一个基因具有已知的功能。BHLH75基因（SMEL_011g373070.1）编码一种bHLH转录因子，该因子能够显著增加拟南芥和番茄中的黄酮类化合物合成，并通过降低过氧化氢和丙二醛等氧化应激指标来改善植物的抗逆性（Wang等人，2016年；Waseem等人，2019年）。据我们所知，目前尚无针对茄子进行基因组预测和选择的具体研究，尽管有文献提到该方法在其他茄属栽培物种中的成功应用（Enciso-Rodriguez等人，2018年；Slater等人，2016年；Yamamoto等人，2017年）。通过对胁迫条件下性状的分析，筛选出了具有更高抗逆性的品系，从而构建了一个选择指标，用于区分抗逆性强和易感品系。选出的品系优于亲本，具有较高的抗逆性育种价值。主成分分析（PCA）将抗逆性和易感品系区分开来，证实了它们之间存在明显的表型差异。S. melongena MAGIC品系的亲本也在该范围之内。其中抗逆性最强的亲本是H15和AN-S-26，这些亲本在先前的试验中也表现出良好的抗旱性（Flores-Saavedra等人，2024年），同时它们的遗传相关性最高（Mangino等人，2022年）。大量MAGIC品系的抗逆性指数高于这两个亲本，表明这些品系之间发生了新的基因重组，具有较高的育种潜力。
在试验中评估的性状中，遗传力、遗传方差和预测能力表现出较高的变异。虽然遗传和表型变异最大的性状与茎相关（但茎并不被认为是抗旱性的关键指标），但其他通常与抗旱性相关的性状（如根系生长（Blum，2011年）和脯氨酸（Szabados & Savouré，2010年）也表现出显著的遗传变异系数。在植物育种中，评估性状的遗传变异性很高是非常重要的。广义遗传力和狭义遗传力值分别反映了群体内观察到的变异在多大程度上可归因于总遗传因素或加性遗传因素（Visscher等人，2008年）。在MAGIC品系中，某些性状的遗传力值较高（>0.70），而其他性状的遗传力值较低（<0.30）。遗传力较低的性状可以从基因组选择中显著获益，因为已有研究表明这种方法可以实现显著的遗传改良（Slater等人，2016年）。计算出的预测准确性介于负值到中等值之间。负值或接近零的值表明模型难以捕捉这些性状的遗传结构，这可能是由于加性方差低、环境噪声或模型不匹配所致。相反，接近0.4的值反映了良好的预测能力（Budhlakoti等人，2022年）。本研究中的高变异性与其他多基因性状的研究结果一致（Duangjit等人，2016年）。两种交叉验证方法在本研究中对不同性状得出了相似的预测结果，这些方法在植物育种中广泛用于评估模型性能（Cheng等人，2017年；Crossa等人，2011年）。LOO交叉验证使用了更多的品系进行预测，在较少性状的情况下略优于五折交叉验证。Ravelombola等人（2021年）在评估水胁迫条件下的豇豆MAGIC品系时也得到了类似的结果，他们发现某些性状的预测准确性中等或较低；然而与本研究不同的是，训练群体规模越大，预测效果越好。在一种大麦MAGIC品系中，复杂性状（如产量）的预测能力高达0.60（Puglisi等人，2021年）。用于构建选择指标的性状中，大多数性状的预测准确性高于0.30，其中脯氨酸的预测值较为理想；然而，黄酮醇和总WC的预测准确性较低。总体而言，结果表明可以使用该模型对未表型化的品系进行较为准确的预测。
本研究提供了一个综合框架，通过表型分析、全基因组关联分析（GWAS）和基因组选择来理解和提高茄子的抗旱性。首个茄子MAGIC品系表现出较高的表型和遗传多样性，部分品系的某些性状（如根生物量和脯氨酸）超过了亲本的水平，这些性状与抗逆性密切相关。此外，GWAS分析确定了三个与总DW、总WC和黄酮醇相关的基因组区域，这些基因与更强的抗旱性相关。应用基因组选择模型并结合相关指数，能够更准确地筛选出具有较高生物量生长、根生物量、黄酮醇含量、含水量和脯氨酸含量的抗逆品系。尽管该模型在某些性状上的预测准确性较高，但在其他性状上效果不佳。总之，研究结果展示了茄子MAGIC品系在提高茄子抗旱性育种方面的潜在价值。
打赏
