遗传与环境形态的相互作用亚麻荠种子油成分

背景

亚麻荠漂白亚麻纤维卷(黄金的快乐)是一种传统的欧洲油籽作物和新兴的生物燃料，具有高水平的理想脂肪酸。20世纪的种质瓶颈耗尽了作物的遗传多样性，导致最近对利用野生近缘种进行作物改良的兴趣。然而，关于野生种子含油量和遗传多样性的研究却很少亚麻荠物种。

结果

我们使用气相色谱法、环境生态位评价和基因测序分型方法来评估种子脂肪酸组成、环境分布和种群结构c .漂白亚麻纤维卷还有四个同类，主要关注的是这种作物的野生祖先，c . microcarpa。脂肪酸组成差异显著亚麻荠这些物种大多出现在不重叠的环境中。作物祖先由三个遗传亚群组成，它们的脂肪酸组成是离散的。环境、亚种群和种群与环境的相互作用都是这些野生种群中种子油含量的重要预测因子。采用互补生长室实验c .漂白亚麻纤维卷证实了生长条件对油脂含量和脂肪酸组成有显著影响亚麻荠．

结论

遗传，环境条件和基因型与环境的相互作用都有助于脂肪酸的变化亚麻荠物种。这些见解表明，精心育种可能会克服在气候变暖时预测的油籽作物中不利的FA成分。

亚麻荠漂白亚麻纤维卷(l)克兰茨是欧洲历史上重要的油籽作物，最近作为潜在的生物燃料来源而受到关注[1，2，3.，4]及生产高价值分子的工厂[5，6，7，8，9］．该物种的高籽油含量(28-43%)及其有利的脂肪酸(FA)组成备受关注，其中包括高水平的omega-3 FA [10，11]和适用于航空生物燃料的长链FAs [4］．然而,现代c .漂白亚麻纤维卷品种的特点是遗传多样性低[12，13，14，这阻碍了作物的选择性育种计划。这种变异的缺乏可能反映了发生在二十世纪后半叶的品种多样性的重大损失，如c .漂白亚麻纤维卷整个欧洲基本上都放弃了种植，转而种植产量更高的油菜。了解种子油的遗传多样性和组成c .漂白亚麻纤维卷的因此，繁殖相容的野生亲缘在利用遗传资源改良作物方面是有价值的。

一个allohexaploid,c .漂白亚麻纤维卷人类的基因组是两个二倍体祖先物种杂交和基因组复制的产物，c . neglectaJ. Brock等人c . hispida杜波依斯(15，16］．基因组学和细胞学证据表明，这种异源多倍体化事件发生在c .漂白亚麻纤维卷它是由其野生祖先六倍体物种驯化而来c . microcarpaAndrz。按DC计算[16，17］．具有相似的基因组大小和充分证明的互育性[18，19]，交叉c . microcarpa而且c .漂白亚麻纤维卷可以增加作物的遗传多样性，并引入性状进行农艺改良。亚麻荠microcarpa据估计，它的遗传多样性大约是c .漂白亚麻纤维卷［17]，这进一步表明这种野生物种可能对育种项目有价值。然而，人们对此知之甚少c . microcarpa以及它在农业改良方面的潜力，特别是在种子油成分方面。除了c . microcarpa的其他近亲c .漂白亚麻纤维卷包括四倍体物种c . rumelicaVelen。,the diploid species,c . hispida，c . laxaC. A. Mey，和c . neglecta．本属共有约7-8种[15，20.］．过去还发现了另外几个种级实体，通常是基于微小的形态差异(见历史概述:[21，22];也参见[17]，以及其中的参考文献)，一些作者继续认识到许多狭义的物种(例如，[23])。

脂肪酸是80%开花植物的主要种子能量来源[24］．对模型系统的研究已经确定，遗传和环境因素都在决定种子中它们的组成和总含量方面发挥作用。在玉米中，一项全基因组关联研究(GWAS)已经证明，玉米籽粒油含量和FA组成的变化部分是由参与油生物合成的酶控制的[25］．同样，在大豆中，提高含油量选择的驯化相关基因组标记与含油量qtl和含有FA生物合成基因的基因组区域重叠[26］．在拟南芥中，GWAS分析确定了脂肪酸去饱和酶基因FAD2促进种子FA组成的自然变异[27］．环境对FA合成影响的证据已在使用的控制生长实验中记录拟南芥(l)Heynh。以及几种油籽作物物种，它们在种子产油过程中表现出依赖温度的塑料反应[28，29，30.］．与这些发现一致的是，实地试验c .漂白亚麻纤维卷多年培育的基因型揭示了环境对种子FA组成和含油量的影响[31］．

来自野生物种的证据也表明，种子FA成分的变化可能在当地气候适应中发挥作用。一般来说，高纬度和较冷的气候与种子中FA饱和度降低有关;在鼠尾草，向日葵而且拟南芥［27，30.，32，33］．不饱和脂肪酸的熔点比饱和脂肪酸低，虽然能量密度较低，但在较冷的气候条件下，不饱和脂肪酸可能比饱和脂肪酸更容易代谢。因此，与气候相关的FA变化被认为反映了饱和FA(高能，但在较冷的气候中不容易代谢)和较低熔点的不饱和FA(能量较低，但更适合较冷的萌发条件)之间的适应性权衡[33］．在种内，种群间种子FA含量的变化可能潜在地反映了在异质环境中的适应性表型可塑性，和/或构成当地气候适应基础的遗传因素。的特殊情况亚麻荠在美国，野生种群表现出与气候相关的FA变化的程度尚未得到研究，也不知道这种变化(如果存在)是归因于遗传因素还是环境因素。

本研究的目的是评估环境和遗传因素对小麦种子FA组成和含量的影响亚麻荠物种。利用野生群体抽样和表型和遗传评估相结合的方法，我们解决了以下问题:1)种子FA组成是否不同亚麻荠物种，以及这种变化在多大程度上与它们发生的地区的环境差异有关?2)对于地理分布广泛的作物祖先种，c . microcarpa，纬度、海拔、当地气候和/或遗传子结构是种子FA组成的重要预测因子吗?3)对于其驯化衍生物，环境本身在多大程度上能引起种子FA成分的可塑性?为了解决这些问题，我们分析了野生成熟种子的FA组成亚麻荠种，种群结构c . microcarpa，进行了生长室实验c .漂白亚麻纤维卷以确定种子FA组成和总含油量的表型可塑性程度。

不同野生植物的种子油成分不同亚麻荠物种

总含油量变化很大亚麻荠种子样品(19.01 ~ 41.91%)。驯化品种的平均种子含油量最高，c .漂白亚麻纤维卷(37.41%±3.69)，最低c . laxa(31.63%±3.64);然而，经过多次比较校正后，唯一显著的差异是c .漂白亚麻纤维卷而且c . microcarpa(LMMp= 0.007)和之间c .漂白亚麻纤维卷而且c . hispida(LMMp= 0.042)1)．对于FA的组成，几种FA在不同物种之间差异很大(图2)。1)，如二十碳烯酸(20:1)，其含量较高c . rumelica相对于所有其他物种。芥酸(22:1)在各种间的相对差异最大c . microcarpa最高的为2.66%±0.51c . laxa种子油含量最低，为0.74%±0.03。

我们使用随机森林分析来评估种子FA组成作为一个整体是否可以用来区分物种，并确定最重要的FA来区分它们。值得注意的是，我们的最佳随机森林模型仅基于FA成分就能预测90.8%的物种标签，kappa为0.825，表明具有很强的预测能力[34］．最佳模型中信息最丰富的两种FAs分别为芥酸(22:1，平均准确度下降119.06)和二十烯酸(20:1，平均准确度下降115.45)(补充图)S1a).虽然随机森林设计是不平衡的，因为过多的c . microcarpa对于观测较少的物种，观测精度较高;唯一的例外是作物种类c .漂白亚麻纤维卷它与它的野生祖先并没有一贯的区别，c . microcarpa(补充图S2)．这些结果表明，虽然FA的组成在表面上表现出相似的跨亚麻荠物种(图。1)，尽管如此，使用随机森林模型，它们还是很容易在物种之间进行区分。

亚麻荠物种生长在不同的环境中

亚麻荠在本研究中使用的品种起源于广泛的地理背景，包括高加索(土耳其东部、格鲁吉亚和亚美尼亚)、乌克兰和美国落基山脉东部(在那里)亚麻荠物种作为引进杂草出现)。环境生态位分析揭示了野生环境的显著差异亚麻荠发现的品种(F= 6.387,p< 0.001)。进一步的分析显示，大多数成对物种的比较也有显著差异(表2；参见补充图S3)．在种内水平上，我们发现不同地理区域之间的环境存在显著差异c . microcarpa（F= 20.144,p< 0.001)。这一发现表明，这个物种在地理上不同的种群可能有独特的环境生态位(另见补充图)S3)．总之，这些结果表明亚麻荠物种在很大程度上占据着不同的气候生态位，对于具有广泛种群采样的单一物种来说，该物种活动范围的地理区域在环境上也可能不同。

人口结构c . microcarpa

从admix中获得的交叉验证分数在K = 2 (CV误差= 0.2548)和K = 3 (CV误差= 0.2553)时最低，表明这是两个最优的K值。在K = 2时，在原生范围内的种群分为两个不同的亚种群，主要对应于高加索(土耳其东部，格鲁吉亚，亚美尼亚)和乌克兰;大多数引进的美国人属于乌克兰人，尽管有几个人属于高加索人(补充图)S4)．在K = 3时，乌克兰的藏品进一步分为两个亚组，主要对应于该国的北部和南部地区，美国的藏品主要落在乌克兰北部亚组(补充表)S1)．K = 3时的统计模型显示AICc较K = 2时低;因此，K = 3提供了更强的模型拟合，并被选择用于后续分析(图。2)．高加索遗传亚群与乌克兰北部和南部亚群均表现出较高的遗传分化_圣分别= 0.303和0.314)，而两个乌克兰亚组之间的差异要小得多(F_圣= 0.042)。

遗传数据的主成分分析(PCA)结果与admix结果高度一致(补充图S5)．高加索人和两个乌克兰人明显有明显的集群，美国人的种群与乌克兰北部和高加索人的种群集中在一起。第一主成分(PC1)占总变异的65.2%，将高加索亚群与乌克兰亚群区分开来。第二主成分(PC2)仅占总变异的3.5%，并将乌克兰北部和南部的基因型分开。这些簇分离模式与F_圣在admix分析中测量。

人口与环境的相互作用形成c . microcarpa石油特征

三种脂肪酸组成c . microcarpa遗传亚群大致相似。尽管如此，与其他地区相比，乌克兰北部人口表现出明显的FA特征(补充图)S6)，随机森林分析能够仅根据FA组成对这三个种群进行分类，准确率为72.6% (kappa = 0.532)，为这三个群体之间独特的整体FA组成提供了一些支持(补充图S1b).可区分的FA组成c . microcarpa种群间观察到的FA差异可能存在遗传因素。

我们试图确定种群结构和环境条件是否相互作用影响FA组成c . microcarpa．为了考虑环境测量之间的共线性，使用每个加入的当地气候的所有19个BioClim变量生成了一个主成分分析(补充图)S7)．在我们的模型中，我们使用PC1和PC2作为变量，这两个变量加起来占环境变化的73%。PC1值越大，年/日温差、最暖月份最高气温、温度季节性和等温性增大，而PC1值越低，降水量越大。另一方面，PC2的值几乎完全由年平均温度等各种温度测量所驱动(补充图S7)．

线性混合模型(LMM)揭示了种群特征与这些气候pc之间的相互作用，这是FA测量的重要预测因子。数字3.显示重要的预测因子及其对响应变量的影响大小。此外，稳健回归显示总体模式不受异常值的影响(补充表S3)，方差膨胀因子的计算表明，各预测因子之间不存在多重共线性。PC1与群体身份的相互作用是单不饱和脂肪酸(MUFAs)、多不饱和脂肪酸(PUFAs)和总油的重要预测因子，PC2与群体身份的相互作用是MUFAs和PUFAs的重要预测因子。种群特征和气候pc单独也是许多性状的重要预测因子，而不依赖于它们的相互作用。饱和脂肪酸(SFAs)是唯一一组不包括人群-环境相互作用的脂肪酸;然而，在我们的模式中，气候(PC1)确实影响了sfa。因此，较大的PC1值(与较高的月最高温度和季节性测量相关)导致sfa增加;这为温暖气候下的植物增加种子SFA含量的假设提供了一定的支持，这可能会提高温暖气候下的萌发效率[33］．在所有FA测量中，遗传群体被发现是一个重要的预测因子6次，环境是2次，遗传群体-环境相互作用是6次。这些结果表明，遗传、环境及其相互作用对土壤中FA的积累都有重要影响c . microcarpa种子(图。3.)．相比之下，纬度和海拔是没有信息的。

对于总含油量，线性混合模型和稳健回归分析均表明，SFAs和MUFAs均与总含油量呈负相关，而PUFAs与总含油量呈正相关(图2)。3.，补充表S3)．种子圆度被用作植物健康和非生物胁迫的代理，仅在SFA模型中具有信息性，这表明圆形越小的种子具有更高的SFA。与油成分LMMs一样，纬度和海拔是无信息变量，不能改善模型对总油含量的拟合。

温度引起种子油性状的可塑性和GxE相互作用

利用作物品种，c .漂白亚麻纤维卷，作为实验模型，我们发现在冷(12°C)和温(30°C)生长室处理之间，种子油的发育具有高度塑性响应。FA组成在处理之间的每一次加入中变化很大(补充图S8)．混合模型显示，温处理时PUFAs和总油量减少，而SFAs增加(图2)。4，补充表S2，p< 0.000001)，而MUFAs在暖温处理中略有显著增加(p= 0.075)。冬季基因型PI 650155的环境可塑性最低，冷处理总油量较温处理增加了37.1%，而春季基因型Suneson和PI 652885的总油量在冷处理中分别增加了77.4和89.9%S4)．综上所述，这些数据提供了强有力的证据，证明FA成分和含油量都具有环境塑料特性c .漂白亚麻纤维卷，特别是在生长温度方面，并且存在强烈的GxE效应。

了解环境和遗传因素的影响亚麻荠种子FA组成是未来植物育种和农业的必要的第一步，也可以揭示野生物种的局部环境适应机制。我们研究了这些因素在形成FA组成和含量中的作用。野生亚麻荠这些物种有独特的FA分布，并主要分布在不同的环境中(图2)。1、表2，补充数字。S2而且S3)．对于作物的野生祖先，c . microcarpa，发现了3个遗传亚群，分别对应于该属原生范围内的不同地理区域(图;2，补充图S5)．本地环境和亚种群特征c . microcarpa研究发现，不同的品种会影响种子FA的组成，包括基因型与环境的相互作用(图2)。3.)．在作物品种中，当控制遗传背景时，我们发现单是温度就会引起种子FA组成和含油量的巨大变化(图2)。4)．从这些观察中，我们可以得出结论，环境、遗传和基因型-环境相互作用都在决定该属种子FA组成中起着重要作用，揭示了决定种子油特性的复杂途径。下面我们将在FA变化的背景下讨论这些发现亚麻荠环境中的物种及其对油籽农业的潜在影响。

亚麻荠不同物种的种子油成分有独特的差异

表征与农业相关的FAs的自然变异，如抗营养芥酸(22:1)，对作物发展具有重要意义。而FA成分之间亚麻荠本文研究的物种表面上相似(图;1)，根据随机森林模型的FA组成，几乎可以很容易地区分所有物种(补充图S2)．主要的例外是家养物种c .漂白亚麻纤维卷以及它的野生祖先c . microcarpa这很可能是由于这两个物种之间非常密切的进化关系。在作物和其祖先之间，FA成分缺乏分化，这进一步表明FA成分不是选择的主要目标c .漂白亚麻纤维卷驯化。与成分相比，作物物种的总油分含量与野生祖先(LMM，p= 0.007)，与驯化过程中增加种子含油量的选择相一致。在种子作物驯化过程中，这种对含油量而不是成分的选择模式也在一些驯化物种中观察到，这些物种相对于它们的前驯化物种，包括鹰嘴豆(中投公司)、大豆(甘氨酸)、草豌豆(Lathyrus)、普通豆(菜豆)和豌豆(Pisum) [35］．

随机森林分析显示芥酸的变化(22:1)是最具信息的FA区分亚麻荠物种;在种内水平上，棕榈油酸(16:1)是区分遗传分化亚居群的最有效信息c . microcarpa，尽管由于其丰度较低，16:0和22:1可能更具有生物学意义(补充图S1b).像这样的脂肪酸，在内部进化分化的群体之间存在显著差异亚麻荠，值得进一步研究。了解这一变异的遗传基础，可为在植物中建立更理想的FA剖面提供重要途径c .漂白亚麻纤维卷可能还有其他油籽作物品种。

的地理和气候分布亚麻荠物种

虽然在采样的环境中有相当大的重叠亚麻荠物种发生(补充图S5)，我们的数据证明，该属的一些成员之间存在可检测到的环境差异(表2)．例如,c . hispida而且c . rumelica存在于相似的环境中，但发生在与所有其他物种显著不同的环境中(表2)．原则上，这些模式可能表明了这些物种所处气候的适应性差异[33];未来的人口水平实验将需要验证这一假设。

虽然我们的研究样本提供了广泛的代表性亚麻荠物种多样性，它不包括一个现存物种，c . neglecta，因为没有野生种群样本。这个新描述的物种在法国的一些收藏中为人所知[15］．先前的研究已经报道了一种独特的种子FA组成和极高的芥酸含量c . neglecta在受控环境中生长时[36］．额外的采样和特性c . neglecta种群可能为作物改良提供一个有希望的途径，因为最近的研究发现了多达两个亚基因组c .漂白亚麻纤维卷从…推导c . neglecta或近亲[16，37］．这种六倍体作物的重新合成可能被证明是可能的，就像芸苔属和‘U三角’的情况一样[38]，从而增加作物的自然多样性和农艺性状，以改良作物[15］．

亚麻荠microcarpa种群分化与分类学同一性

基于全基因组SNPs的群体结构分析揭示了三种不同的遗传亚群体c . microcarpa(无花果。2c)，高加索人口占主导地位，显示出与乌克兰北部和南部人口的高度分化(F_圣> 0.30的两两比较)。高加索人口和两个乌克兰人口之间缺乏混合(图。2a,b)，尽管基因型有时发生在很近的地方(例如，在引入的美国地区)，但可能表明这些种群的差异足够大，以至于进化出了防止混合的生殖隔离屏障。因此，交叉实验对于确定它们是否在基因上相容是有价值的。

我们检测的基因子结构c . microcarpa也可能对目前分类学上的歧义有影响c .漂白亚麻纤维卷以及它的同类。亚麻荠microcarpa由奥古斯丁·皮拉摩斯·德·坎德尔正式描述[39基于Antoni Andrzejowski在乌克兰西部和/或西部中部(波迪利亚/波多利亚地区)收集的标本。这个物种暂时被Andrzejowski命名为c . microcarpaAndrz。，but the name was not properly published before its validation by de Candolle in 1821. Thus, in our opinion, the type of the namec . microcarpa尚未有适当的命名，因为科及以下级别的植物名称的应用需要命名类型(第II原则和第7.1条藻类、真菌和植物的国际命名规则（ICN):40])。如果我们在乌克兰和高加索亚群之间观察到的缺乏混合反映了生殖隔离障碍，那么两个群体中的一个可能需要单独的物种指定。鉴于高加索亚群体与该作物物种的密切关系，这可能对该作物野生祖先物种的分类学身份具有重要意义。正确的类型命名将在单独的命名说明(Mosyakin & Brock，准备中)中详细讨论。

最近一项关于亚麻荠在欧亚大陆广泛采样的sp .揭示了几个ETS序列核型c . microcarpa主要分为欧洲的西部核型和亚洲的东部核型[41］．然而，这项研究没有包括来自土耳其、格鲁吉亚或亚美尼亚的样本，我们的高加索人居住在这些地方c . microcarpa主要是发现的。因此，目前尚不清楚我们的研究是否遗漏了一个在亚洲发现的额外亚群体，或者我们的高加索人群是否与亚洲“东方”核型群体代表相同的人群。另一项关于野生动物的最新研究亚麻荠物种还发现了c . microcarpa在基因上与其他人种不同的人种c . microcarpa而且c .漂白亚麻纤维卷登记入册;然而，在这种情况下，地理取样表明，不同的遗传群体对应于目前研究中确定的乌克兰人口。

有趣的是，在美国引入的人群包括至少两个亚人群的代表(高加索，乌克兰北部)(图。2a、c)。这些数据首次提供了多次引入事件的证据c . microcarpa在加拿大，最近一项关于野生大麻的调查亚麻荠《物种》杂志发现了一些形态相似的个体c . microcarpa但根据流式细胞术和染色体计数发现它们是四倍体[42］．使用流式细胞仪，我们测试了12个随机样本的我们的c . microcarpa从落基山脉东部收集的标本来确定是否有四倍体。所有基因组大小测量均符合六倍体(补充表S1)．因此，我们的结果没有提供证据的多倍性状态c . microcarpa他们排除了倍性变异可能导致本文报道的不同遗传分化和FA组成的可能性。

基因型和环境共同影响野生居群油脂性状

本研究为温度和降水等环境变量对油料种子作物FA组成和含量的影响提供了依据。在我们的模型中，PC1(代表最温暖月份的最高温度和年度温度范围)的大值显著增加了饱和FAs (SFAs)，并降低了含油量(图2)。3.)．这些发现与温暖的温度导致SFA水平升高的观点一致[33］．与这一模式一致的是，先前的研究还揭示了低温下亚麻、油菜籽和向日葵中不饱和脂肪酸的增加[28，43，44］．一项研究c .漂白亚麻纤维卷结果表明，高温降低了籽粒总油含量和PUFAs，高降水提高了籽粒含油量和PUFAs [45］．然而，在我们的模型中，环境预测因子的这些主要影响也受到MUFAs、PUFAs和总油的种群身份相互作用的强烈影响;这表明，种群可能会进化出不同的适应气候的方式。在考虑了环境和种群之间的相互作用后，我们确定了亚种群间FA测量的表型差异，与我们的随机森林模型一致c . microcarpa．与乌克兰北部人群相比，高加索和乌克兰南部人群表现出较低的SFAs，较高的PUFAs和总石油含量(图2)。3.)．应该进行公共花园，以更确切地评估当地的适应是否是造成这些差异的原因。

我们研究的一个有趣结果是，环境变量在遗传群体之间对同一性状的影响程度不同(图中PCxSubpopulation相互作用)。3.)．除sfa外，所有FA响应变量均产生至少一种基因型-环境相互作用。以前的研究没有发现栽培FA组成的显著基因型-环境相互作用c .漂白亚麻纤维卷［31];但在栽培中遗传多样性较低c .漂白亚麻纤维卷［12，13，14可能是导致这些结果的原因。因此，目前尚不清楚这里所描述的基因型-环境相互作用是否是独特的c . microcarpa或者也可能存在于c .漂白亚麻纤维卷．将环境从种子油成分的遗传成分中分离出来的能力允许对种群进行识别，这对于基于渐渗入的生物燃料改进方法可能是可取的c .漂白亚麻纤维卷值得进一步研究。最后，乌克兰北部种群似乎分布广泛，因为它发生在整个美国和乌克兰范围内，由于其独特的基因型-环境相互作用和FA组成(低芥酸和高总油，见补充图)，可能是基于渐进式方法进行作物改良的良好候选种群S6)．

所有模型均未显示纬度或海拔对籽油性状的影响。这些发现与其他系统的观察结果相矛盾，例如向日葵而且拟南芥［30.，33]，其中FA的组成随纬度而变化。与之前关于种子油成分局部适应性的假设相关，我们没有看到这方面的直接证据c . microcarpa．一种可能的解释是更广泛的气候和地理采样向日葵spp。33]，这可能揭示了我们在研究中没有发现的更粗略的纬度模式。纬度、海拔等粗略的气候指标只能代表实际的环境因素;因此，我们提倡使用分辨率更高的气候数据，例如Bioclim提供的数据[46］．

亚麻荠种子油成分对温度的反应具有可塑性

先前的研究表明，高温对种子油脂含量和成分有不利影响[28，29，43，44］．这可能是由于种子成熟时间缩短，除了降低高温下的去饱和效率外，还阻止了发育中的种子继续进行脂质生物合成[29，43］．实地试验c .漂白亚麻纤维卷先前有报道称，相对于温暖的气候，温和气候中的多不饱和α-亚麻酸增加[47，48］．我们的生长实验c .漂白亚麻纤维卷在两种温度(12°C和30°C)下栽培，种子含油量和FA组成的环境可塑性得到了强有力的支持，这与以往的研究一致。在温暖的条件下，线条c .漂白亚麻纤维卷显示出PUFAs和总籽油的显著减少，而相对于冷的SFAs水平显著升高(图。4)．此外，在温暖条件下，植物的omega-3， α-亚麻酸(18:3)水平降低，芥酸(22:1)水平增加(补充图)S8)．表型可塑性观察c .漂白亚麻纤维卷本文报道的种子FA组成和含油量也与生长试验中观察到的基本一致拟南芥在10℃和30℃下进行[29]，除16:0、18:2和22:1外，对高温的响应相反c .漂白亚麻纤维卷相对于答:芥．最后，升高水平为18:1 inc .漂白亚麻纤维卷在高温下生长(补充图S8)表明脂质生物合成可能效率低下或过早停止，因为18:1是已知的FA去饱和和伸长的底物[49］．因此，温度本身在FA组成和含油量中引起了塑料反应c .漂白亚麻纤维卷．值得注意的是，这些见解表明，气候变化导致的气温上升可能对作物的种植造成不利影响c .漂白亚麻纤维卷而其他油籽作物则通过降低有利油分组成而降低油分产量。

我们的研究表明亚麻荠物种通常占据特定的环境生态位，在物种和种群水平上，FA组成在遗传分化的群体中是可区分的。在c . microcarpa环境因素和遗传背景均对FA组成和总含油量起影响作用，且存在多种基因型-环境相互作用。当控制遗传背景时，单独的温度被证明会引起FAs的巨大表型变化。因此，目前的研究支持这样的信条:环境和遗传共同决定了复杂的表型，而且种群通过基因型-环境相互作用对环境条件做出不同的反应。考虑到广泛的地理分布c . microcarpa我们认为，通过对这一野生预驯化动物的进一步研究，可以发现通过遗传变异对农业改良有帮助c .漂白亚麻纤维卷．传统的基于形态的分类学应与分子和实验方法以及更广泛的地理抽样相结合，以更好地理解植物的地理格局、种群结构、遗传关系和次种分类学c .漂白亚麻纤维卷而且c . microcarpa物种复杂。进一步探讨了环境因素对种子油品质的影响亚麻荠这可能有助于未来研究种籽油的生态功能，以及气候变化如何影响野生植物种群。

样本集合

在野生动物的环境和地理范围内广泛取样亚麻荠成熟种子由J. Brock在土耳其(2012、2013、2014)、亚美尼亚(2013)、格鲁吉亚(2013)、乌克兰(2017)和美国(2018)的田间收集(补充表)S1)．物种测定采用[17]和其他测定由J. Brock在Ihsan Al-Shehbaz(密苏里植物园)的协助下进行，并将代表凭证存放在MO和ARIZ。所有植物材料的收集都符合机构和国际准则。来自土耳其、亚美尼亚和格鲁吉亚的样本曾在[17]和收集工作是与Haceteppe大学(土耳其)、亚美尼亚国家科学院和格鲁吉亚科学院合作进行的。收集到的所有分类群都不是受管制的杂草，没有列入国际自然保护联盟的受威胁物种红色名录(IUCN)或区域红色名录，也不受《濒危野生动植物种国际贸易公约》(CITES)的保护。

收藏集中在c .漂白亚麻纤维卷的野生祖先(c . microcarpa)及三种近亲的野生物种(c . rumelica，c . hispida而且c . laxa)．土耳其和高加索地区可能是欧洲多样化的中心亚麻荠除了新描述的物种，所有现存物种都可以在这里找到c . neglecta［15］．所有c . rumelica，c . hispida,c . laxa本研究中使用的材料都是在该地区发现的。在地理上分布广泛的杂草种类，c . microcarpa在更广泛的地理区域，包括土耳其东部、格鲁吉亚、亚美尼亚和乌克兰，以及美国西部，它是一种引进杂草。采样范围还包括历史地区c .漂白亚麻纤维卷种植，特别是在乌克兰，尽管只有一个c .漂白亚麻纤维卷附加(JRB 153，来自土耳其)被发现生长在农业环境之外;所有其他的c .漂白亚麻纤维卷品种(JRB 179、180、181、188和190)是从乌克兰农村家庭农场收集的，在那里它作为一种油籽作物进行了小规模种植。除了这些乌克兰作物之外，所有用于分析的其他品种都是野生或杂草。收集样本不需要任何权限。每次加入时收集GPS坐标和成熟种子，并使用ArcMap v.10.6 (ESRI, Redlands, CA, USA)和World Topo底图绘制收集地点的地理位置:https://www.arcgis.com/home/．新发现的物种c . neglecta是唯一现存的吗亚麻荠由于野外收集无法获得，因此未对研究进行采样的物种。

脂肪酸表型分析

测定了89种野外采集的种子FAs的相对丰度和组成亚麻荠收录(包括57份)c . microcarpa， 6c .漂白亚麻纤维卷, 17c . rumelica， 6c . hispida，和3c . laxa)．采用脂肪酸甲酯(FAME)提取方案进行测定，该提取方案稍经Augustin等人修改。[5种子样本每次称重三次(每次重复3-15 mg种子)。每个重复分别加入有螺旋盖的玻璃管中，在加入500 μL甲苯之前，用1.5 mL 2.5%的甲醇硫酸玻璃搅拌棒研磨。内部标准品(50 μg mg⁻¹triheptadecanoin)添加到每个样品中，然后在95°C孵育50 min。样品冷却至室温，加入1 mL己烷和1 mL 1 M NaCl，快速混合。样品在1500 rpm下离心5分钟，得到的己烷层转移到玻璃自动采样瓶中。FAME分析采用气相色谱法(GC- fid)，采用Agilent HP-INNOwax色谱柱(30 m × 250 μm × 0.25 μm)，在Thermoquest Trace Ultra气相色谱系统上进行。气相色谱条件如下:60°C 1 min，以40°C min的速率增加到185°C⁻¹，以5°C min的速率增加到235°C⁻¹然后保持5分钟。FAME物种通过与已知标准相比的保留时间来识别，FA相对丰度由单个峰面积除以所有峰总面积来确定(补充表S1)．总FAME丰度相对于triheptadecanoin内标进行量化，以估计总种子油含量。除JRB_275外，所有加入的FA值都基于所有三个技术重复，其中一个重复由于仪器峰值集成误差而被排除。

随机森林分析[50]用randomForest在R中，确定种子FA组成是否可以用来预测物种，并确定FA的主要预测因子。脂肪酸组成由种子油中12种脂肪酸的相对丰度来确定。随机森林算法用总FA剖面的子集绘制数据的子样本，并生成用于预测的决策树。这个过程是引导生成一个比单个决策树具有更好预测能力的模型。FA组成数据的子集(总数的70%)被用作创建5000棵树的训练集。数据被划分为训练数据集和测试数据集，因此模型必须预测完全新颖的数据集。为了提高不平衡设计时的模型拟合，随机森林算法采用分层抽样的方法，每次迭代只包含一个技术重复。在每次分裂中随机抽样5个和4个FA变量可以得到最准确的模型亚麻荠物种和c . microcarpa分别数量。由此产生的模型被用于预测剩余30%数据中的物种。我们用测试集预测的准确性和kappa统计量来评估模型[34]，使用R中插入符包中的confusimatrix函数[51]，这对于不平衡的设计更有帮助。

为了评估种子形态、FA成分和环境因素之间的关系，我们测量了用于FA表型的种质种子。更大的圆度通常表明种子的适合度更高亚麻荠在美国，受非生物胁迫的植物通常表现出较低的种子圆度(J. R. Brock，未发表的观察)。每个种子都在Canon LiDE110办公室扫描仪上成像，并以600 dpi分辨率保存图像。图像文件在SmartGrain分析软件中进行处理[52]用于测量种子的宽度、长度、面积、周长和圆度。因为这些测量都是高度相关的，我们只选择了圆形作为测量。种子检测强度和Nogi检测强度被设置为“粗略”，以允许最大限度地识别种子，然后手工策划每次扫描以消除错误的种子识别。然后用种子圆度的平均值进行统计分析。

环境生态位分析

使用WorldClim 1.4数据集，从每个种子收集点的GPS坐标中生成种群位置的气候变量[46]以最高可用空间分辨率(~ 1公里²)．然后使用置换多元方差分析(permanova)评估地点之间的环境差异[53欧几里得距离。我们测试了因素之间是否存在显著的离散性，这可能会使PERMANOVA结果产生偏差[54]，在R中使用纯素包中的betadisper函数[55］．在单变量方差分析中，离散度检验类似于Levene检验。对于物种之间的比较，我们使用了未缩放和未转换的数据，因为缩放和转换会导致显著不同的分散。地区之间的比较c . microcarpa样本，我们记录转换和缩放(通过减去平均值和除以标准偏差)的数据，以产生无差异的分散性。在10,000个排列的纯素包中使用阿多尼斯函数执行permanova。如果发现显著的PERMANOVA，我们进行两两比较，纠正错误发现率(FDR)p值。PERMANOVA结果用非度量多维标度(NMDS)图进行可视化。

基因测序分型

研究了种群结构对作物野生前代种内FA组成的影响。c . microcarpa，这也是FA表型数据最多的种。从83份品系中提取DNA，其中56份品系采用改良的CTAB DNA提取方案[17]或DNeasy植物迷你套件(Qiagen, Valencia, CA, USA)。从J.R.B.和美国农业部GRIN种质资源收集中添加了27个没有FA组成数据的额外样本，以增加种群结构分析的样本量(补充表)S1)．然后用Elshire等人改进的方法制备基因测序分型(GBS)文库。[56]用0.4 μL NEB ApeKI限制性内切酶(New England Biolabs, Ipswich, MA, USA)消化100 ng gDNA, 75℃孵育2 h。用NEB T4连接酶对消化的DNA进行连接，在22°C下连接2小时，然后在65°C下连接20分钟。使用25 μL AMPure XP珠(Beckman Coulter, Brea, CA, USA)清洗结扎，用200 μL 75% ethh清洗2次。最终PCR用5倍NEB Master Mix进行8次单独反应，如下所示:95°C 5 min;98°C 30 s, 65°C 30 s, 72°C 17 s, 18个循环;72°C 5分钟。最后用44 μL AMPure XP珠清理文库，用200 μL 75%乙醇清洗2次。每个文库用40 μL 10 mM Tris-HCl pH 8.0洗脱，并在量子位荧光计上定量(Life Technologies, Carlsbad, CA, USA)，然后将4个最高浓度的反应集中起来进行测序。最终文库由Novogene公司(萨克拉托，CA, USA)在Illumina HiSeq 4000测序仪(Illumina, San Diego, CA, USA)上测序，成对末端reads为150 bp。这些序列数据已提交到GenBank，登录号为SRR12391781 - SRR12391863。

处理原始序列读取以生成过滤后的SNP数据集用于种群结构分析。Fast-GBS程序的修改版本[57]实现了成对端测序数据的使用。在此过程中，Sabre (https://github.com/najoshi/sabre)用于分类和过滤条形码，而Cutadapt [58]用于修剪条形码区域的读取。配对的末端读取然后对齐到c .漂白亚麻纤维卷参考基因组JFZQ01 [59使用BWA。用Platypus variant caller搜索变量(https://github.com/andyrimmer/Platypus)．叮铃声(60]，在以下条件下进行:Minor Allele Frequency = 0.05, Genotyping = 0.1, Missing data per individual = 0.74。结果显示，83个样本中有261529个变异。使用VCFtools生成最终的SNP数据集，使用以下参数:Max Missing = 0.5, Minor Allele Count = 3, Minimum Quality Score = 30。1份样本(JRB 120)因基因型数据缺失过多而被移除;由于缺失基因型数据，248,195个变异被移除;由于Hardy-Weinberg精确检验的偏差，3184个变异被删除;根据小等位基因阈值去除1450个变异。在最终的严格筛选数据集中，共有82份资料中的8700个变体被保留。

人口结构分析

内部遗传子结构c . microcarpa使用admix v.1.3.0进行评估[61]在最终数据集上的K个值从1到10，每个K. F迭代10次_圣亚群体间的遗传分化指标由admix输出。从admix中获得每个K值的交叉验证评分。交叉验证用于估计预测模型中的误差，其中来自admix的最低交叉验证误差值代表最佳k值。混合结果显示在pong [62］．作为一种补充分析，PLINK输出的过滤snp也被用作R中主成分分析(PCA)的输入，以可视化遗传相似资源的聚类。

基因型-环境相互作用分析

我们在lme4包中使用最大似然线性混合效应模型(lms)拟合，研究了环境和种群结构对FA组成的影响[63］．lmm是用来解释由固定效应(感兴趣的变量)和随机效应所解释的变化的模型。响应变量包括种子饱和脂肪酸(SFAs)、单不饱和脂肪酸(MUFAs)、多不饱和脂肪酸(PUFAs)比例和总油分含量。admix分析的两个最优种群结构输出(K = 2和K = 3;(见结果)作为分类变量。为了解释BioClim变量之间的相关性，我们进行了主成分分析(PCA)，这是一种将变异划分为不相关成分的方法，并将前两个成分作为固定效应纳入我们的模型。我们将纬度和海拔纳入我们的模型，以调查这些粗略的环境测量在使用主成分解释更直接的环境变化时是否重要(补充表)S2)．种子圆度被作为植物健康的代表，其中较低的值可能表明非生物胁迫。所有连续变量通过减去平均值居中，并通过除以标准偏差缩放，以控制不同变量之间的不同测量尺度。加入作为随机效应被纳入，以解释相同基因型的油脂测量之间的差异。总产油量作为协变量被纳入SFA、mufa和pufa模型，以了解这些指标如何随着总产油量的变化而变化，而SFA作为协变量被纳入总产油量模型，如下所示:

我们使用小样本量校正的赤池信息准则(AICc)和Leroux [64］．当需要在模型之间选择置信区间时，我们使用85%的置信区间，因为这与使用AIC的模型选择一致[65］．我们通过计算所有最终模型的方差膨胀因子来确保模型不受多重共线性的影响，并使用来自鲁棒模型包的鲁棒混合模型回归来评估离群值的影响[66]见附表S3．

我们还使用线性混合模型来测试不同物种之间总含油量的差异。加入作为随机效应。P-values使用Satterthwaite的方法由lmerTest包生成[67并修正了与罗斯福的多次比较。

生长室实验

为评价生长温度对种子含油量和成分的影响，选择了3个品种c .漂白亚麻纤维卷(Suneson、PI 650155、PI 652885)分别在200 μmol m光照水平相当的2个对照生长箱中培养⁻²年代⁻¹．其中一个模拟暖气候，温度恒定为30°C，另一个模拟冷气候，白天温度为12°C，夜间温度为10°C。两室均设置为白天16小时，晚上8小时的模式。PI 650155是一个冬季品种，需要春化来启动开花。因此，在放置于生长室之前，将该接入的植物暴露于4°C的8周春化期。然后对来自对照生长试验的种子样本进行FAME分析，每种条件下，每次添加3个生物重复，每个重复3个技术重复。FAMEs在Thermo ITQ-900质谱仪上进行气相色谱-质谱分析，色谱柱为安捷伦HP-INNOwax柱(30 m × 250 μm × 0.25 μm)，氦气载气。气相色谱法条件如下:70°C, 7 min，以70°C min的速率增加到185°C⁻¹，在保持6分钟的情况下增加到260°C，在120°C的情况下减少到70°C⁻¹保持2分钟。野生种子样品FAME种和种子总油含量测定方法如上所述(补充表S4)．

以温度处理为固定因素，采用混合模型对生长室实验结果进行了分析。为了解释该研究的嵌套设计，我们加入了一个嵌套的随机术语，在资源中嵌套单个植物。P- SFAs、MUFAs、PUFAs和总油之间的比较值是使用上文所述的Satterthwaite方法计算的。

支持本文结论的数据集可在GenBank存储库中获得，并可从序列读取存档(Sequence Read Archive, SRA)访问(https://www.ncbi.nlm.nih.gov/sra)，登录号SRR12391781 - SRR12391863，生物项目ID: PRJNA655452。所有其他统计和气相色谱数据可在补充。

标签:

三酰甘油

费尔南多-阿隆索:

脂肪酸

名声:

脂肪酸甲酯

足总成分:

标签中所有类型脂肪酸(FAs)的相对比例

国家林业局:

饱和脂肪酸(16:0,18:0,20:0,22:0)

MUFA:

单不饱和脂肪酸(16:1,18:1,20:1,22:1)

PUFA:

多不饱和脂肪酸(18:2,18:3,20:2,20:3)

S / U:

饱和脂肪酸(16:0、18:0、20:0、22:0)与不饱和脂肪酸(16:1、18:1、18:2、18:3、20:1、20:2、20:3、22:1)的比值

我们感谢Donald Danforth植物科学中心(圣路易斯，密苏里州)蛋白质组学和质谱设备的Bradley Evans和Jonathan Mattingly在气相色谱仪器和维护方面的帮助。我们感谢Linda Small在准备基因分型文库方面的帮助，感谢Sara Wright在方案开发和支持方面的帮助，感谢David Goad在改进Fast-GBS方案方面的帮助，以支持对端读取，感谢Ihsan Al-Shehbaz确认物种测定。我们非常感谢dr。Ivan I. Moysiyenko (khherson国立大学，khherson)， Lydia O. Tasenkevich和Solomia V. Kachur (Ivan Franko国立大学，利沃夫)，Volodymyr M. Batochenko(北波迪尔瓦国家自然公园，利沃夫地区)，Oksana A. Futorna(塔拉斯舍甫琴科国立大学，基辅)，和Igor G. Olshanskyi (M.G. Kholodny植物研究所，乌克兰国家科学院，基辅)为乌克兰的实地收集提供实地援助和后勤支持。迈克尔·戴尔和华盛顿大学温室的工作人员密切关注我们的植物。我们感谢梅根奥古斯丁和奥尔森实验室的周到意见和手稿修订。

这项工作得到了华盛顿大学圣路易斯国际先进可再生能源和可持续发展中心的资助，J.R.B.和K.M.O支持数据收集和分析。美国国家地理学会研究与探索委员会(#CP-055ER-17)资助J.R.B.在乌克兰的实地收集。威廉·h·丹福斯植物科学奖学金为学生提供数据收集、分析和给J.R.B.写信的资金，并支持美国的收集工作

从属关系

1. 华盛顿大学圣路易斯分校生物系，美国密苏里州圣路易斯63130

   乔丹·r·布洛克、特雷·斯科特、艾米·李和肯尼思·m·奥尔森

2. 乌克兰国家科学院m·g·霍洛德尼植物研究所，基辅捷列申科夫斯卡街2号，乌克兰，01004

   谢尔盖·l·莫赛金

贡献

j。r。b。和k。m。o。计划并设计了研究实验。J.R.B.和slm计划并执行了在乌克兰的现场收集工作。J.R.B.在a.y.l的协助下进行了实验室工作并收集了所有数据。T.S.和J.R.B.进行了统计分析。手稿由J.R.B.和K.M.O.撰写。所有作者都已阅读并批准了手稿。

相应的作者

对应到肯尼斯·m·奥尔森．

伦理批准并同意参与

不适用。

发表同意书

不适用。

相互竞争的利益

所有作者都声明不存在利益冲突。

出版商的注意

施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。

开放获取本文遵循知识共享署名4.0国际许可协议，允许以任何媒介或格式使用、分享、改编、分发和复制，只要您对原作者和来源给予适当的署名，提供知识共享许可协议的链接，并注明是否有更改。本文中的图像或其他第三方材料包含在文章的创作共用许可协议中，除非在材料的信用额度中另有说明。如果材料未包含在文章的创作共用许可协议中，并且您的预期使用不被法定法规所允许或超出了允许的使用范围，您将需要直接获得版权所有者的许可。如欲查看本牌照的副本，请浏览http://creativecommons.org/licenses/by/4.0/．创作共用公共领域奉献弃权书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本条所提供的资料，除非在资料的信用额度中另有说明。

转载及权限