Дослідження асоціації широкого геному щодо зовнішнього вигляду зерна та якості подрібнення у всесвітній колекції Індика Рисова зародка

Порівну сприяв цій роботі разом із: Сяньцзінь Цю, Юньлун Панг

Дослідницький інженерно-дослідний центр екології та сільськогосподарського використання водно-болотних угідь, Міністерство освіти/Сільськогосподарський коледж, Університет Янцзи, Цзінчжоу 434025, Китай

Порівну сприяв цій роботі разом із: Сяньцзінь Цю, Юньлун Панг

Афілійований інститут рослинництва/Національний ключовий фонд ресурсів генетичних культур та поліпшення генетики, Китайська академія сільськогосподарських наук, Пекін 100081, Китай

Інститут рослинництва/Національний ключовий фонд для генетичних ресурсів рослин та генетичного вдосконалення, Китайська академія сільськогосподарських наук, Пекін 100081, Китай, Шеньчженьський інститут селекції та інновацій, Китайська академія сільськогосподарських наук, Шеньчжень 518120, Китай

Міжнародний науково-дослідний інститут рису, DAPO Box 7777, метро Маніла, Філіппіни, CIRAD, UMR AGAP, F-34398 Монпельє, Франція

Міжнародний науково-дослідний інститут рису, DAPO Box 7777, метро Маніла, Філіппіни

Сяньцзінь Цю,
Юньлун Панг,
Чжихуа Юань,
Данінг Сін,
Цзяньлун Сю,
Майкл Дінгкун,
Чжиканг Лі,
Гою Є

Цифри

Анотація

Цитування: Qiu X, Pang Y, Yuan Z, Xing D, Xu J, Dingkuhn M, et al. (2015) Дослідження асоціацій, що мають широкий геном, щодо зовнішнього вигляду зерна та якості подрібнення у всесвітній колекції зародкової плазми Indica Rice. PLoS ONE 10 (12): e0145577. https://doi.org/10.1371/journal.pone.0145577

Редактор: Ратанг Сінгх Ядав, Університет Аберіствіт, ВЕЛИКОБРИТАНІЯ

Отримано: 24 вересня 2015 р .; Прийнято: 4 грудня 2015 р .; Опубліковано: 29 грудня 2015 року

Наявність даних: Усі відповідні дані знаходяться в газеті та в допоміжних файлах.

Фінансування: Це дослідження було надане Глобальним науковим партнерством щодо рису (GRiSP), Національною програмою досліджень і розробок у галузі високих технологій 863 від Міністерства науки і технологій Китаю (2014AA10A601), План Шеньчженського павича, Фондом природничих наук Китаю (31461143014, 31261140369), та Спільний інноваційний центр Хубей для зернової промисловості.

Конкуруючі інтереси: Автори заявили, що не існує конкуруючих інтересів.

Вступ

Більшість рис, що визначають якість рису, кількісно успадковуються, контролюються множинними генами/QTL [2] і зазнають впливу середовища, що росте [4]. Що стосується інших складних ознак, то картографування QTL із використанням двох батьківських популяцій, отриманих з батьківських ліній контрастності, широко використовується для ідентифікації QTL для різних ознак якості рису. Протягом останніх десятиліть повідомлялося про багато генів/QTL для якості зовнішнього вигляду рисових зерен та якості подрібнення. GW1-1 і GW1-2 [5], qGRL1.1 [6], GS2 [7], GW3 і GW6 [8], qGL-4b [9], qPGWC-7 [10] qGL-7 [11], qGRL7.1 [6], gw8.1 [12], gw9.1 [13], tgw11 [14] були точно відображені. GW2 [15], GS3 [16], qGL-3 [17], qSW5 [18], GS5 [19], Крейда5 [20], TGW6 [21], GW6a [22], SRS1 [23], GL7/GW7 [24, 25], GW8 [26] та CycT1; 3 [27] були клоновані. Корисність деяких добре охарактеризованих генів/QTL була доведена в популяції indica з різноманітними лініями розмноження [4].

Однак, картографування QTL з використанням однієї біпропецької популяції має кілька важливих обмежень, включаючи необхідність створення популяції, що розділяє цільову ознаку, можливість оцінки лише двох алелів на локус та обмежену кількість мейозу. Ідентифікувати можна лише обмежену кількість QTL, оскільки можна виявити лише QTL, для якого розрізняються два батьки. Враховуючи обмежений обсяг кожного дослідження, картографування однієї і тієї ж ознаки у різних неповнолітніх популяціях може дати різні QTL. Більше двох алелей, ймовірно, будуть розділятися на локус, і напрямки ефектів QTL можуть відрізнятися залежно від генетичного фону через епістаз, плейотропію та взаємодію QTL від оточуючого середовища (QEI) [28].

Багато досліджень асоціацій, про які повідомлялося, включали риси зерна, такі як GL, GW, GLWR, GT та TGW. Однак рисова крейдяність та риси якості подрібнення були менш вивчені. Метою цього дослідження є виявлення маркерів, пов'язаних з 10 якістю зовнішнього вигляду зерна та ознаками якості подрібнення, використовуючи колекцію показників з 272 приєднань. Панель була фенотипована в чотирьох місцях, що представляють основні середовища виробництва рису в Китаї. Технологія GBS та Diversity Arrays Technology (DArT), заснована на техніці послідовності наступного покоління, яка називається DArTseq ™, була використана для генерування загальногеномних маркерів. Панель асоціацій була охарактеризована для структури популяції з використанням трьох різних методів та для моделі LD шляхом оцінки базального LD та LD-розпаду у всій популяції та субпопуляціях. Шістнадцять моделей відображення асоціацій були протестовані, щоб вибрати найкращу модель для кожної комбінації ознак та середовища. Виявлено низку відомих QTL та нові QTL.

Матеріали і методи

Панель картографування асоціацій

У цьому дослідженні було використано 272 ознаки приєднання рису з 31 країни або регіону (таблиця S1). Більше приєдналося до Китаю (39), Філіппін (36), Мадагаскару (29), Індії (28), Сенегалу (24), Шрі-Ланки (24) та Бангладеш (15). В інших країнах чи регіонах кількість приєднань становила менше восьми.

Фенотипова оцінка

Польові випробування проводились із використанням рандомізованого проекту повного блоку з двома копіями у чотирьох середовищах, включаючи Ханчжоу (HZ), Цзінчжоу (JZ), Санью (SY) та Шеньчжень (SZ) у Китаї. Терміни сівби та пересадки змінювались для того, щоб середовище випробувань відповідало місцевому сезону посадки. В усіх середовищах розмір ділянки становив три ряди з 10 рослин, висаджених з інтервалом 20 см х 25 см. Дотримувались практики управління місцевими фермерами. По зрілості було зібрано вісім рослин у середньому ряду. Установи, включаючи університет Янцзи, Академія сільськогосподарських наук Чжецзян, Інститут селекції та інновацій Шеньчжень, дозволили проводити польові випробування на своїх експериментальних полях.

Висушені в природі насіння, що зберігалися при кімнатній температурі протягом трьох місяців, використовувались для вимірювання ознак якості. GL (мм), GW (мм), GLWR, GT (мм), TGW (g), BRR (%), MRR (%) та HMRR (%) вимірювали відповідно до Національного стандарту оцінки якості зерна рису (Китай) ( GB/T17891-1999). Характеристики крейдяності зерна вимірювали за допомогою детектора якості зовнішнього вигляду рису JMWT12 (Dong Fu Jiu Heng, Пекін). PGWC (%) - це відсоток подрібнених у крейді зерен з крейдою. DEC (%) розраховували як добуток PGWC та розмір крейди (площа крейди, поділена на площу цільного зерна). Всі вимірювання проводили для двох незалежних зразків.

Фенотиповий аналіз

З різних причин не всі приєднання мали фенотипові дані у всіх чотирьох тестових середовищах. Кінцевий розмір популяції для кожної комбінації ознак та середовища дуже різнився (табл. 1). Фенотиповий аналіз проводився з використанням лінійних змішаних моделей для належної обробки даних дисбалансу. Для аналізу на одній ділянці приєднання (генотип) розглядалося як фіксований ефект, а повторення - як випадковий ефект. Отримані найкращі лінійні неупереджені оцінки (СИНІ) приєднань. Для багатосайтового аналізу всі ефекти, включаючи приєднання (генотип), середовище та реплікацію всередині середовища, розглядались як випадкові для оцінки складових дисперсії. Були передбачені найкращі лінійні неупереджені прогнози (BLUP) для кожної з комбінацій генотип-середовище. Всі аналізи проводились із використанням пакету PBTools R [38], розробленого IRRI (bbi.irri.org). Фенотипові кореляції обчислювали за СИНІМ за допомогою функції “rcorr”, реалізованої в R-пакеті Hmisc [39]. Спадковість для вузького розуміння (h 2) на основі генотипових засобів обчислювали, використовуючи оцінені компоненти дисперсії як VG/(VG + VGEI/s + Ve/sr). Де, VG, VGEI, Ve - дисперсія генотипу, генотип за взаємодією середовища (GEI) та залишкова похибка, відповідно, s - кількість середовищ, r - кількість повторень.

Генотипування

Аналіз асоціації

Усі моделі асоціацій за уніфікованою моделлю картографування асоціацій [53] можна описати, розглянувши, як враховуються два фактори - структура популяції (Q) та генетична спорідненість між генотипами (K). Ми використали чотири варіанти обробки Q та чотири варіанти обробки K для створення 16 моделей. Чотири варіанти Q були: відсутність Q, Q3, похідне від STRUCTURE, Q7, похідне від STRUCTURE, та C7, похідне від adegenet. Чотири варіанти для K були: no K, K обчислюється як попарно_IBS (Kp scaled_IBS (Ks) та метод VanRaden (Kv). Всі аналізи проводились за допомогою TASSEL 5.2.6 [49]. Для моделей без K, відомих як загальна лінійна модель (GLM) Було використано 1000 перестановок. Для моделей з K, відомих як модель змішаного вкладиша (MLM), для скорочення обчислювального часу було застосовано алгоритми стисненої змішаної лінійної моделі [53, 54] та P3D [54] кожна комбінація ознака-середовище була обрана з використанням середньоквадратичної різниці (MSD) між спостережуваними та очікуваними значеннями р усіх локусів маркерів, як пропонували Stich et al. [55]. значення з рівномірного розподілу. Більш доцільна модель з меншим MSD. Критичним значенням p для оголошення значущого MTA встановлено значення 0,0001.

Результати

Основна статистика маркерів

Всього на панелі було виявлено 22 266 поліморфних маркерів, включаючи 9 340 SNP та 12 926 маркерів DArT. Видаливши маркери з MAF менше 5%, в аналізі асоціацій було використано 18 824 високоякісних маркерів (7885 SNP та 10939 DArT). Кількість маркерів на хромосому коливалася від 891 на хромосомі 10 до 2361 на хромосомі 1. Розмір хромосоми коливався від 22,8 Мб для хромосоми 9 до 43,2 Мб для хромосоми 1. Весь розмір геному становив 371,7 Мб, а середня відстань між сусідніми маркерами (інтервал між маркерами) становив 20,2 кб. Середній інтервал маркерів коливався від 16,3 kb для хромосоми 11 до 25,9 kb для хромосоми 10 (таблиця S2). Близько 70,4% сусідніх відстаней маркерів були нижчими за середнє значення, а 97,4% - менше 100 Кб. На хромосомах 1 було 8 прогалин, позбавлених маркерів, більших за 500 kb (D01_26116212 — S01_26770440), 2 (D02_13852683 — D02_15083642), 4 (D04_8765494 — D04_9302397 та D04_16774867 — D04_1736 (D04_1730 та S07_13836518 — D07_14505070) та 11 (D11_11988263 — S11_12639397). Більше половини маркерів (55,7%) мали MAF нижче 0,20 (рис. 1).