随着植物表型组学的发展，越来越多的植物表型正在被挖掘和测量。丰富的植物表型数据带来了全新的角度来审视基因组和表型组之间的关系，本文通过利用基因组表型组关联分析（GPWAS）对注视的基因进行潜在功能基因的挖掘和预测，提供了一种全新的利用植物表型组学数据对基因组学进行分析的角度，助力植物功能基因的挖掘。
全基因组关联研究（GWAS）被广泛用于将自然遗传差异与性状差异联系在一起，对单一或少数相关性状进行分析。高通量表型研究允许在几个时间点上对数百个个体的不同性状进行收集。因此，作者提出在表型组学的水平与基因组中的单个注视基因进行逐个关联，并建立基因组表型组关联分析（GPWAS）的方法。
传统的GWAS只考虑相关的性状，而这种新颖的GPWAS方法将基因标记与多个相关和不相关的性状同时联系起来。GPWAS通过利用特定群体中所有收集的表型对基因组中每个拥有SNP的基因进行逐个扫描，来检测每个基因可能相关联的表型。通过对玉米自然群体中个种质基因型和相关的个采集于多个环境中的农艺性状进行GPWAS分析。对于单个基因，在普通关联分析中不具有显著效应的表型也可能在GPWAS中被显著的基因所选择。
Figure1.GPWASAlgorithmImplementation.作者发现，使用这种"多性状和多SNP框架"鉴定的基因，与注释的基因模型或传统GWAS结果相比，更类似于使用正向遗传学方法鉴定的基因。
StatisticalAssociationbetweentheMaizeGeneZmdandDistinctPhenotypes.
与那些已经经过功能缺失表型验证的类似，GPWAS识别的玉米基因在分子、群体和进化水平上分别有着较高的表达水平、同义保守性和更强的纯化选择，在拟南芥中的观察结果也与此相似。
有趣的是，通过GWAS获得的与个体表型差异相关联的基因介于注释的基因模型和GPWAS/经典突变体之间。这表明，GPWAS更容易检测到多功能基因，而传统的GWAS更适合于识别控制较少量表型的基因位点。
SimilaritiesbetweenGenesIdentifiedUsingGPWASandClassicalMutantsinMaizeComparisonsamongFourGenePopulations:Background,GWAS(GenesLinkedtoPhenotypebyGWAS[GLM]butNotbyGPWAS),GPWAS(GenesLinkedtoPhenotypebyGPWASbutNotbyGWAS[GLM]),andClassicalMutantswithKnownLoss-of-FunctionPhenotype.
综上，GPWAS提供了一种全新的利用植物表型组学数据对基因组学进行分析的角度，助力植物功能基因的挖掘。
