编辑推荐：
为解决DUS（特异性、一致性、稳定性）测试成本高昂、周期长的问题，研究人员探讨了将基因组预测（Genomic Prediction, GP）整合到DUS测试体系中的新策略。研究提出了两种应用模式：在田间试验前利用GP进行种质资源库（Reference Collection）管理，以及在试验后利用GP优化针对异花授粉作物的特异性（Distinctness）判定（COYD-GP）。该研究在多年生黑麦草和小麦数据集上验证了方法的可行性，为优化植物新品种保护（Plant Variety Protection, PVP）体系下的DUS测试流程、降低成本和提高效率提供了新思路，具有重要的应用前景。
培育高产、优质的作物新品种是保障全球粮食安全的关键，但新品种的研发投入巨大。为了激励育种创新，需要通过法律为新品种提供保护。国际植物新品种保护联盟（International Union for the Protection of New Varieties of Plants, UPOV）为此建立了国际通行的植物新品种保护体系。根据UPOV公约，一个新品种要获得保护，必须满足特异性（Distinctness）、一致性（Uniformity）和稳定性（Stability）三项标准，即DUS测试。其中，特异性是指新品种必须与所有已知的现有品种在表型特征上存在显著差异。
然而，传统的DUS测试依赖于大规模的田间表型比较试验，成本高昂且耗时漫长。对于许多重要作物，已知品种的数量（称为“种质资源库”，Reference Collection）可能多达数百个，候选品种必须与库中的每一个品种在指定的DUS性状上进行逐一比较，这无疑是一项繁重的任务。尽管利用遗传标记来辅助DUS测试、降低成本的设想已被讨论了多年，但在UPOV框架下，标记的使用必须与DUS表型性状的差异相关联。目前UPOV接受的应用模型存在局限：一种是针对可被单一或少数标记精确预测的性状（模型a），适用范围窄；另一种是将表型距离与遗传距离进行整体关联（模型b），但这种方法并非针对单个DUS性状，且两者相关性在不同作物中差异较大，可能导致判定错误。
正是在这样的背景下，一项发表于《Theoretical and Applied Genetics》的研究提出了一套创新的解决方案：将基因组预测（Genomic Prediction, GP）这一前沿的育种技术，深度整合到DUS测试流程中。该研究提出了两种全新的应用模式，旨在利用全基因组范围的标记信息，更精准、高效地管理DUS测试，甚至辅助最终的判定决策。
为了评估新方法的可行性，研究人员利用了两个历史数据集：多年生黑麦草（一种异花授粉牧草/草坪草）和小麦（一种自花授粉的主要粮食作物）的DUS表型数据和基因型数据。研究主要采用了以下关键技术方法：
首先，对两个物种分别进行了全基因组关联分析（Genome-Wide Association Study, GWAS），以寻找与特定DUS性状显著关联的单核苷酸多态性（Single Nucleotide Polymorphism, SNP）位点。其次，利用基因型数据构建了遗传关系矩阵（Genetic Relationship Matrix, GRM），并基于此应用了基因组最佳线性无偏预测（Genomic Best Linear Unbiased Prediction, gBLUP）模型。为了提升预测精度，在识别出显著关联位点的性状上，采用了结合QTL（Quantitative Trait Loci，数量性状位点）固定效应的增强模型（gBLUP + QTL）。最后，通过留一法交叉验证（leave-one-out cross-validation）模拟真实应用场景，评估了基因组预测在区分品种对方面的性能。对于多年生黑麦草，还模拟了该方法在减少田间试验规模方面的潜力，并开发了结合遗传信息的COYD-GP（Combined Over-Years Distinctness with Genomic Prediction）方法，将其与传统的COYD方法在判定特异性方面的表现进行了比较。
GWAS结果
通过GWAS，在多年生黑麦草的21个数量DUS性状中，鉴定出5个性状（如“抽穗期”等）存在潜在关联的SNP。在小麦的19个数量性状中，有6个性状（如“种子酚染色”、“颖壳喙长”等）被发现有显著的标记-性状关联。
UPOV应用模型b)在种质资源库管理中的表现
分析显示，仅基于表型距离与遗传距离（罗杰斯距离）的相关性来管理种质资源库存在挑战。在二倍体黑麦草、四倍体黑麦草和小麦中，两者间的相关系数分别为0.30、0.46和0.40。这种较低的相关性使得难以设定一个安全的遗传距离阈值来可靠地识别表型特异的品种对。
基因组预测在种质资源库管理中的性能
- •
预测准确性：在模拟的“留一验证”中，基因组预测能够以合理的准确度预测候选品种与已知品种在特定DUS性状上的差异。例如，对于黑麦草的“抽穗期”性状，gBLUP预测值与基于表型的长期COYD差值之间的R2值达到92.62%；对于小麦的“颖壳喙长”性状，R2> 值为74.89%。加入GWAS发现的QTL位点信息（gBLUP + QTL）通常能进一步提升预测精度。
- •
区分品种对的能力：综合所有数量性状来看，平均约有40%（gBLUP）至50%（gBLUP + QTL）的已知品种能被基因组预测方法与一个模拟的候选品种区分开。这与长期COYD分析能区分的比例（二倍体95%，四倍体89%）相比仍有差距，但考虑到预测是在没有候选品种表型数据的情况下进行的，这一结果已显示出潜力。
- •
对田间试验规模的影响：模拟分析表明，对于像多年生黑麦草这类旨在通过识别明显不同的已知品种来缩减试验规模的作物，当候选品种数量较少时，基因组预测能带来显著的试验规模缩减。但当候选品种数量增多时，其优势相对于“循环种植”等现有替代方案的吸引力会减弱。对于像小麦这类旨在提前识别相似品种以进行邻近种植、实现更精确比较的作物，基因组预测在多个性状上表现良好，有助于在试验第一年就进行更有针对性的设计，可能减少所需的测试年份。
COYD-GP在多年生黑麦草特异性判定中的性能
新提出的COYD-GP方法在所有分析的DUS性状上，判定的特异性品种对比例均高于传统的长期COYD方法。提升幅度最高可达10%（例如在四倍体品种的“抽穗期生长习性”性状上）。这表明，在已进行田间试验、拥有表型数据的基础上，整合遗传标记信息可以提高对品种间表型均值差异估计的精度，从而优化特异性判定。
结论与讨论
本研究提出了将基因组预测创新性应用于DUS测试的两个新方向：一是用于DUS田间试验的规划（种质资源库管理），二是用于异花授粉作物在完成田间试验后的直接特异性判定增强（COYD-GP）。
对于种质资源库管理，所提出的框架相比现有的UPOV应用模型b)更具针对性，因为它直接预测单个DUS性状的差异，并利用了“只需一个性状特异即可”的判定原则，有望提供更高效的试验管理方案。尽管在模拟中，对于试验规模缩减的效益因作物和情景而异，但该方法在提前识别相似品种、优化试验设计（如避免不必要的第三年测试）方面具有明确价值。
对于特异性判定，COYD-GP方法在尊重表型数据首要地位的前提下，通过引入遗传关系信息来提高对品种效应估计的精度，尤其适用于已使用COYD方法的异花授粉作物（如多年生黑麦草、苜蓿）。这为在现有判定存在不确定性时提供了支持性证据，其有效性需要在UPOV框架内进行进一步讨论和确认。
研究的成功依赖于DUS性状与遗传标记之间的关联强度，而这又与性状的遗传力、可用数据量（品种数量和遗传多样性）密切相关。本研究受限于可获取的品种数量，未来使用更全面的数据集有望获得更好的预测效果。此外，当前研究主要针对数量性状并使用线性模型，而DUS测试中大量使用有序尺度（1-9级）性状。未来探索适用于有序尺度或二元性状的贝叶斯基因组预测模型，可能会进一步提升该方法的实用性和准确性。
总之，这项研究为利用基因组预测技术革新DUS测试流程提供了概念验证和初步框架。它不仅有望降低植物新品种测试与保护的成本和时间，提高效率，也为在UPOV体系内更科学、有效地利用现代分子育种工具开辟了新的途径。后续研究应致力于优化基因组预测方法在不同作物和性状上的应用，并在更完整的数据集上验证其效能，以推动该框架最终被DUS测试实践所采纳。
