特约综述 | 徐辰武-作物全基因组选择育种技术研究进展

GS育种技术的逐渐成熟和广泛应用为作物育种研究提供了新的机遇，将其与重要目标性状基因的精准鉴定结果相结合，有望大大加快优异基因聚合的效率，并创制出更加丰富的遗传资源。 尤其针对我国作物育种群体遗传来源较为狭窄的问题，利用基因组水平上的精准预测，能够帮助育种家放眼更广泛来源的种质材料，通过精确预测和育种方案的科学设计，聚合更多的有利等位基因，以创建作物的优异育种新材料。如果将基因组、转录组和代谢组等组学信息相结合，配合对作物多个性状的联合预测，有望实现作物多个性状之间的协调发展，为培育适应机械化生产、优质高产多抗广适作物新品种提供有效途径。

虽然GS技术在作物育种中的应用前景广阔，但是其发展仍然面临着众多挑战，主要包括以下几点： （1）一般的GS方法只考虑加性效应，部分学者将显性及上位性等效应纳入模型，但是预测效果还不够理想；（2）前人的GS研究大多只针对特定环境下特定作物群体的单个性状，忽视了关联性状共同的生物学基础以及多性状的协调发展，且缺乏详细的环境组学数据，难以实现对基因环境互作模式的识别与利用；（3）多数GS研究只用到基因组信息，多组学信息和研究成果没有得到充分利用；（4）缺少GS育种专用芯片以及配套软件和平台，数据共享程度低，限制了GS效率的提高；（5）作物领域中已有的GS研究很多停留在方法探索阶段，未能广泛付诸于实际的育种工作。

针对上述问题， 首先 应结合已有的生物学和遗传学研究成果，遴选作物全基因组上目标性状的候选基因，开发与基因组信息特征相适应的降维方案，以大幅降低模型中的变量数目，同时应用人工智能领域中的先进算法，提高对各类非加性遗传效应的准确预测； 第二， 广泛收集表型、基因型和环境数据，并对模型进行优化，注重作物多个性状之间的协调发展，识别并利用基因环境互作模式，提高选择的增益和可靠性； 第三， 应结合人工神经网络，机器学习等最新的数学方法，积极开展作物多组学预测研究，构建多组学信息与目标性状之间的数量遗传模型，提高多组学联合预测的效果； 第四， 可以谋划构建GS专用芯片和统一的GS平台，实现群体之间的信息共享与利用，提高数据的利用率； 第五， GS研究必须结合农业发展的实际情况与切实需求，让理论和方法研究更好地服务于实际育种工作，为培育适应机械化生产、优质高产多抗广适作物新品种提供高效途径。 总之，随着作物育种精准化和智能化的需求不断提升，以及基因组学和人工智能技术的快速发展，未来的GS研究工作充满了机遇和挑战。