点击蓝色字免费订阅，每天收到这样的好资讯
本文提供了一个研究基因型-表型（G2P）建模方法的性能框架，并针对产量以及与产量相关的性状，生成并分析响应面或适应性环境，强调性状的层次组织及其随时间的发展和相互作用，植物表型资讯介绍如下：
目标性状（如产量）的基因型-环境互作（G×E）是农业的一个新兴特性，是一系列次生性状相互作用的结果（这些次生性状影响生长季节环境资源的捕获和分配）。次生性状包括从相应反应机制/敏感性的基础性状以及随着时间而出现的大量G×E的中间性状。产量性状对环境适应的贡献不同，其G×E水平也不同。本文提供了一个研究基因型-表型（G2P）建模方法的性能框架，并针对产量以及与产量相关的性状，生成并分析响应面或适应性景观，强调性状的层次组织及其随时间的发展和相互作用。
生成适应环境的步骤
从与真实小麦数据形状和速率相同的边缘分布中，用交点取样，生成与基因型相关的参数和附加效应的步骤
研究人员使用具有基因型相关参数的农作物生长模型APSIM-小麦作为工具，模拟随时间变化的复杂性状相关性的非线性性状响应，并将其应用于澳大利亚的小麦作物。从生物学角度分析，APSIM参数被赋予从伽马分布中采样的个QTL的遗传基础，其形状和速率参数是根据真实小麦数据估算的。在模拟中，即使产量的基础性状没有表现出G×E，但随着时间的推移，性状的层次组织及其相互作用也会产生G×E。深入了解G×E在生长和发育过程中如何产生，有助于提高表型预测的准确性，并优化试验网络。本文为产量性状模拟了一个适应性环境，首先通过结合基因型和环境协变量的G×E统计模型来研究其生物可信性。随后，利用模拟性状数据评估多个性状和环境的统计基因型-表型模型，表征性状随时间和跨环境的关系。另外本文还指出，该模型作为一种识别性状的方法可以用来选择对特定适应有用的性状。经过适当设计，该类型的模拟环境也可以作为训练其他更深入学习方法的基础，以便将这些网络模型应用于现实。
如从标记分数矩阵中提取的主要成分所揭示的种群结构
来源：
Bustos-KortsD,MalosettiM,ChenuK,etal.FromQTLstoadaptationlandscapes:usinggenotype-to-phenotypemodelstocharacterizeG×Eovertime.Front.PlantSci.,04December
