近年來出現了高通量表型技術。特別是，這些技術可以描述植物對環(huán)境動態(tài)變化作出反應的生理特性的綜合景觀。這些創(chuàng)新以及下一代基因組技術將植物科學帶入了大數據時代。然而，將多方面的生理特征與DNA變異聯系起來的一般框架仍然缺乏。在這里，我們開發(fā)了一個綜合功能生理表型（FPP）和功能定位（FM）的通用框架。這種整合，通過高維統計推理實現，可以幫助我們理解基因型如何轉化為表型。作為方法的示范，我們將番茄導入系群體的蒸騰和土壤-植物-大氣測量納入FPP FM框架，有助于識別介導蒸騰速率時空變化的數量性狀位點（QTL），并測試這些QTL如何控制，通過它們的相互作用網絡，研究了干旱脅迫下的表型可塑性。

圖1.FPP-FM聯合分析原理示意圖

FPP-FM 的第一步是從自然或譜系種群中獲取動態(tài)數量生理特征數據。在這里，所使用的群體是番茄的基因滲入型群體，該群體受到包括正常灌溉、逐步干旱和高通量自動表型系統中的水分恢復的處理方案的影響（圖1）。在整個試驗過程中，隨著脅迫參數的變化，不斷記錄多個干旱響應性狀的表型數據，如植株重量和轉錄率。Halperin 等人已經發(fā)表了對該FPP 過程的詳細描述。為了合理的計算強度，本文以蒸騰速率 (Tr) 為例來說明我們提出的框架如何將動態(tài)表型信息轉化為遺傳知識。在圖 2A-2C 中，顯示了來自五個隨機選擇的 IL 系的蒸騰速率的動態(tài)模式，每三分鐘記錄一次，包括干旱前（圖2A）、干旱脅迫（圖2B）和恢復階段（圖2C)。已知蒸騰速率與干旱脅迫下的產量損失相關。截留水分后，觀察到所有五個品系的蒸騰速率都顯著降低（圖2B），而敏捷性和響應幅度的基因型差異是明顯的。恢復供水后，觀察到恢復模式的顯著基因型差異，然而這與響應缺水的植物行為無關。例如，IL2-1-1系在干旱脅迫下保持最高的蒸騰速率（圖2B），但在重新澆水后其恢復能力較弱（圖 2C）。

圖2. 五種代表性 IL 的蒸騰速率圖形顯示

本文對表型數據實施了勒讓德函數和結構化前依存模型。我們對蒸騰速率的 QTL 基因型平均向量進行建模并近似協方差矩陣的結構，這是將擬合參數整合到功能映射框架中的關鍵步驟。 圖3A展示了在非應激（第 0 天到第 12 天）、干旱應激（第 13 天到第 23 天）和恢復（第 24 天到第 30 天）階段中所有 IL 的歸一化蒸騰速率的平均曲線。它清楚地表明，整體而言在第一階段，蒸騰速率隨著植物的生長而逐漸增加；第二階段，其趨勢轉為逐漸減少；第三階段蒸騰速率迅速增加，在復水后第5天達到最大值，此后逐漸下降。

在將擬合參數納入功能映射后，我們在一個步驟中確定了 7 個大效應 QTL，其閾值低于 p < 3.979*10-6的閾值，通過排列測試（圖 3B）。最顯著的 QTL 位于 11 號染色體（97.30-103.4 cM，Qtr.11 hereafter）。發(fā)現兩個等位基因在該 QTL 上的影響僅在第三階段顯示出主要差異，表明Qtr.11 是一個條件QTL，具體取決于補液的特定治療方案（圖 3C）。 事實上，通過進一步檢驗假設11，發(fā)現 Qtr.11 在水分恢復中的表達是通過QTL-環(huán)境相互作用來影響蒸騰速率（p < 0.01）。

圖3.控制蒸騰速率的動態(tài)QTL和QTL網絡