<strong id="r5ve8"></strong>
    1. <xmp id="r5ve8"></xmp>

        027-87860098

        水稻雜種優(yōu)勢的代謝組學景觀突出了預測復雜表型的途徑生物標志物

        2022/8/30
        了解復雜表型的分子機制需要對復雜的代謝網(wǎng)絡進行系統(tǒng)分析,并有助于提高主要谷物作物的育種效率和人類疾病診斷的準確性。在這里,作者選擇水稻(Oryza sativa)雜種優(yōu)勢作為一個復雜的表型,并使用非靶向代謝組學策略研究了營養(yǎng)性狀和生殖性狀的機制。鑒定了雜種優(yōu)勢相關分析物,重疊分析物顯示為六個農(nóng)藝性狀關聯(lián)模式的基礎。4個產(chǎn)量構成因素和株高的雜種優(yōu)勢相關分析共同貢獻了產(chǎn)量雜種優(yōu)勢,5個性狀的貢獻程度不同。



        六個農(nóng)藝性狀雜種優(yōu)勢相關分析物的鑒定。A, 六個農(nóng)藝性狀在群體和個體水平上的雜種優(yōu)勢。記錄了5個生產(chǎn)性狀(包括產(chǎn)量和4個產(chǎn)量構成因素)和1個營養(yǎng)性狀(株高),條形表示標準誤差。B,轉化的親本代謝物水平與雜種優(yōu)勢之間的相關數(shù)。計算了親本代謝物水平的平均值、差異和比率,并對這6個性狀的雜種優(yōu)勢進行了皮爾遜相關分析。P值小于0.05的相關性被認為是顯著的,N=3,746。C,偏最小二乘回歸中不同數(shù)量的預測分析物的 r 值變化。每個性狀的最佳預測分析物數(shù)量用黑色箭頭標記。D–E, 株高(D)和產(chǎn)量(E)雜種優(yōu)勢的觀測值和預測值與相應的雜種優(yōu)勢相關分析物之間的相關性。F, 峰位為M163T337_NEG和4-羥基肉桂酸標準品的分析物的MS/MS光譜。G,4-羥基肉桂酸代謝物水平與株高雜種優(yōu)勢的相關性。H,產(chǎn)量和四個產(chǎn)量組成部分的雜種優(yōu)勢相關分析物的維恩圖。 在面板 A、D、E 和 G 中,N = 287。

        縮寫:優(yōu)良親本雜種優(yōu)勢(BPH)、結實率(SSR)、千粒重(TGW)、每穗粒數(shù)(GNP)、單株分蘗數(shù)(TPP)、單株產(chǎn)量(YPP)、株高(HP)。

        作者對高親本和低親本雜種優(yōu)勢進行失調網(wǎng)絡分析,發(fā)現(xiàn)雜種優(yōu)勢涉及多種類型的代謝途徑。顯著富集途徑(尤其是氨基酸和碳水化合物代謝途徑)的代謝物水平可預測產(chǎn)量雜種優(yōu)勢(曲線下面積=0.907,具有10個特征),并且這些途徑生物標記的可預測性通過跨環(huán)境和種群的雜交得到驗證。


        豐富的雜種優(yōu)勢代謝途徑。A,偏最小二乘回歸和貝葉斯方法之間分析物的重疊。B,五個繁殖性狀雜種優(yōu)勢富集途徑的維恩圖。具有產(chǎn)量雜種優(yōu)勢的四種產(chǎn)量構成要素中,每種產(chǎn)量構成要素的通路重疊比例相應顯示在括號中。四個產(chǎn)量組分的重疊和自身富集途徑的數(shù)量分別顯示在斜線的左側和右側。NA,不適用。C,高和低 BPH-YPP 雜種之間戊糖和葡萄糖醛酸相互轉化的代謝物水平的比較。獨立樣本 t 檢驗,雙尾。N = 72。每個箱線圖的中心線代表第 50 個百分位數(shù)。每個箱線圖的底部和頂部分別代表第 25 個和第 75 個百分位數(shù)。晶須代表最小值和最大值,圓圈代表異常值。D,戊糖和葡萄糖醛酸代謝物相互轉化水平與產(chǎn)量雜種優(yōu)勢的關系。N=144。E,產(chǎn)量雜種優(yōu)勢顯著富集途徑的相關模式。產(chǎn)量雜種優(yōu)勢顯著富集的途徑有17條,并根據(jù)其數(shù)量信息進行Pearson相關性分析。紫色和綠色箭頭分別表示高BPH-YPP雜種的代謝產(chǎn)物水平高或低。來自氨基酸代謝和碳水化合物代謝的調節(jié)途徑的百分比顯示在括號中。氰基氨基酸代謝和丙酸代謝之間的相關性用黑色方框突出顯示。F, 檸檬酸循環(huán)的代謝物水平與氨基酸和碳水化合物代謝的兩條途徑之間的相關性。N=144。

        作者的發(fā)現(xiàn)闡明了水稻雜種優(yōu)勢的代謝組學前景,并強調了途徑生物標志物在實現(xiàn)復雜表型的準確預測中的潛在應用。

        來源:Plant Physiology.The metabolomic landscape of rice heterosis highlights pathway biomarkers for predicting complex phenotypes.Zhiwu Dan, Yunping Chen, Hui Li, Yafei Zeng, Wuwu Xu, Weibo Zhao, Ruifeng He, Wenchao Huang Author Notes

        https://academic.oup.com/plphys/advance-article/doi/10.1093/plphys/kiab273/6298605
        大片精品一区二区三区_亚洲香蕉网久久综合影院小说_欧美精品欧美一级在线观看_免费人成视网站在线不卡
        <strong id="r5ve8"></strong>
        1. <xmp id="r5ve8"></xmp>