《Agronomy》：Application of BLUP-GGE Biplot in Mega-Environment Analysis and Test Location Evaluation of Wheat Regional Trials in the Huanghuai Winter Wheat Region in China
Lihua Liu,
Guangying Wang,
Hongbo Li,
Yangna Liu,
Guohang Yang,
Mingming Zhang,
Pingping Qu,
Xu Xu,
Naiyin Xu and
Binshuang Pang
+ 1 author
编辑推荐：
为解决多环境品种试验（MET）中不平衡数据集、试点评价不准确及超级环境（ME）划分不明确等问题，研究人员开展了BLUP-GGE双标图在黄淮冬麦区（HWWR）小麦区域试验中的应用研究。结果发现，整合最佳线性无偏预测（BLUP）与GGE双标图的方法可有效解析G×E互作，将HWWR稳定划分为3个差异明显的ME，并识别出PY等核心理想试点。该研究为优化区域试验体系、实现品种精准布局提供了科学依据。
小麦是中国第三大粮食作物，而黄淮冬麦区（HWWR）更是全国小麦生产的战略要地，贡献了超过60%的种植面积和产量。然而，这片广袤的区域生态异质性极高，从南到北的气候、土壤差异显著，导致小麦品种的表现“水土不服”现象严重，即强烈的基因型与环境（G×E）互作。这给新品种的区域试验评价和后续的精准推广带来了巨大挑战。传统上，区域的划分多基于行政区划或粗略的气候带，未能真实反映影响品种表现的环境模式，可能导致优良品种被“埋没”在不适应的地区。此外，现实中的区域试验数据往往因品种逐年滚动参试而“不平衡”，且各试点误差方差不同，这使得依赖均衡数据和固定效应模型的传统统计方法（如常规GGE双标图）分析结果可能失真。如何从纷繁复杂的多年多点试验数据中，科学评估试点价值，并划分出真正有区分度的“超级环境”（ME），成为优化育种和推广体系的关键科学问题。为此，刘丽华等研究人员在《Agronomy》上发表论文，利用整合了最佳线性无偏预测（BLUP）的GGE双标图方法，对HWWR的小麦区域试验进行了深入剖析，旨在为这一核心农区的品种试验网络优化和布局提供可靠方案。
为开展研究，作者主要应用了以下几项关键技术方法：研究基于2021年至2025年国家小麦区域试验中21个试点的籽粒产量数据，采用线性混合模型和限制性最大似然法（REML）进行方差组分分析并估算各品种-试点组合的BLUP值；继而构建校正后的品种×试点双向表，利用GGEbiplot?软件进行GGE双标图分析，从“试点间关系”、“区分力与代表性”、“理想试点”及“胜出在哪里”等多个视角评估试点；最后，基于试点在双标图中的坐标进行欧氏距离层次聚类，提出了试点聚类法进行ME划分，并与传统“胜出在哪里”多边形视图法的划分结果进行比较。
3.1. 基于线性混合模型的籽粒产量方差组分分析
通过线性混合模型分解方差组分，发现总表型变异主要受环境因素驱动。试点效应是最大的单一变异来源，占总方差的40.5%；年份与试点互作效应次之，占30.7%。两者合计表明时空环境效应是HWWR试验中产量变异的主导因素。基因型主效和基因型×试点互作分别贡献了2.3%和2.1%的变异，虽占比小但达到极显著水平，证实了参试品种间存在真实的遗传差异和显著的G×E互作。
3.2. 基于BLUP-GGE双标图的试点间关系
基于BLUP值构建的GGE双标图解释了72.9%的总表型变异，且所有试点向量间夹角均为锐角（最大88.8°），证实了目标区域的生态同质性和分析结果的稳健性。试点间呈现正相关，但也显示出潜在的亚区聚类趋势，为后续ME划分提供了线索。
3.3. 基于BLUP-GGE双标图的试点评价
通过“区分力 vs. 代表性”视图和“理想试点”视图对21个试点进行综合评价。在“理想试点”视图中，濮阳（PY）最接近理想试点标记，其次是驻马店（ZMD）、商丘（SQU）和辉县（HX），而连云港（LYG）和宿迁（SQ）的综合表现相对较差。分析还量化了各试点的代表性、区分力及合意性指数排名。
3.4. 基于BLUP-GGE双标图“胜出在哪里”视图的ME划分
使用传统的“胜出在哪里”多边形视图将HWWR划分为3个ME。然而，该方法划分出的ME间向量夹角较小（10.0°至56.5°），相关性较强，且在合意性指数上无显著差异，表明ME间区分度不足。同时，该方法的结果极易受少数超高产品种（超极品种）的影响，稳健性较差。
3.5. 基于试点聚类法的ME划分
为解决上述问题，研究提出了基于试点聚类法的ME划分方法。该方法基于试点在BLUP-GGE双标图中的坐标进行层次聚类，将HWWR稳定地划分为3个具有清晰区别的ME：ME1（包含LYG、SQ等10个试点）、ME2（包含LY、XX、ZMD等6个试点）和ME3（包含BJ、XZ、YY等5个试点）。ME间的向量夹角显著增大（最大超过60°），且在区分力、代表性和合意性指数上均存在极显著差异，满足了ME划分的核心标准。
3.6. ME划分方法的比较分析
定量比较表明，试点聚类法在增强ME间区分度方面显著优于“胜出在哪里”视图法。前者划分的ME间相关性更低，向量角度更大，功能特征明确：ME2代表性和合意性最高，是核心生产区；ME3区分力最强，环境特征独特；ME1表现中等。
研究的结论与讨论部分强调，整合BLUP与GGE双标图的方法（BLUP-GGE biplot）能有效处理不平衡数据、消除环境噪音，为多环境品种试验（MET）分析提供了更可靠的框架，特别适用于像HWWR这样生态复杂的地区。研究证实，直接应用“胜出在哪里”视图处理多年多点数据存在明显局限，而新提出的试点聚类法基于所有品种的整体表现进行环境聚类，避免了超级品种的干扰，能稳定、清晰地区分ME，并揭示出显著的品种-ME互作模式，例如新良16在ME2表现优异，仑选148和洛丰7011适应ME3，而宝丰1903和国麦179则更适应ME1。
这项研究的意义重大。首先，它为准确定位HWWR小麦区域试验的核心代表试点（如PY、ZMD）和优化试验网络布局提供了直接的数据支持。其次，所划分的三个ME及其适配品种，为实现小麦品种的精准定向推广提供了科学图谱，有助于最大化品种的遗传潜力，提升区域整体产量水平。最后，所建立的基于BLUP-GGE双标图和试点聚类法的ME划分技术体系，不仅为HWWR的小麦育种和试验工作提供了强有力的工具，也可为其他作物或在类似复杂生态区进行的多年多点试验分析提供有价值的参考范式，对提高全球作物育种和区域试验研究的效率具有重要贡献。
