茄子果頂形狀數據采集方法比較和遺傳分析

耿樹文 張 映劉富中 陳鈺輝 連 勇

（中國農業科學院蔬菜花卉研究所，北京 100081）

茄子（Solanum melongena L．）是我國重要的茄果類蔬菜作物，隨著設施栽培和交通運輸的發展，茄子在我國絕大部分地區已經實現周年供應（田麗敏，2008；連勇 等，2017）。茄子果實外觀形狀是重要的商品性狀，直接影響消費者的購買需求，間接影響其商品價值（王倩 等，2016）。現有的茄子果形性狀研究主要集中在縱徑、橫徑、果形指數上（龐文龍，2008；樂素菊 等，2011；喬軍 等，2011；謝立峰 等，2016；張環宇和李燁，2018）。不同地區的消費習慣對茄子果頂形狀有不同的要求，在長距離跨地區銷售的過程中，圓頂茄子因為具備易于包裝、不易損壞的特點而受到批發商的歡迎。因此，研究茄子的果頂遺傳規律，對減少運輸成本、滿足多樣化的市場需求具有重要意義。

茄子果頂已有的表示方法是通過目測進行象形描述分級（李錫香和朱德蔚，2006），然而目測容易受到個人主觀因素影響，分級標準簡單，數據不精確。Tomato Analyzer軟件可以從二維平面精確測量果實形態和顏色（Hurtado et al.，2010）。本試驗分別使用目測分級法與Tomato Analyzer軟件分析法采集了茄子6世代群體果頂形狀，比較不同方法采集的果頂形狀的數據特點，利用植物數量性狀主基因+多基因模型研究茄子果頂的遺傳規律（蓋鈞鎰 等，2003），以期為茄子新品種選育提供理論依據。

1 材料與方法

1.1 試驗材料

試驗在中國農業科學院蔬菜花卉研究所廊坊高新科技園區試驗基地進行。以圓頂材料Y83為母本P1，尖頂材料J84為父本P2（圖1），進行雜交、回交和自交，獲得6世代遺傳群體：P1、P2、F1、B1（BC1P1）、B2（BC1P2）、F2。2015 年將 6 世代遺傳群體分別定植于春露地、秋大棚。春露地中，兩親本 P1、P2各種植26株，F1種植26株，分離世代B1種植155株，B2種植 208 株，F2種植546株，株距 55 cm，行距65 cm，按照常規栽培方式進行管理。秋大棚中，P1種植25株，P2種植23株，F1種植19株，B1種植57株，B2種植52株，F2種植143株，株距 55 cm，行距65 cm，按照常規栽培方式進行管理。茄子生長達到商品規格時，根據李錫香和朱德蔚（2006）的茄子種質資源描述規范，每株茄子采摘2個形狀正常且正常發育符合試驗要求的對茄，將黑色布當作背景板用相機拍攝整個果實照片，后續處理獲得果頂數據。

圖1 供試茄子父母本

1.2 試驗方法

1.2.1 果頂形狀的分級與測量 目測分級法：茄子種質資源描述規范中將茄子果頂劃分成凹、平、凸3類，本試驗為盡可能覆蓋中間過渡類型，將茄子果頂劃分為圓凹、圓、鈍尖、尖4類，制定目測分級法中的果頂形狀比樣板，對照建立的果頂形狀比樣板，對茄子果頂形狀進行目測分級，相同或相似果頂形狀歸為一類并賦值：1=尖，2=鈍尖，3=圓，4=圓凹（圖2），分類統計分析。

Tomato Analyzer軟件分析法：為了準確表示茄子果頂形狀，特引入Tomato Analyzer軟件分析，首先每株采收2個商品成熟的對茄，于黑色背景板上拍照獲得照片并以300 dpi像素儲存為JPEG或JPG格式，然后將照片分張導入Tomato Analyzer軟件中，導入完成后設置果頂測量選項，將其他性狀選項全部取消以避免數據干擾，設置完成后點擊“Analyzer”選項，完成機器識別分析后點開“Revise”選項，觀察識別頂點是否是正常頂點，如果不是，通過人工對機器識別的果頂點進行微調后重新點擊“Analyzer”選項，獲取準確的果頂數據（圖3），取2個對茄果頂的平均值進行遺傳分析。

1.2.2 遺傳分析方法 采用蓋鈞鎰等（2003）提出的植物數量性狀遺傳體系主基因+多基因混合遺傳模型分離分析方法—P1、F1、P2、B1、B2和F26世代群體聯合分析方法分析目測法和軟件法測得的茄子果頂試驗數據。在基因加性效應的基礎上按照有無顯性效應、完全顯性或部分顯性、正向或負向顯性的原則，建立7類共24個遺傳模型。通過極大似然估計值大小、EM 算法或ECM算法或IECM算法對各世代各成分分布參數的平均數、方差作出估計，根據AIC準則選擇AIC值小的和適合檢驗選擇差異量少的為最終的最適模型，通過最小二乘法估計最適宜模型的相應一階和二階遺傳參數。采用蓋鈞鎰（2000）提出的多世代分離模型軟件對試驗數據進行分析。

圖2 目測法果頂形狀比樣板

圖3 Tomato Analyzer軟件分析果頂形狀

2 結果與分析

2.1 果頂表型分布及變化規律

通過Tomato Analyzer軟件得到果頂數據，春秋兩季2個親本的果頂值都高度一致。春露地中，P1為圓頂，均值143.04，標準偏差7.09，P2為尖頂，均值70.56，標準偏差11.97；秋大棚中，P1為圓頂，均值142.25，標準偏差6.68，P2為尖頂，均值79.97，標準偏差7.71。親本表型典型，穩定。F2群體果頂數值呈連續性分布，個別單株出現超親優勢，除少數果頂大小和親本相當外，其余大部分果頂大小都介于2個親本之間，果頂變化規律呈單峰偏正態分布，表現出數量性狀遺傳特征（圖4）。通過目測分級法得到的果頂數據與軟件分析的結果類似，春露地和秋大棚中，P1為圓凹，級值為4，P2為尖頂，級值為1，F1果頂基本穩定在2即表現為鈍尖，F2群體果頂出現明顯分離，除少數果頂同親本外，其余多數是親本間的過渡性狀，果頂級數分布呈單峰偏態分布（圖5），亦表現出數量性狀遺傳特征。通過以上描述，2種方法都滿足6世代分離試驗條件。

圖4 F2分離群體果頂變化規律（Tomato Analyzer軟件分析）

圖5 F2分離群體果頂變化規律（目測分級）

2.2 最優遺傳模型的選擇

2.2.1 目測法遺傳模型的選擇 以目測分級法測得的 P1、F1、P2、B1、B2和 F2的果頂數據為基礎，運用6世代聯合分析法，用IECM算法得出春露地和秋大棚茄子果頂遺傳模型的AIC值分別為20個和18個（表1）。春露地果頂遺傳模型中，B-1、B-2和E-0的AIC值較小，作為備選的遺傳模型；秋大棚果頂遺傳模型中，B-1、E-0和E-1的AIC值較小，作為備選的遺傳模型。分別對這2組各3個模型進行適合性檢驗，結果表明：春露地B-1、B-2和E-0 3個模型統計量差異顯著個數分別為23、24和20，因此E-0模型即2對加性-顯性-上位性主基因+加性-顯性-上位性多基因混合遺傳模型是春露地果頂的最優模型（表2）；秋大棚B-1、E-0和E-1 3個模型統計量差異顯著個數均為17個，但是B-1模型的AIC值最小，因此B-1模型即2對加性-顯性-上位性主基因控制的遺傳模型是秋大棚果頂的最優模型（表3）。

2.2.2 軟件法遺傳模型的選擇 以軟件分析法測得的P1、F1、P2、B1、B2和F2的果頂數據為基礎，運用6世代聯合分析法，用IECM算法得出茄子果頂的5類共24種遺傳模型的AIC值。春露地果頂遺傳模型中，B-4、B-2和B-1的AIC值較小，視為備選模型；秋大棚果頂遺傳模型中，B-2、D-2和B-1模型的AIC值較小，視為備選模型（表4）。分別對這2組各3個模型進行適合性檢驗，結果表明（表5、6）：春露地的B-1、B-2、B-4模型統計量差異顯著個數分別為6、9、11，因此B-1模型即春露地果頂的最優模型；秋大棚B-1、B-2、D-2模型統計量差異顯著個數分別為0、4、3，因此B-1模型也是秋大棚果頂的最優模型。說明不論在春露地還是秋大棚中茄子果頂的遺傳由2對主基因控制，符合B-1模型即2對加性-顯性-上位性主基因控制的遺傳模型。

表1 春露地和秋大棚遺傳模型的AIC值比較（目測分級）

表2 春露地遺傳模型的適應性檢測（目測分級）

表3 秋大棚遺傳模型的適應性檢測（目測分級）

表4 春露地和秋大棚遺傳模型的AIC值比較（Tomato Analyzer軟件分析）

表5 春露地遺傳模型的適應性檢測（Tomato Analyzer軟件分析）

表6 秋大棚遺傳模型的適應性檢測（Tomato Analyzer軟件分析）

2.3 遺傳參數估計

利用目測法和軟件法分析春露地和秋大棚茬口茄子果頂形狀，根據AIC值比較以及適應性檢測可知，在春露地用目測法，果頂遺傳最優模型為E-0模型；而其他3種情況下的最優模型均為B-1模型，根據各模型的成分參數分別估計出該模型的一階和二階遺傳參數（表7）。從一階參數看，相同茬口推算的主基因一階參數具有相似的規律。在露地茬口目測法和軟件法2個主基因的加性效應值da和db相似，顯性效應值ha和hb小于加性效應，目測法第1主基因和第2主基因的顯性度分別為-0.34和0.33，軟件法第1主基因和第2主基因的顯性度分別為-0.11和0.29，2個主基因都表現為部分顯性但方向不同，在露地中第1主基因以加性效應為主，有部分負向顯性，第2主基因以加性效應為主，為正向部分顯性；目測法和軟件法得到的2個主基因的加性×加性互作值分別為0.750和-2.252，加性×顯性互作值分別為0.250和7.721，顯性×加性互作值分別為-0.253和1.318，顯性×顯性互作值分別為0.257和-0.793，說明2個主基因間存在加性×加性、加性×顯性、顯性×加性、顯性×顯性互作。在大棚茬口，目測法和軟件法第1主基因的加性效應da＞顯性效應ha，以加性效應為主，顯性度分別為0.20和0.14，表現為部分正顯性，第2主基因的加性效應db＜顯性效應hb，顯性度分別為3.16和2.56，表現為正向超顯性，目測法和軟件法得到的2個主基因的加性×加性互作值分別為0.250和-3.133、加性×顯性互作值分別為-1.290和-5.862、顯性×加性互作值分別為0.250和7.292、顯性×顯性互作值分別為-1.310和-13.486，說明2個主基因間存在加性×加性、加性×顯性、顯性×加性、顯性×顯性互作。不同的茬口，主基因的一階遺傳參數規律不同，說明環境對果頂形狀有影響。同一個茬口，不同的果頂形狀采集方法，一階遺傳參數具有相同的規律，說明2個方法都可以作為果頂形狀采集的方法。

表7 茄子果頂形狀的遺傳參數估計

通過分析二階遺傳參數（表7）可知，在B1、B2和F23個分離群體中，主基因遺傳率為48.830%～99.182%。目測法采集的數據中主基因遺傳率較高，為88.685%～99.182%，露地目測法雖然認為存在多基因微效位點，但多基因微效位點的遺傳率很低，主基因占絕對優勢；軟件法采集的數據相對于目測法主基因遺傳率較低，為48.830%～82.240%，其中F2的主基因遺傳率較高。在春露地環境下，主基因遺傳率是48.830%～99.182%；在秋大棚的環境下，主基因遺傳率是63.307%～98.210%，露地環境下遺傳率的變化大于環境條件較穩定的秋大棚，說明環境條件對茄子果頂形狀有一定的影響。

3 結論與討論

茄子的外觀性狀差異很大，不同地區對茄子果形、果色、果萼色和果頂形狀的要求各不相同。茄子果頂作為重要的商品性狀其研究至今仍處于起步階段，因此研究茄子果頂形狀的遺傳規律，為下一步定位、挖掘控制果頂形狀相關的基因，實現對茄子果頂的精準選育，具有十分重要的價值。

合理的茄子果頂測量方法是茄子果頂研究的基石，在大量查閱文獻后，筆者歸納出了2種茄子果頂的測量方法：第1種是目測分級法，即制作對照茄子果頂形狀的比樣板，將采集的茄子果頂拍照后放在電腦界面通過肉眼進行目測分級，相同或相似的茄子果頂形狀歸為一類并按照形狀賦值，分類統計；第2種是Tomato Analyzer軟件分析法，即利用Tomato Analyzer軟件對采集并拍照記錄的果頂圖片進行分析得出相應的果頂數據。2種方法在遺傳規律研究的過程中各有特點，最主要的差異集中在以下3點：第一，24類模型的AIC值的完整性。目測分級法獲取的果頂數據不能計算出全部24個模型的AIC值，而Tomato Analyzer軟件分析法獲取的果頂數據卻可以計算出全部模型的AIC值，更符合遺傳規律；第二，適應性檢測統計量差異顯著的個數。目測法獲取的果頂數據在模型適應性檢測中顯著差異的統計量達到20個以上，而Tomato Analyzer軟件分析法獲取的果頂數據在模型適應性檢測中顯著差異的統計量均在8個以下，更加符合統計學原理。可見Tomato Analyzer軟件分析法獲取的果頂數據更加準確，更具試驗意義。第三，遺傳參數的穩定性。同一群體不同茬口，目測法主基因的二階遺傳參數變化較軟件法更小，同一茬口3個分離群體的主基因遺傳率較軟件法也更穩定和更高。軟件法在24個模型的完整性和適應性檢測統計中表現較好，可能是由于Tomato Analyzer軟件得到的數據是連續的，更加符合統計學原理。軟件法在二階遺傳參數上的主基因遺傳率較低，穩定性較弱，可能是由于采集果頂照片時沒有將果實劈開，部分果頂內凹的形狀沒法體現造成主基因遺傳率不夠穩定和準確。總的來說，目測分級和Tomato Analyzer軟件測量都可以用來分析茄子果頂的遺傳規律，為了取得更為準確的遺傳分析結果，目測法需要將茄子果頂形狀分級更加細致，Tomato Analyzer軟件法在采集照片時要照茄子的縱剖面，以黑色絨布為背景，照片盡量清晰準確。由于目測法依靠人眼進行細化分級，比保證照片質量更難執行，因此，采用Tomato Analyzer軟件法采集果頂形狀進行后續研究更具可行性。

本試驗利用目測法分析春露地茬口茄子果頂形狀的遺傳規律，結果表明：茄子果頂形狀由2對加性-顯性-上位性主基因+加性-顯性-上位性多基因控制；而目測法分析秋大棚茬口，以及軟件法分析春露地和秋大棚茬口都認為茄子果頂形狀由2對加性-顯性-上位性主基因控制。因此可以肯定茄子果頂形狀的遺傳至少受2對加性-顯性-上位性主基因控制。且環境條件對茄子果頂也有一定的影響。在B1、B2和F23個分離群體中，F2群體中主基因遺傳率和穩定性比較高，主基因遺傳率達到72%以上，育種過程中適合在F2進行果頂形狀的選擇。本試驗利用6世代遺傳分析法分析了茄子果頂形狀的遺傳規律，分析和定位茄子果頂形狀的主效基因，開發可用于茄子果頂形狀輔助選擇的分子標記是下一步研究的主要內容（Paris & Kabelka，2009；王瑞 等，2011）。