茄子果顶形状数据采集方法比较和遗传分析

耿树文 张 映刘富中 陈钰辉 连 勇

（中国农业科学院蔬菜花卉研究所，北京 100081）

茄子（Solanum melongena L．）是我国重要的茄果类蔬菜作物，随着设施栽培和交通运输的发展，茄子在我国绝大部分地区已经实现周年供应（田丽敏，2008；连勇 等，2017）。茄子果实外观形状是重要的商品性状，直接影响消费者的购买需求，间接影响其商品价值（王倩 等，2016）。现有的茄子果形性状研究主要集中在纵径、横径、果形指数上（庞文龙，2008；乐素菊 等，2011；乔军 等，2011；谢立峰 等，2016；张环宇和李烨，2018）。不同地区的消费习惯对茄子果顶形状有不同的要求，在长距离跨地区销售的过程中，圆顶茄子因为具备易于包装、不易损坏的特点而受到批发商的欢迎。因此，研究茄子的果顶遗传规律，对减少运输成本、满足多样化的市场需求具有重要意义。

茄子果顶已有的表示方法是通过目测进行象形描述分级（李锡香和朱德蔚，2006），然而目测容易受到个人主观因素影响，分级标准简单，数据不精确。Tomato Analyzer软件可以从二维平面精确测量果实形态和颜色（Hurtado et al.，2010）。本试验分别使用目测分级法与Tomato Analyzer软件分析法采集了茄子6世代群体果顶形状，比较不同方法采集的果顶形状的数据特点，利用植物数量性状主基因+多基因模型研究茄子果顶的遗传规律（盖钧镒 等，2003），以期为茄子新品种选育提供理论依据。

1 材料与方法

1.1 试验材料

试验在中国农业科学院蔬菜花卉研究所廊坊高新科技园区试验基地进行。以圆顶材料Y83为母本P1，尖顶材料J84为父本P2（图1），进行杂交、回交和自交，获得6世代遗传群体：P1、P2、F1、B1（BC1P1）、B2（BC1P2）、F2。2015 年将 6 世代遗传群体分别定植于春露地、秋大棚。春露地中，两亲本 P1、P2各种植26株，F1种植26株，分离世代B1种植155株，B2种植 208 株，F2种植546株，株距 55 cm，行距65 cm，按照常规栽培方式进行管理。秋大棚中，P1种植25株，P2种植23株，F1种植19株，B1种植57株，B2种植52株，F2种植143株，株距 55 cm，行距65 cm，按照常规栽培方式进行管理。茄子生长达到商品规格时，根据李锡香和朱德蔚（2006）的茄子种质资源描述规范，每株茄子采摘2个形状正常且正常发育符合试验要求的对茄，将黑色布当作背景板用相机拍摄整个果实照片，后续处理获得果顶数据。

图1 供试茄子父母本

1.2 试验方法

1.2.1 果顶形状的分级与测量 目测分级法：茄子种质资源描述规范中将茄子果顶划分成凹、平、凸3类，本试验为尽可能覆盖中间过渡类型，将茄子果顶划分为圆凹、圆、钝尖、尖4类，制定目测分级法中的果顶形状比样板，对照建立的果顶形状比样板，对茄子果顶形状进行目测分级，相同或相似果顶形状归为一类并赋值：1=尖，2=钝尖，3=圆，4=圆凹（图2），分类统计分析。

Tomato Analyzer软件分析法：为了准确表示茄子果顶形状，特引入Tomato Analyzer软件分析，首先每株采收2个商品成熟的对茄，于黑色背景板上拍照获得照片并以300 dpi像素储存为JPEG或JPG格式，然后将照片分张导入Tomato Analyzer软件中，导入完成后设置果顶测量选项，将其他性状选项全部取消以避免数据干扰，设置完成后点击“Analyzer”选项，完成机器识别分析后点开“Revise”选项，观察识别顶点是否是正常顶点，如果不是，通过人工对机器识别的果顶点进行微调后重新点击“Analyzer”选项，获取准确的果顶数据（图3），取2个对茄果顶的平均值进行遗传分析。

1.2.2 遗传分析方法 采用盖钧镒等（2003）提出的植物数量性状遗传体系主基因+多基因混合遗传模型分离分析方法—P1、F1、P2、B1、B2和F26世代群体联合分析方法分析目测法和软件法测得的茄子果顶试验数据。在基因加性效应的基础上按照有无显性效应、完全显性或部分显性、正向或负向显性的原则，建立7类共24个遗传模型。通过极大似然估计值大小、EM 算法或ECM算法或IECM算法对各世代各成分分布参数的平均数、方差作出估计，根据AIC准则选择AIC值小的和适合检验选择差异量少的为最终的最适模型，通过最小二乘法估计最适宜模型的相应一阶和二阶遗传参数。采用盖钧镒（2000）提出的多世代分离模型软件对试验数据进行分析。

图2 目测法果顶形状比样板

图3 Tomato Analyzer软件分析果顶形状

2 结果与分析

2.1 果顶表型分布及变化规律

通过Tomato Analyzer软件得到果顶数据，春秋两季2个亲本的果顶值都高度一致。春露地中，P1为圆顶，均值143.04，标准偏差7.09，P2为尖顶，均值70.56，标准偏差11.97；秋大棚中，P1为圆顶，均值142.25，标准偏差6.68，P2为尖顶，均值79.97，标准偏差7.71。亲本表型典型，稳定。F2群体果顶数值呈连续性分布，个别单株出现超亲优势，除少数果顶大小和亲本相当外，其余大部分果顶大小都介于2个亲本之间，果顶变化规律呈单峰偏正态分布，表现出数量性状遗传特征（图4）。通过目测分级法得到的果顶数据与软件分析的结果类似，春露地和秋大棚中，P1为圆凹，级值为4，P2为尖顶，级值为1，F1果顶基本稳定在2即表现为钝尖，F2群体果顶出现明显分离，除少数果顶同亲本外，其余多数是亲本间的过渡性状，果顶级数分布呈单峰偏态分布（图5），亦表现出数量性状遗传特征。通过以上描述，2种方法都满足6世代分离试验条件。

图4 F2分离群体果顶变化规律（Tomato Analyzer软件分析）

图5 F2分离群体果顶变化规律（目测分级）

2.2 最优遗传模型的选择

2.2.1 目测法遗传模型的选择 以目测分级法测得的 P1、F1、P2、B1、B2和 F2的果顶数据为基础，运用6世代联合分析法，用IECM算法得出春露地和秋大棚茄子果顶遗传模型的AIC值分别为20个和18个（表1）。春露地果顶遗传模型中，B-1、B-2和E-0的AIC值较小，作为备选的遗传模型；秋大棚果顶遗传模型中，B-1、E-0和E-1的AIC值较小，作为备选的遗传模型。分别对这2组各3个模型进行适合性检验，结果表明：春露地B-1、B-2和E-0 3个模型统计量差异显著个数分别为23、24和20，因此E-0模型即2对加性-显性-上位性主基因+加性-显性-上位性多基因混合遗传模型是春露地果顶的最优模型（表2）；秋大棚B-1、E-0和E-1 3个模型统计量差异显著个数均为17个，但是B-1模型的AIC值最小，因此B-1模型即2对加性-显性-上位性主基因控制的遗传模型是秋大棚果顶的最优模型（表3）。

2.2.2 软件法遗传模型的选择 以软件分析法测得的P1、F1、P2、B1、B2和F2的果顶数据为基础，运用6世代联合分析法，用IECM算法得出茄子果顶的5类共24种遗传模型的AIC值。春露地果顶遗传模型中，B-4、B-2和B-1的AIC值较小，视为备选模型；秋大棚果顶遗传模型中，B-2、D-2和B-1模型的AIC值较小，视为备选模型（表4）。分别对这2组各3个模型进行适合性检验，结果表明（表5、6）：春露地的B-1、B-2、B-4模型统计量差异显著个数分别为6、9、11，因此B-1模型即春露地果顶的最优模型；秋大棚B-1、B-2、D-2模型统计量差异显著个数分别为0、4、3，因此B-1模型也是秋大棚果顶的最优模型。说明不论在春露地还是秋大棚中茄子果顶的遗传由2对主基因控制，符合B-1模型即2对加性-显性-上位性主基因控制的遗传模型。

表1 春露地和秋大棚遗传模型的AIC值比较（目测分级）

表2 春露地遗传模型的适应性检测（目测分级）

表3 秋大棚遗传模型的适应性检测（目测分级）

表4 春露地和秋大棚遗传模型的AIC值比较（Tomato Analyzer软件分析）

表5 春露地遗传模型的适应性检测（Tomato Analyzer软件分析）

表6 秋大棚遗传模型的适应性检测（Tomato Analyzer软件分析）

2.3 遗传参数估计

利用目测法和软件法分析春露地和秋大棚茬口茄子果顶形状，根据AIC值比较以及适应性检测可知，在春露地用目测法，果顶遗传最优模型为E-0模型；而其他3种情况下的最优模型均为B-1模型，根据各模型的成分参数分别估计出该模型的一阶和二阶遗传参数（表7）。从一阶参数看，相同茬口推算的主基因一阶参数具有相似的规律。在露地茬口目测法和软件法2个主基因的加性效应值da和db相似，显性效应值ha和hb小于加性效应，目测法第1主基因和第2主基因的显性度分别为-0.34和0.33，软件法第1主基因和第2主基因的显性度分别为-0.11和0.29，2个主基因都表现为部分显性但方向不同，在露地中第1主基因以加性效应为主，有部分负向显性，第2主基因以加性效应为主，为正向部分显性；目测法和软件法得到的2个主基因的加性×加性互作值分别为0.750和-2.252，加性×显性互作值分别为0.250和7.721，显性×加性互作值分别为-0.253和1.318，显性×显性互作值分别为0.257和-0.793，说明2个主基因间存在加性×加性、加性×显性、显性×加性、显性×显性互作。在大棚茬口，目测法和软件法第1主基因的加性效应da＞显性效应ha，以加性效应为主，显性度分别为0.20和0.14，表现为部分正显性，第2主基因的加性效应db＜显性效应hb，显性度分别为3.16和2.56，表现为正向超显性，目测法和软件法得到的2个主基因的加性×加性互作值分别为0.250和-3.133、加性×显性互作值分别为-1.290和-5.862、显性×加性互作值分别为0.250和7.292、显性×显性互作值分别为-1.310和-13.486，说明2个主基因间存在加性×加性、加性×显性、显性×加性、显性×显性互作。不同的茬口，主基因的一阶遗传参数规律不同，说明环境对果顶形状有影响。同一个茬口，不同的果顶形状采集方法，一阶遗传参数具有相同的规律，说明2个方法都可以作为果顶形状采集的方法。

表7 茄子果顶形状的遗传参数估计

通过分析二阶遗传参数（表7）可知，在B1、B2和F23个分离群体中，主基因遗传率为48.830%～99.182%。目测法采集的数据中主基因遗传率较高，为88.685%～99.182%，露地目测法虽然认为存在多基因微效位点，但多基因微效位点的遗传率很低，主基因占绝对优势；软件法采集的数据相对于目测法主基因遗传率较低，为48.830%～82.240%，其中F2的主基因遗传率较高。在春露地环境下，主基因遗传率是48.830%～99.182%；在秋大棚的环境下，主基因遗传率是63.307%～98.210%，露地环境下遗传率的变化大于环境条件较稳定的秋大棚，说明环境条件对茄子果顶形状有一定的影响。

3 结论与讨论

茄子的外观性状差异很大，不同地区对茄子果形、果色、果萼色和果顶形状的要求各不相同。茄子果顶作为重要的商品性状其研究至今仍处于起步阶段，因此研究茄子果顶形状的遗传规律，为下一步定位、挖掘控制果顶形状相关的基因，实现对茄子果顶的精准选育，具有十分重要的价值。

合理的茄子果顶测量方法是茄子果顶研究的基石，在大量查阅文献后，笔者归纳出了2种茄子果顶的测量方法：第1种是目测分级法，即制作对照茄子果顶形状的比样板，将采集的茄子果顶拍照后放在电脑界面通过肉眼进行目测分级，相同或相似的茄子果顶形状归为一类并按照形状赋值，分类统计；第2种是Tomato Analyzer软件分析法，即利用Tomato Analyzer软件对采集并拍照记录的果顶图片进行分析得出相应的果顶数据。2种方法在遗传规律研究的过程中各有特点，最主要的差异集中在以下3点：第一，24类模型的AIC值的完整性。目测分级法获取的果顶数据不能计算出全部24个模型的AIC值，而Tomato Analyzer软件分析法获取的果顶数据却可以计算出全部模型的AIC值，更符合遗传规律；第二，适应性检测统计量差异显著的个数。目测法获取的果顶数据在模型适应性检测中显著差异的统计量达到20个以上，而Tomato Analyzer软件分析法获取的果顶数据在模型适应性检测中显著差异的统计量均在8个以下，更加符合统计学原理。可见Tomato Analyzer软件分析法获取的果顶数据更加准确，更具试验意义。第三，遗传参数的稳定性。同一群体不同茬口，目测法主基因的二阶遗传参数变化较软件法更小，同一茬口3个分离群体的主基因遗传率较软件法也更稳定和更高。软件法在24个模型的完整性和适应性检测统计中表现较好，可能是由于Tomato Analyzer软件得到的数据是连续的，更加符合统计学原理。软件法在二阶遗传参数上的主基因遗传率较低，稳定性较弱，可能是由于采集果顶照片时没有将果实劈开，部分果顶内凹的形状没法体现造成主基因遗传率不够稳定和准确。总的来说，目测分级和Tomato Analyzer软件测量都可以用来分析茄子果顶的遗传规律，为了取得更为准确的遗传分析结果，目测法需要将茄子果顶形状分级更加细致，Tomato Analyzer软件法在采集照片时要照茄子的纵剖面，以黑色绒布为背景，照片尽量清晰准确。由于目测法依靠人眼进行细化分级，比保证照片质量更难执行，因此，采用Tomato Analyzer软件法采集果顶形状进行后续研究更具可行性。

本试验利用目测法分析春露地茬口茄子果顶形状的遗传规律，结果表明：茄子果顶形状由2对加性-显性-上位性主基因+加性-显性-上位性多基因控制；而目测法分析秋大棚茬口，以及软件法分析春露地和秋大棚茬口都认为茄子果顶形状由2对加性-显性-上位性主基因控制。因此可以肯定茄子果顶形状的遗传至少受2对加性-显性-上位性主基因控制。且环境条件对茄子果顶也有一定的影响。在B1、B2和F23个分离群体中，F2群体中主基因遗传率和稳定性比较高，主基因遗传率达到72%以上，育种过程中适合在F2进行果顶形状的选择。本试验利用6世代遗传分析法分析了茄子果顶形状的遗传规律，分析和定位茄子果顶形状的主效基因，开发可用于茄子果顶形状辅助选择的分子标记是下一步研究的主要内容（Paris & Kabelka，2009；王瑞 等，2011）。