融合泛基因组、GWAS与可解释机器学习挖掘谷子性状相关结构变异的新策略

《Plant Communications》：Integrating Pan-genome, GWAS, and Interpretable Machine Learning to Prioritize Trait-Associated Structural Variations in Setaria italica

　　为解决作物性状遗传解析中结构变异（SV）检测成本高、关联定位分辨率有限的问题，研究人员通过构建八份谷子参考级泛基因组，结合全基因组关联分析（GWAS）与可解释机器学习模型，精准定位了调控叶色性状的关键结构变异（如Copia插入元件），为作物功能基因挖掘提供了低成本、高效率的新范式。

　　

谷子（Setaria italica）作为古老的禾本科作物，因其抗旱性强、营养丰富，在干旱半干旱地区粮食安全中具有重要战略地位。随着基因组学技术的发展，研究者发现结构变异（Structural Variations, SVs）尤其是存在/缺失变异（Presence-Absence Variations, PAVs）在作物驯化和性状改良中发挥关键作用。然而，传统泛基因组分析因测序成本高昂难以大规模开展，而全基因组关联分析（Genome-Wide Association Study, GWAS）虽能高效定位性状关联区域，却难以区分连锁不平衡下的因果变异，且常遗漏PAVs等大效应变异。如何低成本、精准地挖掘性状相关PAVs已成为作物遗传育种领域的核心挑战。

为解决上述问题，中国农业大学联合张家口市农业科学院等团队在《Plant Communications》发表研究，通过整合泛基因组、GWAS与可解释机器学习，建立了一套高效挖掘谷子性状相关结构变异的创新框架。研究人员首先对八份代表性谷子育种材料（包括抗旱地方品种和高产栽培种）进行PacBio HiFi测序和de novo组装，构建了高质量的图泛基因组（Graph-based Pan-genome），系统鉴定了PAVs在内的多类型SVs。进一步利用定制96K SNP芯片对344份谷子资源进行基因分型，结合表型数据开展GWAS，发现叶鞘、叶枕和叶色性状均显著关联到染色体7上26.84–26.94 Mb的区间。

为精准定位因果变异，研究团队开发了可解释机器学习流程：从关联区间筛选75个大效应变异（包括41个错义SNP、6个移码InDel和28个PAVs），利用LightGBM等模型预测性状，并通过Shapley值量化各变异对表型的贡献度。结果显示，PAVs和移码InDel的贡献显著高于SNPs，其中位于PPLS1（bHLH转录因子）下游约20 kb处的5002 bp Copia插入（Chr7_26868773）被确定为叶鞘和叶枕颜色由紫转绿的关键变异。该插入在绿色材料中固定存在，而在紫色材料中缺失，且绿色群体核苷酸多样性（π）显著降低，暗示其在驯化中受到选择。

本研究的关键技术方法包括：（1）基于PacBio HiFi和Hi-C的八份谷子de novo基因组组装与质量评估；（2）图泛基因组构建与PAVs检测；（3）基于芯片基因型的GWAS群体基因型填充（Imputation）；（4）可解释机器学习模型（LightGBM）训练与Shapley值分析；（5）转座子注释与核苷酸多样性分析。

研究结果

1. 八份谷子基因组的de novo组装与注释

通过PacBio CCS和Hi-C技术，获得了 scaffold N50 平均43.7 Mb的高质量基因组，BUSCO完整性达98.5%。基因注释显示八份基因组编码基因数量稳定（34,222–34,841个），重复序列占比46.6%–49.2%，其中LTR反转座子（Gypsy和Copia）为主要成分。

2. 谷子图泛基因组构建与基因分类

以DXH01（豫谷18）为参考构建的泛基因组大小为565.6 Mb，包含37,862个基因。基因家族聚类将35,240个基因簇分为核心（21,645簇）、软核心（1,332簇）、非必需（6,904簇）和私有（5,359簇）四类，私有基因数量在材料间差异显著（DXH01最多，DXH02最少）。

3. 系统进化与基因家族动态

系统发育分析表明谷子与玉米分化时间约27.35百万年前。基因家族扩张/收缩分析发现，谷子中收缩基因家族多于扩张，而水稻和玉米则相反。正选择基因（PSGs）鉴定出22个基因，其中7个为转录因子，可能与环境适应相关。

4. 结构变异（SVs）的特征与分布

共鉴定6,585–11,130个SVs，其中PAVs占比96.4%。SV长度介于51 bp–30.9 kb，均匀分布于基因间区和基因侧翼区域。46%–48%的SVs与转座子（TEs）重叠，LTR/Gypsy和LTR/Copia为最活跃的TE类型。

5. GWAS定位叶色性状关联区间

基因型填充将变异位点从96K扩展至150万，GWAS显著信号均指向染色体7上100 kb区间（26.84–26.94 Mb）。单倍型聚类将344份材料分为三类，表型分布与单倍型高度一致。

6. 机器学习优先排序关键变异

LightGBM模型对叶鞘和叶枕颜色预测AUC值最高达0.95和0.90。Shapley值分析表明PAVs（Chr7_26868773和Chr7_26865118）和InDel（Chr7_26863422）为最重要变异，其中Copia插入位于PPLS1下游，可能与调控该基因表达相关。

7. Copia插入的功能验证与进化分析

比较基因组显示绿色材料中PPLS1下游存在Copia插入，而紫色材料和野生祖先（S. viridis）中缺失。绿色群体核苷酸多样性降低，表明该区域受选择。DXH02（浅紫色）在该区间为杂合状态，进一步支持Copia插入的表型效应。

结论与讨论

本研究通过“泛基因组-GWAS-机器学习”三级联用策略，突破了传统方法在检测PAVs和解析因果变异中的瓶颈。首次发现PPLS1下游的Copia插入通过潜在顺式调控作用抑制紫色色素积累，揭示了转座子介导的性状分化新机制。方法学上，仅用八份参考基因组即捕获75%的关键PAVs，结合基因型填充将测序成本降低约40倍，为资源有限作物的功能基因组研究提供了可推广的解决方案。未来通过染色质构象捕获（Hi-C）和表观组学分析，有望进一步揭示Copia插入的调控机制。该框架不仅适用于谷子，也为其他作物复杂性状的遗传解析提供了新思路。