湿地松育种不再只靠表型：按训练折做关联预选，生长性状预测能力提高11.9%
核心概要
湿地松育种周期长达十几年，基因组选择能否加速取决于标记怎么选。一项针对240株湿地松的研究把全基因组关联分析限制在每个训练折内部，用关联显著性预选SNP，再比较八种预测模型和十二种标记密度。生长性状的平均预测能力从随机选标记的0.242升到0.271，提高11.9%；木材品质仅提高2.2%，松脂性状没有变化，而按PVE或跨折重现频率加入的QTN协变量在12个性状中有9个未超过无协变量基线。
深度剖析
湿地松的基因组预测开始按性状分别挑选标记和模型，而不是全树统一用一套配置。 此前这类育种主要依赖田间表型和BLUP育种值，标记辅助选择对多基因控制的性状增益有限。 在240株、53,229个转录组SNP、10次重复10折交叉验证共100个留出折上，八种模型里没有一种在12个性状上普遍最优：DBH由XGBoost在300个SNP时取得最高平均预测能力0.493，MOE由使用全部标记的GBLUP取得0.157。
把关联分析关进训练折内部，可以让标记排序只使用训练树的信息。 若在交叉验证之前对全部个体做关联排序，验证个体的信息会进入标记选择并抬高表观精度。 每个外层折用216株训练、24株留出，GWAS在每个训练集内独立运行并纳入折特异主成分和亲缘矩阵；按P值预选后，生长性状跨模型与密度组合的平均预测能力由0.242升至0.271，木材品质由0.214升至0.219，松脂性状两种方案均为0.101。
以PVE阈值或跨折重现频率构造的QTN协变量，只在少数性状上带来可测的增量。 无QTN基线在同一模型、同一标记密度和同一折结构下作为对照。 12个性状中有9个保留无QTN基线；频率策略仅在Crown（ΔPA=0.0123）、beta-pinene（ΔPA=0.0015）和levopimaric acid（ΔPA=0.0072）上超过基线，PVE阈值常纳入数千个协变量，相对每折216株训练树过多。
在同一表型-BLUP基准上，基因组选择选出的树保留了大部分同周期指数增益，并在假定缩短周期后显示出年化优势。 两种选树路线用同一套表型-BLUP指数评分，避免不同育种值收缩尺度直接比较。 Top 1至Top 30范围内，GS选出集合保留同周期基准增益的80.3%–95.1%；按传统15年、GS 7年的周期假设，年化GS/表型比值在Top 1为2.00、Top 10为1.74、Top 30为1.96，跨Top 1–30为1.72–2.04。
启示与展望
结论建立在杭州一处试验点、240株来自33个开放授粉家系的湿地松以及2019年一次表型测定之上，标记为53,229个转录组来源SNP，未锚定到染色体。适用读者是从事林木基因组选择与育种方案设计的研究人员和工程师；文中未提出下一步试验安排。
作者说明，配置选择与性能比较使用同一批留出折，所选配置的表现可能偏乐观，并非来自额外独立外层验证；随机个体折可能把亲缘个体同时放入训练与验证，预测能力部分反映群体内亲缘关系。作者还指出，年化优势取决于假定缩短8年育种周期，研究未测定后代实际响应，也未验证7年运行周期。