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境動態變化作出反應的生理特性的綜合景觀。這些創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?；謴凸┧?，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，發現 Qtr.11 在水分恢復中的表達是通過QTL-環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QTL和QTL網絡
