印度多元环境下洋葱基因型的稳定性与产量表现评估及其对育种策略的启示

《Scientific Reports》：Assessment of stability and yield performance of onion (Allium cepa L.) genotypes across diverse Indian environments

本研究针对印度洋葱生产中因基因型与环境互作(GEI)导致的产量不稳定问题，通过多环境试验(MET)结合GGE双标图和AMMI模型，系统评估了19个洋葱基因型在6个地点的适应性。结果表明，Bhima Dark Red(G18)、RO-1768(G13)和RO-1774(G17)兼具高产稳产特性，Junagadh(E3)为最具代表性的测试环境。该研究为洋葱品种选育和区域化布局提供了科学依据。

　　

洋葱作为印度厨房的"皇后"，不仅是日常饮食的重要组成，更因其富含生物活性成分而具有显著的抗氧化功效。然而印度洋葱生产却面临着严峻挑战——虽然印度已超越中国成为全球最大洋葱生产国，年产量达3021万吨，但产量在不同地区和季节间波动显著。这种不稳定性主要源于基因型与环境间复杂的互作关系(GEI)，使得优良品种在不同生态区的表现难以预测，严重制约了洋葱产业的可持续发展。

为破解这一难题，由Amar Jeet Gupta领衔的研究团队在《Scientific Reports》上发表了最新研究成果。研究人员选取19个具有代表性的洋葱基因型，包括商业品种和优良育种系，在印度6个主要洋葱产区开展连续两个雨季(kharif)的多环境试验。通过综合运用GGE双标图和AMMI模型等先进统计方法，深入剖析基因型适应性规律，为选育广适性洋葱品种提供理论支撑。

研究采用随机完全区组设计(RCBD)，在每个环境设置3次重复。关键分析方法包括：联合方差分析(ANOVA)评估各因素对产量的贡献率；GGE双标图解析基因型表现与环境互作模式；AMMI模型分解主效与互作效应；AMMI稳定性值(ASV)量化基因型稳产性。所有分析均使用R软件的metan和GGE双标图包完成。

3.1 基因型在不同环境中的平均表现

方差分析显示，基因型、环境及其互作均达显著水平(P<0.05)，其中GEI贡献率达47.62%，证实环境条件对基因型排名有决定性影响。基因型平均产量变幅为171.56-243.68 q/ha，RO-1767(G12)最高，RO-1739(G6)最低。值得注意的是，Bhima Dark Red(G18)以240.65 q/ha的产量位居第二，且在不同环境间表现稳定。

3.2 GGE双标图分析

3.2.1 GGE方差分析

基因型与环境互作均达极显著水平(P<0.0001)，说明基因型排名在不同地点存在明显交叉现象，必须通过稳定性分析才能准确评估品种适应性。

3.2.2 基因型在不同环境中的表现GGE双标图分析

前两个主成分(PC1和PC2)累计解释83.86%的变异，有效捕获GEI核心模式。双标图显示G1、G2、G3、G9、G10、G12、G13和G18为高产基因型，其中G18( Bhima Dark Red)在多个环境中表现突出。

3.2.4 环境间关系

环境向量夹角分析显示，E1与E3呈锐角(正相关)，E1与E6呈钝角(负相关)，而E1与E4、E5近似直角(无相关)。这种复杂的环境关系网络解释了为何某些基因型在特定地区表现优异，而在其他地区却不理想。

3.2.5 测试环境的区分能力和代表性

E1( Karnal)和E3( Junagadh)不仅具有最强的基因型区分能力，且与环境平均轴(AEA)夹角最小，表明这两个地点最能代表整体测试环境，是理想品种测试点。

3.2.6 基因型平均产量和稳定性评估

平均环境协调(AEC)视图显示，G18( Bhima Dark Red)、G17( RO-1774)和G13( RO-1768)不仅产量高于平均水平，且偏离稳定性轴最小，实现高产与稳产的理想结合。

3.2.7 基于理想基因型接近度的基因型排序

G18( Bhima Dark Red)最接近理想基因型，其次是G13( RO-1768)和G17( RO-1774)，而G6( RO-1739)等基因型距离最远，适应性差。

3.2.8 基于理想环境接近度的环境排序

E3( Junagadh)最接近理想环境，其次是E1( Karnal)和E4( Pune)，这些地点最适合洋葱栽培和品种测试。

3.2.9 胜出环境分析

"哪胜哪"分析识别出三个潜在大环境：G2( POS23K)在E1胜出，G11( RO-1752)在E6领先，而G18( Bhima Dark Red)在剩余四个环境(E2、E3、E4、E5)均表现最佳，显示出极广适应性。

3.3 AMMI双标图分析

3.3.1 AMMI方差分析

AMMI模型将GEI分解为5个显著主成分，PC1和PC2共同解释85.1%的互作变异，与GGE分析结果高度一致。

3.3.4 AMMI稳定性值(ASV)

根据ASV排名，G15( RO-1771)稳定性最高，其次为G13( RO-1768)和G19( Bhima Super)。结合产量表现，G18( Bhima Dark Red)、G13( RO-1768)和G17( RO-1774)实现高产稳产的最佳平衡。

研究结论强调，Bhima Dark Red(G18)、RO-1768(G13)和RO-1774(G17)三个基因型在产量和稳定性方面表现卓越，特别适合印度雨季栽培。Junagadh(E3)被确定为最具代表性的测试环境，其次为Karnal(E1)和Pune(E4)。这些基因型不仅可直接用于生产，还可作为重要亲本纳入杂交计划，培育更具气候韧性的品种。

该研究的创新之处在于首次系统应用GGE和AMMI模型分析印度洋葱MET数据，明确界定大环境分区和理想测试点。然而作者也指出，仅凭表型数据难以揭示稳定性遗传机制，未来需结合SNP(单核苷酸多态性)或SSR(简单序列重复)标记、QTL(数量性状位点)定位等分子手段，深入解析产量稳定性的遗传基础。这种表型-基因型整合策略将加速标记辅助选择，推动洋葱育种进入精准化时代。