数量性状基因图谱构建方法的比较

应用方差分析法(ANOVA)、区间作图法(IM)和复合区间作图法(CIM),分析玉米组合Ki3×CML139的F_2群体有关玉米螟抗性、株高和穗位高的数量性状基因(QTL)图谱。结果表明:(1)在同一显著水平下(。=0.0032),ANOVA共发现25个QTL,而IM为21个,CIM为23个。说明ANOVA虽然难以精确标定QTL的位置,但其发现能力仍可能是最高的。(2)在总共发现的30个QTL中,3种方法都发现的有15个,两种方法共同发现的有9个,仅由一种方法发现的有6个,说明3种方法的同一性仍是主要的。值得注意的是CIM法单独发现的QTL达4个之多,但其可重复性尚待验证。(3)3种方法估计的QTL的平均加性效应(?)和显性效应(?)均无显著差异,而且方法间变异大多小于方法内变异。(4)建议以几种方法构建QTL图谱,并优先标定共同发现的QTL;QTL的效应可以合并估计。     

不同统计遗传模型QTL定位方法应用效果的模拟比较

分子遗传和数量遗传的结合,发展了QTL定位研究。随着定位方法与软件的建立和完善,QTL定位的研究越来越多。准确定位的QTL可用于分子标记辅助选择和图位克隆,而假阳性QTL将误导定位信息的应用。本文分析了迄今主要定位方法(软件)对于各种遗传模型数据的适用性。应用计算机模拟4类遗传模型不同的重组自交系群体(RIL),第一类只包含加性QTL;第二类包含加性和上位性互作QTL;第三类包含加性QTL和QTL与环境互作效应;第四类包含加性、上位性互作QTL和QTL与环境互作效应。每类按模拟QTL个数不同设两种情况,共分为8种数据模型(下称M-1～M-8)。选用WinQTLCart 2.5的复合区间作图(下称CIM)、多区间作图前进搜索(MIMF)、多区间作图回归前进选择(MIMR)、IciMapping 2.0的完备复合区间作图(ICIM)、MapQTL 5.0的多QTL模型(MQM)以及QTLnetwork 2.0的区间作图(MCIM)6种程序对8种不同遗传模型的RIL进行QTL检测。结果表明,不同程序适用的遗传模型范围不同。CIM和MQM只适于检测第一类模型;MIMR、MIMF和ICIM只适于检测第一类和第二类模型;只有MCIM适于检测所有4类遗传模型;因而不同遗传模型数据的最适合检测程序不同。由于未知实际数据的遗传模型,应采用在复杂模型程序,如QTLnetwork 2.0,扫描基础上的多模型QTL定位策略,对所获模型用相应模型软件进行验证。     

利用重组自交系群体分析籼稻A232抗三化螟相关QTL

水稻种质资源中抗螟虫种质较少,A232为中抗二化螟和三化螟的籼稻材料。为发掘A232抗螟性相关QTL,本研究利用以抗虫材料A232为父本与籼稻保持系岗46B(感三化螟)为母本所杂交构建的重组自交系(recombinant inbred line,RIL)F9群体为材料,2012-2013年在海南自然条件下对RIL群体中的104个株系进行三化螟抗性鉴定,利用130个在A232和岗46B表现多态性的简单重复序列(SSR)标记构建遗传连锁图谱,并同时采用复合区间作图法(CIM)和MCIM方法进行QTL分析。研究结果表明,采用复合区间作图法(CIM)共检测到7个枯心指数QTL,分布在第1、第2、第6、第10和第11染色体上。其中,q DHI-2-1的效应值最大,LOD值为3.83,位于第2染色体,两侧连锁标记为RM1358和RM35494,可解释表型变异的25.12%。q DHI-1-1、q DHI-6-1、q DHI-6-2和q DHI-10四个QTLs的加性效应负值,说明增效的抗虫等位基因来源于父本A232,具有弱化枯心指数作用,这些位点有望用于抗虫育种研究。采用MCIM方法检测到2个QTLs,位于第1和2染色体,可分别解释变异的11.68%和6.59%;在第4和第6染色体检测到1对上位QTLs,可以解释7.57%的表型变异。这些研究结果为阐明A232对螟虫抗性的遗传基础及进一步开展抗螟虫水稻育种提供依据。     

应用重组自交系群体检测控制水稻糙米粗蛋白和粗脂肪含量的QTL

用协青早B/密阳46重组自交系群体及其分子连锁图谱,及Windows QTL Cartographer 2.0的复合区间作图法和多区间作图法,对水稻糙米蛋白质含量和粗脂肪含量进行QTL分析。检测到控制蛋白质含量的QTLs 5个（qPc-3、qPc-4、qPc-5、qPc-6、qPc-10）,单个QTL对群体表型变异的贡献率     

大豆脂肪及脂肪酸组分含量的QTL定位

脂肪及脂肪酸组分的改良是大豆油脂品质育种的主要方面。本研究旨在构建遗传图谱,定位大豆脂肪及脂肪酸组分的QTL,为大豆油脂品质育种提供参考。以Essex×ZDD2315的114个BC₁F₁单株为作图群体,构建了250个SSR标记和1个形态标记,具有25个连锁群的遗传图谱,覆盖大豆基因组2 963.5 cM,平均每个连锁群上10.0个标记,标记平均间距11.8 cM。用BC₁F₃家系3个重复的表型平均值代表相对应的BC₁F₁单株表型值,采用Win QTL Cartographer 2.5复合区间作图法（CIM）检测到18个控制脂肪及脂肪酸组分含量的QTL,位于9个不同的连锁群上,表型贡献率为9.6%~34.5%;多区间作图法（MIM）检测到与CIM区间相同的7个QTL（fat-1, pal-1, st-1, ole-1, lin-1, lin-4和lio-2）,区间相近的2个QTL（ole-4和lin-5）,位于6个不同的连锁群上,表型贡献率为8.2%~39.3%。CIM法检测到的其他9个QTL有待进一步验证。大豆脂肪及脂肪酸组分含量的主效QTL数量不多,效应大的不多,可能还受许多未能检测出来的微效基因控制,育种中既要注意主效QTL的利用,又要考虑微效多基因的积聚。     

大豆苗期耐淹性的遗传与QTL分析

涝害是世界上许多国家的重大自然灾害。耐涝性可分为耐湿(渍)性和耐淹性。以科丰1号(高度耐淹)×南农1138-2(不耐淹)衍生的RIL群体(NJRIKY)为材料, 以盆栽全淹条件下的存活率为耐淹性指标, 采用主基因+多基因混合遗传模型分离分析法进行遗传分析, 并利用WinQTL Cartographer Version 2.5程序的复合区间作图法(CIM)及多区间作图法(MIM)进行QTL定位。结果表明, 两次试验的耐淹性均存在超亲变异, 试验间、家系间以及试验与家系互作间的差异均极显著; NJRIKY大豆群体的耐淹性为3对等加性主基因遗传模型, 主基因遗传率为42.40%; 在QTL分析中, 用CIM和MIM共同检测到3个耐淹QTL, 分别位于A1、D1a和G连锁群上的Satt648~K418_2V、Satt531~A941V、Satt038~Satt275 (B53B~Satt038)区间, 表型贡献率为4.4%~7.6%。分离分析与QTL定位的结果相对一致, 可相互印证。     

8种水旱环境下2个玉米群体穗部性状QTL间的上位性及环境互作效应分析

深入剖析干旱胁迫条件下玉米穗部性状的遗传机制可为玉米抗旱高产分子育种提供参考依据。以大穗型旱敏感自交系TS141为共同亲本,分别与小穗型强抗旱自交系廊黄和昌7-2杂交,构建了含有202个(LTPOP)和218个(CTPOP)家系的F2:3群体,在8种水旱环境下进行单穗重、穗轴重、穗粒重、百粒重、出籽率及穗长等6个穗部性状的表型鉴定,并采用复合区间作图法(CIM)和基于混合线性模型的复合区间作图法(MCIM)对其进行单环境和多环境联合数量性状位点(QTL)分析。结果表明,采用CIM法,单环境下在2套F2:3群体间检测到62个穗部性状QTL,其中干旱胁迫环境下检测到38个QTL,进一步在2套F2:3群体多个干旱胁迫环境下检测到10个稳定表达的QTL (sQTL),分别位于Bin 1.01–1.03、Bin 1.03–1.04、Bin 1.05、Bin 1.07、Bin 1.07–1.08、Bin 2.04、Bin 4.08、Bin 5.06–5.07、Bin6.05和Bin 9.04–9.06。采用MCIM法,联合分析定位到54个穗部性状联合QTL,其中24个表现显著的QTL与环境互作(QTL×E), 17对参与了显著的加性与加性/显性(AA/AD)上位性互作,其表型贡献率较低。这些研究结果可为系统地剖析玉米穗部性状的分子遗传机制提供理论依据;且这2套F2:3群体多个环境下检测到的sQTL可作为穗部性状改良的重要候选染色体区段,用于图位克隆或抗旱高产分子育种,但要注重环境及上位性互作效应的影响。     

甜玉米果皮厚度QTL的定位及上位性互作

果皮厚度是影响甜玉米口感的一个重要因素。发掘果皮厚度的基因资源、了解玉米果皮厚度的遗传机制,是指导其育种的基础。本研究以日超-1(薄果皮,56.57μm)×1021(厚果皮,100.23μm)的190个BC1F2家系为作图群体,分别采用2种遗传模型检测QTL。基于复合区间作图(CIM)共检测到3个影响果皮厚度的QTL,位于3.01、6.01、8.05区段,分别解释8.6%、16.0%和7.2%的表型变异,其中3.01和8.05处QTL以加性效应为主;基于混合线性CIM模型(MCIM)共检测到5个影响果皮厚度的QTL,其中除8.05处QTL为加性QTL外,另有2对加×加上位性互作QTL,1对是2.01和6.05处QTL之间的互作,另1对则是5.06和6.01处QTL间的互作。这2对互作QTL分别解释了6.63%和12.48%的表型变异率。本结果表明,加性效应和上位性互作效应等都在果皮厚度的形成和遗传中起重要作用。能够检测QTL上位互作的MCIM模型更适用于果皮厚度QTL定位。本研究还在其中4个QTL的区域内分别检索到胚乳中色素合成以及细胞转变的相关候选基因,这些基因的表达是否与果皮厚度的变异有关值得进一步研究。     

陆海高代回交群体抗黄萎病QTL定位

【目的】定位棉花抗黄萎病数量性状位点(Quantitative trait loci, QTL)。【方法】以海7124和TM-1配制抗感组合F1,再以鲁棉研28为轮回亲本构建的137个BC4F1家系为作图群体,筛选出多态性重复序列(Simple sequence repeat, SSR)标记,并与已发表的整合高密度遗传连锁图谱相比对,构建遗传图谱。采用复合区间作图法(Composite interval mapping,CIM)进行大田和病圃两个环境下抗黄萎病QTL定位。【结果】216个多态性SSR位点分布在26条染色体上,可覆盖棉花基因组3 380 cM(centi Morgan),标记间平均距离15.77 cM。定位到6个QTLs,分布在6条染色体上,可解释表型变异8.56%～20.26%,其中5个QTLs与前人研究结果相一致,在第1染色体上新定位到一个QTL。本研究可为分子标记辅助选择抗病育种提供帮助。【结论】定位到6个黄萎病相关QTLs,其中1个是在第1染色体上新发现的QTL。     

白芝麻籽粒油脂、蛋白质及芝麻素含量QTL定位分析

芝麻籽粒油脂、蛋白质和芝麻素含量是芝麻品质育种的3个重要目标。为了解析其遗传机制并检测相关QTL,利用近红外谷物品质分析仪对一个包含224个株系的F9代重组自交系(RIL)群体在2年3个环境下的籽粒品质性状检测,结果表明,群体内株系间差异显著且呈典型正态分布,而同一环境不同重复间表现差异不显著。相关性分析显示,籽粒含油量与蛋白质含量显著负相关,籽粒含油量与芝麻素含量显著正相关,蛋白质含量与芝麻素含量显著负相关;利用该RIL群体已构建的高密度遗传图谱,采用基于混合线性模型的复合区间作图法(MCIM)检测到8个QTL,表型贡献率为0.41%~14.55%;采用多重区间作图法(MIM)检测到13个QTL,可解释5.2%~18.6%的表型变异。其中5个主效QTL被2种方法同时检测到且定位区间相同,2个主效QTL在2个或3个环境中被重复检测到。控制含油量的Qoc-5与芝麻素含量的Qsc-5位于LG5连锁群上的相同区段,加性效应均为正值;而控制蛋白质含量的Qpc-5也位于相邻位置,但加性效应为负值。LG2和LG1连锁群上也存在相似情况,反映品质性状相关QTL之间存在一因多效或紧密连锁。因此,在芝麻品质育种中选择高含油量可以兼顾高芝麻素,但应对蛋白质含量进行负向选择。     

多种环境下大豆单株粒重QTL的定位与互作分析

定位大豆单株粒重QTL、分析QTL间的上位效应及QTL与环境互作效应, 有利于大豆单株粒重遗传机理的深入研究。利用147个F_2:14~F_2:18 RIL群体, 5年2点多环境下以CIM和MIM方法同时定位大豆单株粒重QTL, 检测到17个控制单株粒重的QTL, 分别位于D1a、B1、B2、C2、F、G和A1连锁群上, 贡献率为6.0%~47.9%;用2种方法同时检测到3个QTL, 即qSWPP-DIa-3、qSWPP-F-1和qSWPP-D1a-5, 贡献率为6.3%~38.3%;2年以上同时检测到4个QTL, 即qSWPP-DIa-1、qSWPP-DIa-2、qSWPP-B1-1和qSWPP-G-1, 贡献率为8.1%~47.9%;利用QTLMapper分析QE互作效应和QTL间上位效应, 7种环境下的数据联合分析得到1个QE互作QTL和4对上位效应QTL, 贡献率和加性效应都较小。在分子标记辅助育种中应该同时考虑主效QTL及各微效QTL之间的互作。     

用3种方法定位玉米萌发期和苗期的耐盐和耐碱相关性状QTL

以耐盐碱郑58和盐碱敏感昌7-2为亲本,构建包含151份F2:5重组自交系(RILs)群体。基于3K芯片对郑58、昌7-2及其F2:5家系进行基因型分析,构建了包含1407个SNP分子标记的高密度遗传连锁图谱。该图谱的各染色体标记数在84～191之间,标记间的平均距离为0.81 cM。胁迫液为200 mmol L–1 NaCl和100 mmol L–1 Na2CO3,对照液为蒸馏水或霍格兰营养液,对盐、碱胁迫和自然条件下玉米的发芽率(GP)、株高(PH)、植株干、鲜重(FW、DW)、幼苗组织含水量(TWS)、植株地上部分钠含量(SNC)、钾含量(SKC)、钠/钾含量比(NKR)、苗期耐盐率(STR)、耐碱率(ATR)10项指标,采用3种不同的作图方法同时定位研究,对加性QTL定位采用复合区间作图法(CIM)和完备区间作图法(ICIM),对加性QTL与环境互作联合分析采用混合线性模型的复合区间作图法(MCIM)。结果表明,(1)与对照条件下各性状表型值相比,耐碱相关性状的降低较耐盐相关性状明显,说明玉米对碱胁迫更加敏感和碱胁迫对玉米的伤害更严重。碱与盐胁迫下SKC相当而SNC差异较大,表明Na+、K+的吸收和运输是相互独立的两个过程,玉米盐、碱胁迫可能是两种性质不同的胁迫。(2)在自然、盐和碱胁迫条件下,运用CIM分别检测到27、28、40个加性QTL;运用ICIM分别检测到28、23、17个加性QTL;运用MCIM共检测到11个耐盐加性QTL、4个环境互作QTL以及11个耐碱加性QTL、3个环境互作QTL。(3)盐胁迫条件下的qPH-9、qSTR-8、qNKR-6、qNKR-7和碱胁迫条件下的qPH-9、qATR-3能被3种作图方法重复检测到。与前人结果比较, qPH-9、qSTR-8、qNKR-6、q-ATR-3定位在相同或邻近区域,qNKR-7尚未见报道。本研究结果为精细定位玉米耐盐碱主效基因、挖掘候选基因和开发用于标记辅助选择的实用功能标记奠定基础。     

大豆籽粒硬实加性和上位性QTL定位

硬实是植物种子的普遍特性, 是影响大豆种子发芽率、生存能力及储存期的重要数量性状, 同时影响着大豆的加工品质。本实验通过对大豆籽粒硬实性状的加性和上位性互作QTL (quantitative trait locus)分析, 明确控制大豆籽粒硬实的重要位点及效应, 旨在为进一步解析硬实性状复杂的遗传机制提供理论依据。以冀豆12和地方品种黑豆(ZDD03651)杂交构建的包含186个家系的F_6:8和F_6:9重组自交系群体为材料, 采用WinQTL Cartographer V. 2.5的复合区间作图法(composite interval mapping, CIM)定位不同年份的籽粒硬实性状相关的加性QTL, 同时采用IciMapping 4.1软件中的完备区间作图法(inclusive composite interval mapping, ICIM)检测籽粒硬实性状的加性及上位性QTL。共检测到3个籽粒硬实性状相关的加性QTL, 分别位于第2、第6和第14染色体, 遗传贡献率范围为5.54%~12.94%。同时检测到4对上位性互作QTL, 分别位于第2、第6、第9、第12和第14染色体, 可解释的表型变异率为2.53%~3.47%。同时检测到籽粒硬实性状加性及上位性互作QTL, 且上位性互作多发生在主效QTL间或主效QTL与非主效QTL间, 表明上位性互作效应在大豆籽粒硬实性状的遗传基础中具有重要的作用。     

利用BC2F2高代回交群体定位水稻籽粒大小和形状QTL

以我国优良籼稻恢复系蜀恢527为轮回亲本, 以来自菲律宾的Milagrosa为供体亲本, 培育了样本容量为199株的BC₂F₂高代回交群体。选取85个均匀分布在12条染色体上的多态性SSR标记进行基因型分析, 同时对粒长、粒宽、长宽比和千粒重4种性状进行了表型鉴定。采用性状－标记间的单向和双向方差分析对上述性状进行了QTL定位。单向方差分析(P<0.01)共检测到了10个控制粒长、粒宽、长宽比和千粒重的QTL, 其中有3个具有多效性。由于粒长和长宽比的高度相关性, 控制长宽比的2个QTL均能在粒长QTL中检测到。位于第3染色体着丝粒区域的qgl3b是一个控制粒长、长宽比和千粒重的主效QTL, 它可以分别解释粒长、长宽比和千粒重表型变异的29.37%、26.15%和17.15%。该QTL对于粒长、长宽比和千粒重均表现较大的加性效应(来自蜀恢527的等位基因为增效)和负向超显性。位于第8染色体的qgw8位点是一个控制粒宽的主效QTL, 同时也是控制千粒重的微效QTL, 能解释粒宽表型变异的21.47%和千粒重表型变异的5.16%。该QTL对粒宽和千粒重均具有较大的加性效应(来自蜀恢527的等位基因为增效)和正向部分显性。双向方差分析(P<0.005)共检测到61对显著的上位性互作, 涉及54个QTL, 其中23个是能同时影响2~4个性状的多效位点, 且有8个位点与单向方差分析检测到的相同。控制长宽比的13对上位性互作位点中, 与控制粒长的上位性互作位点完全相同的有8对。以上结果为进一步开展水稻籽粒大小和形状有利基因的精细定位、克隆和分子设计育种奠定了基础。     

QTL mapping of resistance in lentil (Lens culinaris ssp. culinaris) to ascochyta blight (Ascochyta lentis)

Quantitative trait locus (QTL) analysis of ascochyta blight resistance in lentil was conducted using genomic maps developed from two F₂ populations, viz. ILL5588/ILL7537 and ILL7537/ILL6002. Five QTLs for ascochyta blight resistance were identified by composite interval mapping (CIM) across four linkage groups (LG) in population ILL5588/ILL7537. Three QTLs were identified by CIM in population ILL7537/ILL6002 (two in close proximity on LGI and one on LGII). Two of these coincided with regions identified using multiple interval mapping (MIM) and were shown to be conditioned by dominant and partial dominant gene action. Together, they accounted for approximately 50% of the phenotypic variance of disease severity. Comparison between the two populations revealed a potentially common QTL and several common regions that contained markers significantly associated with resistance. This study demonstrated the transferability of QTLs among populations and identified markers closely linked to the major QTL that may be useful for future marker‐assisted selection for disease resistance.     

Identification of quantitative trait loci underlying milling quality of rice (Oryza sativa) grains

Milling quality of rice grains is important to both producers and consumers. In this study, quantitative trait loci (QTLs) controlling brown rice rate (BR), milled rice recovery (MR) and head rice recovery (HR) were analysed by composite interval mapping over 2 years using 98 backcross inbred lines (BILs). A total of 12 QTLs for the three traits were detected, of which five were for BR, four for MR and three for HR. The proportion of phenotypic variation explained by individual QTLs ranged from 7.5 to 19.9%, and additive effects contributed by a single QTL accounted for 0.46 to 2.34% of the variation. QTL‐by‐environment interactions were observed by comparing QTL mapping of the same population grown in two consecutive years. Three of five QTLs for BR and two of four QTLs for MR were detected in 2 years, and all three QTLs for HR were detected in 1 year only. BR was significantly correlated with MR, and all four QTLs of MR were located in the same regions as those of BR. This indicated that QTLs for highly correlated traits could often be detected in the same interval.