基于MaxEnt模型的青藏高原青稞适生区对气候变化响应的分析

青藏高原对气候变化的响应十分敏感,研究长时间序列气候变化对青藏高原青稞适生区的影响可以为高原农业应对气候变化和优化青稞种植空间格局提供参考。本文以163个青藏高原青稞样点为研究对象,运用ArcGIS软件和最大熵模型(Maximum Entropy Model, MaxEnt)对其进行模拟预测,得到影响青藏高原青稞分布的主要环境因子和气候变化下古气候时期(末次间冰期、末次冰盛期和全新世中期)、当代(1970—2000年)、未来(2021—2100年) SSP126和SSP585两种情景下青稞在青藏高原的分布范围以及空间格局变化。结果表明:1)影响青稞分布的最关键环境因子是年降水量、年平均气温、最干季度平均温度和海拔,当气候处于不稳定和极端干冷化情况下,海拔是控制青稞适生区面积的关键因子。2)从末次间冰期到全新世中期再到当代,青稞适生区面积增大,逐渐扩张到青藏高原东北部的河湟谷地、东南缘的川西地区和藏南谷地的一江两河流域,未来青稞适生区向高原中部和北部扩张,东南部面积缩减。3)在SSP126情景气候变化条件下,青稞适生区质心点向高纬度、高海拔地区移动,并且未来青稞适生区海拔上限增加207 m。结合其他研究可得出,末次冰期到全新世,青稞种植区发生扩张受制于气候暖湿化和人类在高原定居并进行农牧业传播的双重影响;当代到未来,青稞潜在适生区发生扩张可能是由于气候变暖使得种植青稞的海拔上限提高,青稞潜在适生区缩减可能是由于一些气候突变事件导致气温变化幅度超过了青稞发育的最适温度。

基于SSR标记的青藏高原野生大颖草遗传多样性分析

大颖草是分布在青藏高原且适应沙生和高寒环境的一种多年生禾草,对其进行遗传多样性评估是种质资源利用的前提,但目前其在居群水平的遗传多样性仍不清楚。本研究应用SSR标记对4个代表性生境下大颖草居群的55份材料进行了遗传多样性分析。结果表明,4个居群的平均等位基因数、有效等位基因数、香农信息指数和遗传多样性指数分别为1.3750、1.1685、0.1624和0.1042,指示大颖草遗传多样性偏低。4个居群之间的遗传多样性存在差异,其中,GN居群最高,YS居群最低。有70.21%的遗传变异存在于居群内不同个体间,说明居群内变异可以作为遗传多样性主要来源。群体基因流为1.1783,说明居群间存在一定的基因流能有效抑制种群间的遗传分化。UPGMA和群体遗传结构分析结果显示,55份大颖草材料被划分为7个亚群,并与其地理分布具有一定的相关性。本研究初步获得了大颖草居群水平遗传多样性信息,为今后大颖草种质资源的保护及利用提供参考。

利用SNP标记鉴定青稞种质资源

近年来,青稞(Hordeum vulgare var.nudum Hook.f.)育种速度逐步加快,青稞品种的类别和数量日渐增多,形成了丰富的青稞品种资源。然而,在青稞资源的大量引种和品种资源交换过程中,造成了同名异物、同物异名的现象,因而建立高效、准确的青稞品种鉴定技术体系和数据系统迫在眉睫。为基于青稞品种基本信息实现青稞品种的快速和准确鉴定,本研究利用简化基因组(GBS)测序获得的青稞基因组高通量SNP基因分型数据,对314份青稞种质资源进行群体结构分析;根据SNP注释结果,筛选获得位于外显子区的SNP并计算其杂合率和遗传多态性指数;用Genstat的去冗余(IRREDUNDANT)指令通过顺序算法(sequential algorithm)获得能够区分参试青稞种质资源的核心SNP位点组合,并构建DNA指纹图谱,结合参试材料地理来源等基本信息构建青稞品种的分子身份证。结果表明,群体遗传结构分析可将314份参试青稞材料划分为3个类群,类群划分与其材料类型密切相关。从4954个位于外显子区域的高质量SNP位点中筛选出14个多态性高且能完全区分青稞种质资源的SNP位点,称其为核心SNP;由14个核心SNP组成青稞种质资源DNA指纹图谱,同时结合种质资源地理来源等的基本信息进行数字编码,最终构建了每份青稞品种资源由17位数字组成的具有唯一标识的分子身份证,并生成相应的条形码和二维码。本研究构建的青稞种质资源DNA指纹图谱和分子身份证,可为青稞品种真实性和纯度鉴定、种质管理及知识产权保护等提供参考。

基于全基因组SNP高效鉴定燕麦种质资源

为探究鉴别燕麦品种特异性所需SNP标记的最少数量与鉴别效果,以25个生产上大面积推广的栽培燕麦品种为材料,利用燕麦IlluminaInc.iSelect6K微珠芯片进行基因分型,按照具有多态性、最小等位基因频率(MAF)大于0.05、缺失率小于0.50的条件进行筛选,获得2214个高质量的SNP标记。所有SNP标记的平均MAF为0.75,平均多态性信息含量(PIC)为0.28。群体遗传结构分析将25个燕麦品种划分为5个类群。通过去冗余分析,获得8个能够高效鉴别燕麦参试品种的SNP标记。这8个SNP标记的平均MAF为0.62,平均PIC为0.35,表现出丰富的遗传多样性。测序结果显示,所筛选的8个SNP标记具有较好的稳定性和重现性。进一步利用这8个SNP标记构建了25个燕麦栽培品种的SNP指纹图谱,为燕麦栽培品种真实性鉴定和纯度检测提供了可用的标记组合。

青海省青稞主栽品种昆仑14与昆仑15的基因组序列多态性比较

【目的】昆仑14和昆仑15是目前青海省青稞的主栽品种,也是青稞育种工作中重要的骨干亲本。比较昆仑14和昆仑15的基因组序列,为青稞重要性状区间/位点追溯、系谱分析及其二者在分子设计育种方面的利用提供参考。【方法】在田间调查昆仑14和昆仑15的农艺性状和籽粒性状,并进行全基因组重测序(测序深度≥15×)。系统比较2个品种拷贝数变异(CNV)、单核苷酸多态性(SNP)和插入/缺失(InDel)等序列差异。以SNP分布规律为依据,鉴定二者之间的多态性热点区间和序列相似区间。比较分析多态性热点区间和序列相似区间的突变类型。对2个品种的特有CNV变异区间和多态性热点区间内的基因进行富集分析。【结果】除株高和穗下节长度外,二者在其他农艺性状和籽粒性状上存在较高的相似性。与大麦Morex参考基因组相比,2个品种有83 Mb共有CNV变异区间,昆仑14和昆仑15特有的CNV变异区间总长分别为37和38 Mb。昆仑14特有CNV区间内含有564个基因,显著富集在15个GO条目中。昆仑15特有CNV区间内含有519个基因,显著富集在7个GO条目中。在全基因组水平鉴定出昆仑14和昆仑15存在1706 Mb多态性热点区间和2411 Mb序列相似区间。多态性热点区间内含有16768个基因,其功能主要与植物生长发育相关。多态性热点区间和序列相似区间在SNP变异类型、InDel长度分布、突变影响编码功能的比例上差别不大。多态性热点区间和序列相似区间中基因序列上的SNP与InDel变异的类型主要是错义突变,其次是同义突变。【结论】昆仑14和昆仑15的田间表型相似,全基因组水平上,二者之间存在75 Mb的CNV变异区间,差异多态性热点区间主要分布在3H、6H和7H。

不同栽培措施对青海东部山旱地饲用燕麦干草产量的影响

为探讨青海东部山旱地饲用燕麦(Avena sativa L.)的高产栽培措施,以‘加燕2号’燕麦为研究材料,采用4个因素、3个水平的正交试验设计,探讨不同播期、行距、播量、施肥量对其干草产量的影响.结果表明:播期、行距、播量和施肥量对燕麦干草产量均有影响,播期影响最大,在3年试验及3年平均中均达到极显著水平(P<0.01),其次是施肥量和行距(P<0.05),播量对燕麦干草产量的影响相对较小(P>0.05).主成分分析结果表明,播期对燕麦干草产量贡献率最大,其次是播量和施肥量,行距贡献率最小.从各主成分综合得分及排名可以看出,早播处理组合优于晚播处理组合,最优处理组合为处理3(即早播、行距20 cm、播量240 kg/hm^(2)、施肥量150 kg/hm^(2) N_(2)O和300 kg/hm^(2) P_(2)O_(5)),综合得分2.533.处理3和处理1(即早播、行距10 cm、播量120 kg/hm^(2)、施肥量37.5 kg/hm^(2) N2O和75 kg/hm^(2) P_(2)O_(5))的燕麦干草产量始终排在前两位,其3个年度的平均干草产量分别为7942.21 kg/hm^(2)和7321.61 kg/hm^(2),且经多重测验干草产量差异不显著.综合考虑,青海东部山旱地种植饲用燕麦时,以适时早播(4月中上旬)、行距20 cm、播量240 kg/hm^(2)、施肥量150 kg/hm^(2) N_(2)O和300 kg/hm^(2) P_(2)O_(5)为最佳.(表9参26)

大麦HvENOD93基因家族的鉴定及表达特征

早期结瘤素93(ENOD93)蛋白在植物根瘤形成初期扮演着重要的角色.基于大麦基因组信息鉴定大麦ENOD93基因家族成员,分析其理化特性、进化关系、基因结构、蛋白质结构和启动子顺式作用元件;并分析ENOD93家族在不同组织和不同基因型(籽粒大小)的表达情况.结果显示,大麦ENOD93基因家族有16个成员,均含有ENOD93基因家族特有的保守结构域;编码区长度在207-627 bp之间,外显子数量有1-4个,平均2.75个,且大部分位于细胞膜上;进化树结果表明与水稻、小麦和玉米等禾本科植物ENOD93基因的亲缘关系较近;启动子顺式元件主要有植物生长发育响应元件、胁迫响应元件以及激素响应元件;大部分HvENOD93基因在灌浆期籽粒和大粒材料中表达量较高.推测大麦HvENOD93基因在籽粒大小形成中起关键性作用;另外,结合其他物种相关基因研究结果,共筛选出3个同源基因.(图4表2参45)