发布人:     发布日期: 2026-11-02    浏览次数:

全球平均气温持续攀升，显著缩短小麦生长周期，威胁全球粮食安全。抽穗期是小麦关键物候性状，抽穗期稳定可以保障足够光合积累时长，同时避开霜冻、高温、干旱等灾害胁迫，对产量稳定性至关重要。小麦抽穗期受基因型（G）、环境（E）、栽培管理（M） 共同调控，基因型‑环境互作（G×E）复杂。传统田间试验很难快速评估海量育种材料在未来气候情景下的物候表现。将反映基因组变异的SNP标记与基于生理生态过程的小麦生长模型耦合，构建基于SNP的作物生长模型，有望直接利用基因型信息预测新基因型物候表现，可有效克服大量多点表型观测的依赖。

2026年10月，Plant Phenomics 在线发表了南京农业大学农学院智慧农业团队题为SNP-based modeling reveals breeding and sowing co-adaption potential in stabilizing wheat phenology under global warming 的研究论文。该论文提出了一种基于SNP和生长模型耦合的小麦物候期预测新方法。

研究人员基于来自全球881份基因型构成的3个小麦自然群体（GABI、iWheat、MCC），在20个不同种植环境下抽穗期表型、气象、土壤、管理数据以及百万级的SNP标记数据，选用农学院智慧农业创新团队自主研发的小麦生长模型WheatGrow作为基模型，首先通过多种GWAS方法揭示了WheatGrow模型和抽穗相关的品种遗传参数（IE、PS、PVT和TS）的遗传基础。

图1 WheatGrow模型抽穗期相关品种遗传参数关联SNP位点定位结果

在遗传解析基础上，基于多种机器学习方法建立了一种SNP驱动的小麦物候期预测模型。该研究广泛探索了不同建模策略对基于SNP的作物生长模型构建的影响，其中BayesC方法在80%的基因型构成的训练集中，基于GWAS定位结果的品种参数平均估算精度r为0.85，独立测试集（由剩余的20%的基因型构成）中的精度为0.71。该模型在独立环境测试中对不同基因型抽穗期平均预测误差RMSE仅为3.11天。相对于传统的基因组预测模型（GBLUP、rrBLUP等）和纯数据驱动的机器学习方法，基于BayesC方法构建的SNP-based WheatGrow模型在小麦抽穗期预测精度上提升了43-86%。

图2 基于不同方法预测的WheatGrow模型品种遗传参数估算精度（上）及抽穗期模拟误差（下）

进一步基于该模型预测了三个育种群体881个基因型在中国和欧洲7个代表性种植地点的未来抽穗期变化，并评估了不同播期调整策略和品种选育协同适应的潜力。总体结果表明未来升温背景下小麦抽穗期呈总体提前趋势，通过提前播种可以在一定程度维持小麦生育期稳定。

图3 未来升温背景下模型预测的中国和欧洲7个站点不同播期下小麦抽穗期的变化

在中国和欧洲7个代表性小麦种植地点，以未来和当前环境生育期预测差值小于3天作为小麦物候期稳定的阈值，模型筛选出32-48%的小麦基因型具有多环境抽穗期稳定的潜力，这些理想基因型的物候期稳定性显著高于其它基因型。进一步对这些理想基因型的共性SNP位点分析，筛选出72个可能与维持小麦物候期稳定性关联SNP，有望用于未来的气候适应性育种。

图4 未来升温背景下的抽穗期稳定小麦基因型筛选结果

这项研究为作物表型高通量预测提供了新的技术方法，不仅极大地提升了作物生长模型在未经表型测定基因型中的预测能力，为物候期稳定的小麦基因型设计提供了预测工具，也为基于遗传信息的作物生长模型改进和应用提供了新的道路。该模型展现出具有良好的跨群体和跨环境泛化性，未来有望应用于小麦智慧育种中表型定量预测和理想基因型设计。

该研究由南京农业大学智慧农业创新团队完成，团队钟山青年研究员闫文亮、已毕业博士生李凤迪和中国农业科学院的郝晨阳教授为论文的共同第一作者，中心朱艳教授和刘兵教授，以及中国农业科学院作物所张学勇教授为共同通讯作者。曹卫星教授、汤亮教授、刘蕾蕾教授、肖浏骏副教授等在数据分析和论文撰写方面提供了指导和帮助。本研究得到了国家重点研发专项、国家自然科学基金等项目资助。