桃资源与育种团队整合全基因组重测序与机器学习技术精准解析桃果实品质性状遗传机制

近期，桃资源与育种团队利用全基因组重测序和机器学习相结合的创新技术，成功构建了桃超高密度遗传连锁图谱，并精准定位了果实品质相关性状的QTL位点，为桃分子标记辅助育种和果实品质改良提供了重要理论基础。相关成果以“Integrating whole-genome resequencing and machine learning to refine QTL analysis for fruit quality traits in peach”为题目的研究论文发表在《Horticulture Research园艺研究》。

研究团队构建大规模F1群体，通过考虑杂合F1群体分离特征、桃的遗传特性发布整套遗传数据处理流程，整合了134,277个SNP类型多态性标记，成功构建了两个亲本图谱和一个共分离图谱。为避免分型错误导致的虚假重组问题，研究团队创新性地改进了基于Bin的标记子集缩减策略，超高密度遗传图谱的分辨率可达同等规模饱和图谱的6.9倍。通过连续两年的果实相关性状遗传分析，研究团队成功定位了5个数量性状、2个质量性状。特别值得注意的是，团队开发了基于机器学习的线性模型来评估黄桃果肉颜色强度，该方法比传统的物理比色参数（L, a*, b*）更加高效，能够检测到年份间重复的QTL位点，发现了两个传统比色测量方法无法检测到的QTLs。基于图谱位置、基因表达模式和功能分析，研究团队识别出了相关候选基因，为深入理解桃果实品质性状的遗传调控机制奠定了基础。

文章第一作者为桃种质资源课题组博士研究生范家琪、吴金龙副研究员，通讯作者为王力荣研究员和吴金龙副研究员。该研究得到了国家重点研发计划（2023YFE0105400、2022YFD1200503）、国家自然科学基金（32102328、32472701）、国家现代农业产业技术体系（CARS-30-1-04）和国家留学基金委的支持。（通讯员：齐文莉）