长期以来，由于单参考基因组无法全面代表物种的遗传多样性，导致对变异识别不充分、映射偏差，难以准确分析且无法包含所有变异类型。然而，图形泛基因组的出现极大地改善了这一局限，能够更全面地代表物种的遗传多样性，消除参考基因组偏差，并整合所有基因组变异，实现对基因组变异的彻底和准确识别。在这项最新的研究中，科学家们对九个二倍体葡萄样本（包括野生种和栽培品种）进行了精细组装，获得了18个端粒到端粒（T2T）水平的单倍型基因组。研究团队进一步整合新组装和已发表的基因组，成功构建了葡萄图形泛参考基因组（Grapepan v1.0），其总长度达到1.43 Gb，是现有单参考基因组的2.88倍。通过泛基因组，共检测到236,449个可靠的结构变异。这项研究通过构建图形泛基因组，能够更广泛地覆盖并整合葡萄中的遗传变异，为更深层次研究葡萄的遗传基础及育种提供了宝贵资源。

图1 |葡萄T2T基因组组装及泛参考基因组的构建

复杂农艺性状的遗传基础：该研究运用数量遗传学分析，共鉴定出148个与农艺性状显著关联的位点，其中136个基于SNPs数据，12个则基于SVs数据，这些位点覆盖了约5.58%的基因组（图3）。其中26个位点在之前研究中已有报道，如在18号染色体上检测到与无籽性状相关的位点，而剩余的122个位点则为本研究首次发现的全新位点。研究还发现部分性状的QTL候选位点存在一定的关联，如可溶性固形物含量和浆果宽度相关位点邻近，该区域也存在选择性清除现象。此外，基于 XP-EHH 的分析，研究发现不同葡萄群体（酿酒、鲜食、美洲鲜食杂种）之间存在显著分化的区域，这些区域中存在与浆果颜色、果皮涩味、浆果形状、果穗重量、果肉硬度、果实大小和代谢物等相关的多个QTL位点，表明对农艺性状歧化选择促进了酿酒与鲜食葡萄的分化。

为建立遗传变异和表型之间的联系，研究人员利用机器学习方法进行计算多基因评分（PGS）。在植物育种过程中，PGS的应用可以在早期筛选优良基因型，育种者借此能够快速筛选大量育种材料，预测遗传潜力[4, 10]。在本研究中，研究人员利用全基因组选择（GS）方法进行表现预测分析。通过将包含了表型和基因型的数据划分为三个子集：训练集、验证集和测试集（图5）。利用机器学习算法解析基因型与表型数据间的复杂网络关系，运用训练数据集构建GS模型，进一步通过验证集调整模型参数，进行模型优化，最后测试数据集评估最终模型的性能。最终结果表明，结合了结构变异信息以及机器学习模型的PGS评分预测准确率平均超过50%。相较于之前的研究有显著提高，尤其是在浆果长度和可溶性固形物含量等性状。因此利用基因组选择技术进行葡萄遗传改良具有现实可行性，并且具有较大的应用潜力（图6）。通过对比传统杂交育种和基因组选择育种可知，基因组选择育种能够提升4倍的育种效率，极大加速葡萄的育种效率，革新葡萄的育种策略（图7）。基因组选择育种在育种周期，育种规模及育种成本等方面具有较大的优势，能够定向培育高品质葡萄新品种。因此，本研究构建的葡萄全基因组选择育种体系将有效推动葡萄关键农艺性状的高效筛选，加速葡萄新种质的创制，大幅缩短葡萄育种周期，降低育种成本。同时，本研究体系的构建将为我国葡萄育种提供强有力的技术支撑，为实现葡萄分子设计育种提供理论基础，为其它多年生作物的遗传育种提供参考依据。