加工型马铃薯F₁群体遗传分析与高效筛选

Genetic Analysis and Efficient Screening of Processing Potato F₁ Population

摘要

针对加工型马铃薯产量与品质协同选育难、全表型鉴定成本高的问题，本研究通过构建高效综合评价体系，建立了早代简化预测模型。以‘大西洋’ב露辛达’杂交构建的267份F₁代群体为材料，连续2 a对24项表型性状进行测定与遗传解析。结果表明：F₁群体各性状变异广泛（C_V为14.68%~100.97%），呈连续正态分布，符合微效多基因控制的数量遗传规律。其中，淀粉含量与产量表现出显著的正向杂种优势，且具有较高的广义遗传力。通过主成分分析（PCA）提取出9个综合指标（累计方差贡献率为84.80%），结合模糊隶属函数与系统聚类分析，成功筛选出17份具有加工潜力的优良系，其中5份核心材料达到严格的加工品质标准。进一步引入最小绝对收缩与选择算子（LASSO）回归算法，从24项多维表型数据中精准筛选出内聚性、还原糖含量等5项核心指标，构建了马铃薯早代高效筛选的简化模型，从而为加工型马铃薯的精准选育提供可靠的方法学支撑。

Abstract

To address the breeding challenges of simultaneous selection for yield and quality， along with the high costs and low efficiency of full phenotypic identification in processing potatoes， this study established an efficient comprehensive evaluation system and a simplified early-generation prediction model. An F₁ population comprising 267 individuals， derived from the cross of ‘Atlantic’בLucinda’， was utilized to conduct phenotypic measurements and genetic analysis of 24 traits over two consecutive years. The results indicated that all traits in the population exhibited extensive variation—with coefficients of variation（C_V） ranging from 14.68% to 100.97%—and followed a continuous normal distribution， conforming to the quantitative genetic patterns controlled by minor polygenes. Notably， starch content and yield demonstrated significant positive heterosis and high broad-sense heritability. Through principal component analysis（PCA）， nine comprehensive indicators were extracted（cumulative variance contribution rate of 84.80%）. Combined with fuzzy membership function and hierarchical cluster analysis， 17 elite clones with high processing potential were successfully identified， five of which reached stringent processing quality standards. Moreover， the least absolute shrinkage and selection operator（LASSO） regression algorithm was introduced to precisely screen five core indicators， including cohesiveness and reducing sugar content， from the 24-dimensional dataset to construct a simplified model for efficient early-generation screening. This study provides reliable methodological support for the efficient breeding and germplasm evaluation of processing potato varieties.

Graphical abstract

关键词

马铃薯 / F₁群体 / 遗传倾向 / 最小绝对收缩与选择算子 / 简化模型

Key words

potato / F₁ population / genetic tendency / least absolute shrinkage and selection operator / simplified model

马铃薯（Solanum tuberosum）作为全球重要的粮食与经济作物，在保障粮食安全中发挥着战略性作用^［1-3］。随着马铃薯主粮化进程的推进及休闲食品加工业的蓬勃发展，市场对高产、优质的加工专用型品种需求急剧攀升^［4-7］。然而，当前加工型马铃薯育种面临两大严峻挑战：一是块茎产量与加工品质相关指标间普遍存在遗传负相关，打破这种不良连锁极为困难^［8-9］；二是关键数量性状易受基因型与环境（G×E）互作的干扰，导致早代群体单株选择的可靠性偏低^［10-11］。精准评价表型变异是突破上述育种瓶颈的前提^［12］。前人研究^［13-16］多采用主成分分析（PCA）等多元统计方法进行种质评价，虽在一定程度上弥补了单一性状选择的片面性，但将其应用于早代F₁杂交群体时仍暴露出明显局限。传统评价高度依赖全维度表型的繁琐测定^［17］，不仅成本高昂、时效性差，且难以彻底消除农艺与品质性状间固有的多重共线性干扰。因此，如何从多维冗余的表型数据中提取极少数核心指标，构建低成本、高精度的早代简化预测模型，是当前育种实践亟待解决的关键问题。最小绝对收缩与选择算子（LASSO）回归算法在处理多维数据、克服多重共线性及精准特征选择方面具有独特优势，目前已在小麦（Triticum aestivum）等作物的表型组学预测中初见成效^［18-19］，但在马铃薯早代群体的遗传筛选中鲜有应用。此外，现有评价多聚焦于自然种质资源或育成品种^［17］，针对具有明确选育导向的特定双亲杂交分离群体的系统研究仍然欠缺。本研究以加工型标准对照品种‘大西洋’（‘Atlantic’）与高产鲜食型品种‘露辛达’（‘Lucinda’）杂交创制的267份F₁代遗传群体为材料，首先，解析群体关键性状的数量遗传规律；其次，通过PCA与模糊隶属函数构建多维综合评价体系；最后，创新性地引入LASSO算法筛选核心预测因子，构建早代简化预测模型。本研究旨在建立一套“评价—筛选—预测”相融合的技术体系，为加工型马铃薯品种的高效培育提供新思路与技术支撑。

1 材料与方法

1.1　材料与试剂

供试材料为以高产鲜食型品种‘露辛达’^［20］为父本，加工型品种‘大西洋’^［21］为母本，通过有性杂交创制的267份F₁分离群体。

1.2　仪器与设备

CR-400色彩色差计（Konica Minolta，日本）；TMS-Pro物性测定仪（FTC，美国）；UV-5800型紫外分光光度计（上海元析仪器有限公司，中国）；9070A型电热干燥箱（上海一恒科学仪器有限公司，中国）；FA1004C型电子天平（上海佑科仪器仪表有限公司，中国）。

1.3　试验方法

1.3.1　试验设计与田间管理

于2024—2025年在河北省承德市围场县马铃薯试验基地（41°35'N，116°32'E）进行田间试验。以267份F₁子代及双亲为材料，采用随机完全区组设计，设置3次重复。采用单株小区种植，株行距为20 cm×90 cm，按常规大田标准进行田间管理。

1.3.2　性状测定

参照《NY/T 2179—2012 农作物优异种质资源评价规范 马铃薯》^［22］与《GB/T 19557.28—2018 植物品种特异性、一致性和稳定性测试指南 马铃薯》标准^［23］，连续2 a系统测定农艺、理论产量、加工品质及质构等表型性状（描述性状的具体分级评价标准详见附表1）。

理论产量测定：在收获期，每个处理随机选取3株具有代表性的植株进行测产，记录单株鲜质量。理论产量计算公式如下：

理论产量=平均单株鲜质量×理论密度（1）

式中：理论密度设定为55 517株·hm^-2（基于株距20 cm，行距90 cm）。所有理论产量数据均保留整数。

质构性状测定^［24］：选取大小均一的块茎蒸制熟化后，采用TMS-Pro物性测定仪进行TPA测试（参数设定为形变量50%，检测速度80 mm·min^-1，间隔时间10 s，起始力0.7 N），核心测定指标包括硬度、脆度、弹性及内聚性等。

加工品质测定：取块茎中部切成1.2 mm厚的薄片，清水漂洗去除表面淀粉并沥干后，于180 ℃豆油中恒温油炸180 s（至表面停止冒泡）。冷却后采用CR-400色彩色差计测定亮度（L*）、红绿值（a*）、黄蓝值（b*），并参照刘岳等^［25］的方法计算褐变指数。

1.3.3　数据处理

采用Microsoft Excel 2019、SPSS 22.0及R语言（4.3.2）进行数据整理与分析。群体遗传参数的计算公式如下。

中亲值（mid-parent value，MP，公式中记为V_MP）：

V_{\mathrm{M}\mathrm{P}}=(P_{\mathrm{1}}+P_{\mathrm{2}})/\mathrm{2}（2）

中亲优势率（heterosis over mid-parent，H）：

H=(({\stackrel{̑}{F}}_{\mathrm{1}}-V_{\mathrm{M}\mathrm{P}})/V_{\mathrm{M}\mathrm{P}})\times \mathrm{100}\mathrm{\%}（3）

遗传传递力（transmitting ability，T_a）：

T_{\mathrm{a}}=({\stackrel{̑}{F}}_{\mathrm{1}}/V_{\mathrm{M}\mathrm{P}})\times \mathrm{100}\mathrm{\%}（4）

超高亲率（transgressive rate over high parent，H_H）：

H_{\mathrm{H}}=(N_{\mathrm{H}}/N)\times \mathrm{100}\mathrm{\%}（5）

超低亲率（transgressive rate over low parent，L）：

L=(N_{\mathrm{L}}/N)\times \mathrm{100}\mathrm{\%}（6）

式中：P₁和P₂分别为母本‘大西洋’和父本‘露辛达’的性状观测值；{\stackrel{̑}{F}}_{\mathrm{1}}为F₁群体的性状平均值；N为群体总株数（267）；N_H为表型值超过高值亲本的单株数；N_L为表型值低于低值亲本的单株数。Shannon-Wiener多样性指数H′，计算方法参照Shannon^［26］研究。

构建综合评价体系时，利用R语言FactoMineR包进行主成分分析（PCA）以消除性状间的多重共线性；采用模糊数学隶属函数法对PCA降维后的主成分值进行归一化处理，并以各主成分方差贡献率为权重计算综合评价值（D），具体公式参照赵甜甜等^［27］的研究，基于D，利用pheatmap包进行系统聚类分析（采用Ward.D2法及欧氏距离）并完成等级筛选。

构建预测模型时，采用R语言glmnet包进行LASSO回归分析，通过10折交叉验证确定最佳惩罚系数（\lambda )，筛选关键变量构建基于D的标准化线性预测方程。

2 结果与分析

2.1　 F₁ 群体质量性状分析

2.1.1　农艺性状分析

如图1所示，F₁群体农艺性状的Shannon-Wiener多样性指数（H\text{'}）为0.29~1.79，其中薯形多样性指数最高，芽眼数量最低。频率分布分析（图1A）表明，不同性状在后代群体中呈现出差异化的遗传特征：薯形呈现明显的偏父本遗传倾向，椭圆形与扁椭圆形类型合计占比达49.4%；皮色在双亲间发生广泛分离，黄皮与浅黄皮类型累计占比达83.3%；芽眼深浅及数量则表现为偏母本遗传倾向，浅芽眼与少芽眼类型占比分别为69.5%和60.8%。此外，块茎大小表现出显著的超亲分离现象，大薯类型占比达43.9%，显著高于双亲水平；结薯集中性与块茎整齐度亦趋近于母本表型，结薯集中型与块茎整齐型占比分别为49.4%和40.2%；薯皮光滑度则以中等类型为主（占比55.2%），与父本的光滑特征发生了明显的分化。

2.1.2　品质性状分析

如图2所示，F₁群体品质性状的Shannon-Wiener多样性指数（H'）为0.73~1.61，其中炸片色泽的多样性指数最高，而炸片破碎度最低。频率分布分析（图2A）表明，炸片色泽在后代群体中发生广泛分离，主要表现为焦黄、浅黄及黄色3种类型（占比分别为26.8%、22.7%和20.8%），整体表现出偏父本遗传倾向。酥脆程度与口味呈现较高的离散度，其中酥脆与偏硬类型占比分别为39.0%和29.0%，口味较好与一般类型分别占31.6%和28.3%。此外，炸片破碎度、含油量及平整度均表现出明显的偏母本遗传倾向：完整炸片类型占比达59.5%；含油量在与母本一致的类型中表现出高度富集（占比56.9%），且群体中成功分离出24.5%的低含油量超亲单株；炸片平整度则以与母本表型一致的“一般”类型为主，占比为35.7%。

2.2　 F₁ 群体数量性状分析

为进一步揭示群体的遗传潜力，将24个数量性状进行了系统分析。统计结果（表1）显示，F₁群体24个数量性状存在显著的遗传分化。淀粉含量与商品薯率呈趋高遗传，均值高于中亲值（MP），淀粉含量遗传传递力（T_{\mathrm{a}}）高达110.89%，超高亲率（H_H）近50%，受加性效应主导；还原糖含量呈趋低遗传及负向杂种优势，其中亲优势率（H）为-30.02%，超低亲率达57.30%，符合加工型育种需求；块茎形状及部分质构性状呈趋中遗传与广谱分离，变异系数（C_V）较大且存在超亲单株。正态Q-Q图（图3）表明，理论产量、还原糖含量、淀粉含量及内聚性等核心指标的观测值与预期值高度拟合，符合微效多基因控制的数量遗传特征。其中，理论产量表现出显著的正向杂种优势，F₁理论产量均值为37 691株·hm^-2（H=26.15%），且商品薯率的超高亲率达85.77%，多数后代具备超亲优势。此外，还原糖含量在低值区间分布密集，表现出极强的遗传传递能力。在质构特性上，内聚性的C_V为36.86%，其表型分布符合正态假设；同时咀嚼性与胶着性的C_V均超过70%，表明群体在质地性状上发生了广泛分离。

2.3　关键性状稳定性分析

为评估环境因素对表型稳定性的影响，本研究选取理论产量、淀粉含量、还原糖含量、硬度、脆度及褐变指数共6项核心指标进行2 a表型数据的分布对比（图4）及差异显著性检验。结果表明，还原糖含量、褐变指数及理论产量在年际间无显著差异（P>0.05），表型分布稳定，表现出较强的环境稳定性。相比之下，硬度、脆度（P<0.01）及淀粉含量（P<0.05）在年际间差异显著，表明质构特性与淀粉积累过程对环境波动较为敏感，单环境下表型鉴定易产生偏差。因此，在对此类易受环境干扰的性状进行优良种质筛选时，需采用多环境、多维度的综合评价体系，有效消除环境效应（G×E）的干扰，确保筛选结果的可靠性。

2.4　相关性分析

Pearson相关性分析表明，F₁群体24个数量性状间存在不同程度的相关性（图5）。其中，干物质含量与淀粉含量呈极显著正相关（P<0.01），反映出块茎物质积累的关键指标具有高度的协同性。在质构特性方面，硬度、脆度、弹性及咀嚼性两两之间均呈极显著正相关（P<0.01），表明质构指标存在共同的变异方向与紧密的遗传联系。在色泽性状中，黄蓝值（b*）与褐变指数呈极显著正相关，而亮度（L*）与红绿值（a*）及褐变指数均呈极显著负相关（P<0.01）。这提示在育种实践中，通过降低红绿值以提升亮度可能是抑制加工褐变的核心选育方向。此外，理论产量与干物质含量及淀粉含量均无显著相关性（P>0.05），证实了产量形成与品质积累过程在遗传上具有一定的独立性，这为实现高产与优质的协同改良提供了遗传学基础。

2.5　综合评价

2.5.1　主成分分析

对24个数量性状进行主成分分析，根据特征值大于1的原则提取出9个主成分（表2），其累计方差贡献率达84.80%。其中，第1主成分的方差贡献率为18.89%，主要反映理论产量、总质量及总薯数等产量构成因子；第2主成分（17.09%）主要由胶着性、咀嚼性、硬度及弹性等质构指标决定；第3主成分（10.67%）的代表性指标为商品薯率和小薯数量；第4主成分（9.30%）主要反映黄蓝值（b*）、亮度（L*）及褐变指数等色泽指标；第5主成分（7.91%）主要聚焦于干物质与淀粉含量；第6至第9主成分累计方差贡献率为20.89%，主要代表红绿值（a*）、内聚性、大薯数量及黏着性。

综合评价模型的构建采用标准化处理与权重加权法：首先，对24个性状指标的原始数据进行标准化转换（Z1~Z24），随后以各主成分的方差贡献率所占比例作为权重（系数依次为0.223、0.202、0.126、0.110、0.093、0.073、0.067、0.057和0.050），通过线性加权构建综合评价模型，计算综合评价值（D），公式为

D = 0.223F₁ + 0.202F₂ + 0.126F₃ + 0.110F₄ + 0.093F₅ + 0.073F₆ + 0.067F₇ + 0.057F₈ + 0.050F₉（7）

式中：F₁~F₉为各主成分得分。

结果表明，供试材料的综合评价D为0.317~0.697，呈现出典型的连续分布特征。依据D排名，筛选出M21、B20及J4等综合得分较高的优异个体，实现了理论产量、加工品质及质构特性的优良聚合。

2.5.2　聚类分析

基于综合评价值（D），在欧氏距离为5.0的水平上，通过系统聚类分析将267份F₁种质划分为4个主要类群（图6）。类群一包含30份种质，占比11.2%，其D均值（0.546）最高。该类群以理论产量优势为主，理论产量均值高达62 564 kg·hm^-2，显著高于群体平均水平；尽管其干物质含量（21.80%）相对较低，还原糖含量为0.21%，在特定的高产育种目标下具有一定的利用潜力。类群二包含121份种质，占比45.3%，是群体的核心组成部分。该类群的D均值为0.452，理论产量与品质性状表现出较好的协同平衡；其理论产量均值为32 968 kg·hm^-2，干物质含量为24.14%。除干物质含量外，该类群的理论产量与部分加工品质指标略逊于类群一。类群三包含51份种质，占比19.1%，其D均值为0.391。该类群虽然理论产量有所下降（均值为32 968 kg·hm^-2），但加工品质特性较优，干物质含量提升至25.53%，还原糖含量降至0.13%，褐变指数为104.46，其干物质与淀粉含量均显著高于群体平均水平。类群四包含65份种质，占比24.3%，其D均值（0.329）最低。该类群的块茎理论产量极低，均值仅为24 243 kg·hm^-2；尽管其干物质含量均值高达27.02%，且还原糖含量维持在0.12%的较低优异水平，但由于产量短板过于明显，导致其成为综合表现较弱的类群。

2.6　优异种质的综合筛选

为协同聚合高产、稳产及优质性状，本研究构建了三级叠加筛选标准：一级标准以综合评价值（D）聚类结果为基础，确定类群一为优良候选群体；二级标准设定理论产量>40 510 kg·hm^-2且褐变指数<118.51，作为高产优质子群（图7A）；三级标准限定淀粉含量>15%、还原糖含量<0.3%且干物质含量介于20%~25%，作为优异品质子群。结合图7B发现，有5份核心优异种质（A25、B20、D11、F11和G2）同时满足上述三级标准，成功聚合了高产与优质特性。其平均理论产量高达56 717 kg·hm^-2，较母本及群体均值分别显著增产38.20%和40.02%；且平均干物质含量（21.80%）与还原糖含量（0.21%）表现优异，实现了产量与加工品质的平衡。此外，筛选出17份潜力种质（A7、A23、B1等）位于高产优质与优异品质的交集区域，其平均理论产量为54 588 kg·hm^-2，干物质含量达23.11%，具备极高的选育前景；另有11份亲本改良种质（D17、D22、E7等）兼具优良的综合性状与高产潜力，适合作加工型马铃薯遗传改良的骨干亲本。

为验证优选品系的综合优势，本研究绘制了核心种质及双亲的性状雷达图（图8A），并对其炸片表型进行了直观对比（图8B）。结果表明，优选品系较亲本实现了显著的遗传增益：其中，B20在理论产量维度占据绝对优势；D11表现出显著的高干物质含量特性；A25则具备最优的商品薯率。炸片试验进一步证实，父本‘露辛达’因还原糖含量超标导致炸片焦褐化严重，感官品质欠佳；而G2、B20和A25等优选品系的炸片呈现出均匀的金黄色，光泽度高且无褐色斑点，符合加工专用型品种的严苛色泽标准。

2.7　基于LASSO回归的关键预测指标筛选与模型构建

为消除表型性状间的信息重叠，并构建具备强泛化能力的早代预测模型，本研究引入LASSO回归算法进行特征选择。通过10折交叉验证确定最佳惩罚系数（\lambda），结果显示，当\lambda_1se=0.000 259（对应\lambda_min=0.000 135）时，随着\lambda的增大，各性状的回归系数发生动态收缩（图9A、9B）。分析表明，当模型收缩至纳入5个关键变量时，其预测误差较小且模型最为简练。筛选出的5个核心预测指标分别为内聚性、弹性、黏着性、还原糖含量及大薯总质量，涵盖质构特性、化学品质和产量构成3个维度，能够从多维表型数据中有效提取影响种质综合表现的主要信息。

基于267份F₁种质，采用随机抽样法按8∶2的比例将其划分为训练集（213份）与验证集（54份），并重复10次交叉验证以降低抽样误差，最终构建标准化线性预测方程：

D = 0.213 + 0.455Z₁ + 0.525Z₂ + 0.017Z₃ - 0.075Z₄ + 0.066Z₅（8）

式中：Z_{\mathrm{1}}为内聚性；Z_{\mathrm{2}}为弹性；Z_{\mathrm{3}}为黏着性；Z_{\mathrm{4}}为还原糖含量；Z_{\mathrm{5}}为大薯总质量。模型精度分析（图9B）显示，该简化模型的决定系数（R^{\mathrm{2}}）达0.734，均方根误差（RMSE）为0.037 7，平均绝对误差（MAE）为0.021 8。这表明仅需测定上述5个核心指标，即可解释群体73.4%的综合表型变异。该模型在维持较高预测精度的前提下，显著降低早代群体的表型检测成本并提高筛选效率，适用于加工型马铃薯早代世代辅助选择。

3 讨论

3.1　表型性状的遗传变异特征与综合评价

亲本选配的遗传互补性是获得优异后代的基础。本研究选用的母本‘大西洋’是国际公认的油炸加工型标准对照品种，具有高干物质含量和极低还原糖含量的优异品质，但存在抗病性差、退化快及对环境胁迫敏感等突出缺陷；父本‘露辛达’是引进的中晚熟高产鲜食型品种，虽干物质含量中等，但具有块茎大且薯形整齐、适应性广及抗病性强等显著优势。本研究利用双亲在加工品质、产量与抗性上的强遗传互补性，旨在从F₁代中筛选出聚合双亲优点的高产、优质加工型新种质。

表型性状是植物遗传多样性的直观表现^［28-29］。研究中各性状的变异系数普遍较高，表明供试群体遗传背景丰富、离散程度高、选择潜力大，这与前人^［29-30］对马铃薯杂交群体遗传规律的研究结果相一致。正态Q-Q图检验显示，理论产量和还原糖含量关键性状受微效多基因控制，符合数量性状的遗传特征，适合进行定量评估。淀粉含量等品质指标表现出极高的遗传传递力和显著的杂种优势，有利于高世代优良品系的选育。值得关注的是，本研究中部分优异单株的理论产量表现出极高的遗传潜力（最高达93 283 kg·hm^-2）。该估算值虽高于大田常规产量的实收数据，但其真实反映了该批种质在理想生境与低竞争压力下的最大生物学产量上限。试验地所在的河北围场作为马铃薯黄金产区，为基因型的充分表达提供了最佳的光温环境；而F₁代单株初筛阶段特有的稀植环境，最大限度地减少了群体竞争对单株生产力的抑制。因此，本研究结果客观代表了该种质在理想环境下的最大遗传产量潜力。此外，多数质构性状的年际间相关系数较低，表明基因型与环境（G×E）互作是导致早代性状选择不稳定的主因^［31］；同时，性状间存在的复杂遗传连锁^［32］，也进一步加大了单一性状选择的难度。

为降低G×E互作与性状间负相关带来的干扰，本研究采用主成分分析（PCA）降维结合模糊隶属函数法，基于2 a表型数据的平均值构建了综合评价（D）体系。PCA将24个性状降维为9个主成分，累计方差贡献率达84.80%，D有效拉开了种质间的综合表现梯度。相关性分析进一步验证了该体系在解决马铃薯育种中“高产不优质”矛盾方面的可靠性。系统聚类分析准确识别出优良类群及待改良类群，其中优良类群的综合优势突出。特别是筛选出的5份满足加工阈值的优异种质，可作为加工型马铃薯遗传改良的骨干亲本。结果表明，综合评价结合系统聚类方法能够精准定位优异基因型，显著提升早代群体的育种筛选效率。

3.2　“综合评价”与“简化预测”模型的构建

在马铃薯育种实践中，对所有表型性状进行全面鉴定虽能保证评价的准确性，但庞大的工作量使其难以直接应用于数以千计的早代分离群体。因此，通过降维策略以最少的核心指标精准预测种质的综合表现，是突破育种效率瓶颈的关键。基于此，本研究构建了“多层评价—分级筛选—简化预测”的联合策略。该策略首先利用综合评价值与Venn图进行分级筛选，有效规避了单一指标评价的不确定性；随后引入LASSO回归算法构建早代简化预测模型，旨在解决全表型测定成本高昂、难以适应大规模育种需求的技术难题。

在模型构建方法上，前人^［27］多采用逐步回归法，该方法在处理具有强共线性表型性状时极易引入估计偏差。相比之下，本研究引入的LASSO回归算法通过正则化机制对冗余变量的回归系数进行惩罚与收缩，在处理多维、多重共线性数据时展现出更优的特征选择能力，并能有效防止模型过拟合^［18-19］。最终，该模型筛选出5项关键指标构建了多维简化预测体系。其中，大薯总质量与还原糖含量分别直接决定了商业产量潜力与加工色泽；而内聚性与弹性质构指标则深层反映了块茎细胞间的结合力及淀粉填充密度的微观特征^［33-34］。这表明，通过质构参数辅助鉴定，可有效弥补理化指标在揭示块茎组织微观特性方面的局限，从而实现对高干物质、耐加工性状的早代高效预判。

4 结论

本研究针对加工型马铃薯育种中理论产量与品质间的遗传负相关及基因型与环境（G×E）互作干扰的难题，构建了一套高效的种质筛选技术体系。首先，研究通过遗传参数分析与正态Q-Q图解析，揭示了群体中“高产与优质”性状负相关的遗传效应；随后，应用主成分分析、模糊隶属函数与系统聚类相耦合的综合评价策略，从267份F₁代材料中精准鉴定出5份聚合了高产、高干物质与低还原糖含量特性的优异核心种质；最后，创新性地引入LASSO回归算法，有效克服了多维性状间的共线性瓶颈，从24个原始表型性状中凝练出内聚性、还原糖含量与弹性等5个核心预测指标，构建了决定系数（R²）达0.734的早代简化预测模型。该模型将表型鉴定指标由24个大幅精简至5个，使表型鉴定工作量减少了近80%，充分验证了利用少数关键理化与质构指标替代全表型测定的可行性，为加工型马铃薯早代世代的精准筛选提供方法学支撑与新策略。未来，本研究筛选出的5份核心优异种质可直接进入下一阶段的多点区域试验与加工适应性评价；而部分加工品质优良但理论产量略逊的种质，则可作为高世代选育的骨干亲本予以留存利用。

参考文献

[1] ZHANG K， XU J F， DUAN S G，et al.NBS profiling identifies potential novel locus from Solanum demissum that confers broad-spectrum resistance to Phytophthora infestans ［J］.Journal of Integrative Agriculture，2014，13（8）：1662-1671.

[2] 徐建飞，金黎平.马铃薯遗传育种研究：现状与展望［J］.中国农业科学，2017，50（6）：990-1015.

[3] XU J F， JIN L P.Advances and perspectives in research of potato genetics and breeding［J］.Scientia Agricultura Sinica，2017，50（6）：990-1015.

[4] 谢从华，柳俊.中国马铃薯科技发展与创新之回顾［J］.华中农业大学学报，2021，40（4）：16-26.

[5] XIE C H， LIU J.Development and innovation of science and technology of potato in China［J］.Journal of Huazhong Agricultural University，2021，40（4）：16-26.

[6] 章孜亮，李婧，高俊，等.不同微生物菌剂在马铃薯种植中的应用效果［J］.现代化农业，2023（12）：23-25.

[7] ZHANG Z L， LI J， GAO J，et al.Application effect of different microbial agents in potato planting［J］.Modernizing Agriculture，2023（12）：23-25.

[8] 孔立，李丹，陈峰.大食物观下马铃薯产业发展的政策效应研究［J］.世界农业，2024（6）：111-122.

[9] KONG L， LI D， CHEN F.The policy effects of potato industry development under the concept of big food［J］.World Agriculture，2024（6）：111-122.

[10] 刘悦善，第红君，王华，等.甘肃中部旱作区专用型马铃薯品种筛选与评价［J］.种子，2023，42（2）：133-140.

[11] LIU Y S， DI H J， WANG H，et al.Screening and evaluation of special potato varieties in the central arid region of Gansu［J］.Seed，2023，42（2）：133-140.

[12] 李玉涛，章宪霞，唐德晶，等.马铃薯主粮化加工专用品种筛选研究［J］.江苏农业科学，2022，50（19）：98-103.

[13] LI Y T， ZHANG X X， TANG D J， et al.Study on screening of special cultivars for potato main grain processing［J］.Jiangsu Agricultural Sciences，2022，50（19）：98-103.

[14] 李建武，文国宏，李高峰，等.陇薯系列高淀粉马铃薯品种的淀粉产量及品质性状综合评价［J］.核农学报，2020，34（2）：329-338.

[15] LI J W， WEN G H， LI G F，et al.Evaluation of starch yield and nutrition quality traits in longshu series potato varieties with high starch content［J］.Journal of Nuclear Agricultural Sciences，2020，34（2）：329-338.

[16] 王颖，何仁元，蒲宁，等.陇中黄土丘陵区不同品种马铃薯块茎产量和品质比较［J］.作物研究，2024，38（3）：193-201.

[17] WANG Y， HE R Y， PU N，et al.Comparison of tuber yield and quality of different potato varieties in Loess Hilly Region of central Gansu［J］.Crop Research，2024，38（3）：193-201.

[18] 周丙月，袁剑龙，张玉梅，等.马铃薯品种（系）农艺性状的适应性和稳定性分析［J］.核农学报，2023，37（2）：274-289.

[19] ZHOU B Y， YUAN J L， ZHANG Y M，et al.Analysis of genotype and environment interaction，adaptability and stability of agronomic traits of potato varieties（lines）［J］.Journal of Nuclear Agricultural Sciences，2023，37（2）：274-289.

[20] 王丽，熊兴耀，蔡柳，等.我国不同产区马铃薯栽培品种的主要品质性状比较分析［J］.南方农业学报，2023，54（1）：80-89.

[21] WANG L， XIONG X Y， CAI L，et al.Analysis of main quality traits of potato cultivars from different producing areas in China［J］.Journal of Southern Agriculture，2023，54（1）：80-89.

[22] 巩檑.近5年马铃薯基因组及重要性状基因研究进展［J］.宁夏农林科技，2023，64（11）：6-11.

[23] GONG L.Research progress on potato genomics and genes associated with important traits in the past five years［J］.Ningxia Journal of Agriculture and Forestry Science and Technology，2023，64（11）：6-11.

[24] 孙邦升，刘喜才，宋继玲，等.鲜食马铃薯种质资源表型性状遗传多样性分析［J］.黑龙江农业科学，2020（11）：15-19.

[25] SUN B S， LIU X C， SONG J L，et al.Genetic diversity of phenotypic traits in fresh potato germplasm resources［J］.Heilongjiang Agricultural Sciences，2020（11）：15-19.

[26] 张佳莹，李扬，王靖，等.品种和气象因子对马铃薯主要品质的影响［J］.中国生态农业学报（中英文），2022，30（2）：216-225.

[27] ZHANG J Y， LI Y， WANG J，et al.The impacts of cultivar maturity and meteorological factors on main quality of potato［J］.Chinese Journal of Eco-Agriculture，2022，30（2）：216-225.

[28] 何文，张秀芬，郭素云，等.基于主成分分析和聚类分析对22份马铃薯种质的综合评价［J］.种子，2021，40（3）：80-86.

[29] HE W， ZHANG X F， GUO S Y，et al.Comprehensive evaluation of 22 potato germplasms based on principal component analysis and cluster analysis［J］.Seed，2021，40（3）：80-86.

[30] 杜培兵，张永福，白小东，等.主成分分析和隶属函数法对马铃薯品种抗旱性的评价［J］.种子，2019，38（8）：120-126.

[31] DU P B， ZHANG Y F， BAI X D，et al.Evaluation of drought resistance of potato varieties by principal component analysis and membership function method［J］.Seed，2019，38（8）：120-126.

[32] 叶开梅，牛力立，樊祖立，等.灰色关联度法与DTOPSIS法在马铃薯品种综合评价中的应用比较［J］.贵州农业科学，2023，51（3）：10-18.

[33] YE K M， NIU L L， FAN Z L，et al.Application comparison between grey relational degree and DTOPSIS in comprehensive evaluation of potato varieties［J］.Guizhou Agricultural Sciences，2023，51（3）：10-18.

[34] 刘靖宇，李远斌，董昊，等.基于多源时空数据的冬小麦产量预测模型［J］.江苏农业科学，2023，51（19）：198-208.

[35] LIU J Y， LI Y B， DONG H， et al.Winter wheat yield prediction model based on multi-source spatio-temporal data［J］.Jiangsu Agricultural Sciences，2023，51（19）：198-208.

[36] 耿娟，聂文倩.基于岭回归和LASSO回归浅析河南省粮食产量影响因素［J］.山西农经，2023（23）：7-10.

[37] GENG J， NIE W Q.Analysis of influencing factors of grain theoretical yield in Henan Province based on ridge regression and LASSO regression［J］. Shanxi Agricultural Economy，2023（23）：7-10.

[38] 刘永强，曹春梅，逯春杏，等.太仆寺旗马铃薯新品种比较试验［J］.现代农业科技，2022（20）：62-67.

[39] LIU Y Q， CAO C M， LU C X，et al.Comparative experiment of new potato varieties in Taibus Banner［J］.Modern Agricultural Science and Technology，2022（20）：62-67.

[40] 石瑛，宋雪微，商靖雯，等.东北雨养条件下加工型马铃薯新品种产量与品质表现［J］.东北农业大学学报，2023，54（9）：1-9.

[41] SHI Y， SONG X W， SHANG J W，et al.Yield and quality performance of new processed potato varieties under rain-fed conditions in Northeast China［J］.Journal of Northeast Agricultural University，2023，54（9）：1-9.

[42] 中华人民共和国农业部. NY/T 2179—2012 农作物优异种质资源评价规范 马铃薯 ［S］.北京：中国农业出版社，2012.

[43] Ministry of Agriculture of the People’s Republic of China. NY/T 2179—2012 Evaluating standards for elite and rare germplasm resources—Potato（Solanum tuberosumL.）［S］.Beijing：China Agriculture Press，2012.

[44] 国家市场监督管理总局，中国国家标准化管理委员会. GB/T 19557.28—2018 植物品种特异性、一致性和稳定性测试指南 马铃薯 ［S］.北京：中国标准出版社，2018.

[45] State Administration for Market Regulation， Standardization Administration of China. GB/T 19557.28—2018 Guidelines for the conduct of tests for distinctness，uniformity and stability—Potato（Solanum tuberosumL.）［S］.Beijing：China Standards Press，2018.

[46] 李文丽，袁剑龙，段惠敏，等.马铃薯块茎质地品质的综合评价［J］.中国农业科学，2022，55（12）：2278-2293.

[47] LI W L， YUAN J L， DUAN H M，et al.Comprehensive evaluation of potato tuber texture［J］.Scientia Agricultura Sinica，2022，55（12）：2278-2293.

[48] 刘岳，李学进，王晓冉，等.褪黑素对鲜切马铃薯过冷贮藏期间褐变的影响［J］.食品研究与开发，2024， 45（7）：81-87.

[49] LIU Y， LI X J， WANG X R，et al.Effects of melatonin treatment on browning of fresh-cut potatoes during supercooled storage［J］.Food Research and Development，2024，45（7）：81-87.

[50] SHANNON C E.A mathematical theory of communication［J］.Bell System Technical Journal，1948，27（3）：379-423.

[51] 赵甜甜，袁剑龙，卓峰琦，等.马铃薯全粉品质综合评价及品种筛选［J］.中国农业科学，2025，58（13）：2522-2537.

[52] ZHAO T T， YUAN J L， ZHUO F Q，et al.Comprehensive evaluation of potato flour quality and variety screening［J］.Scientia Agricultura Sinica，2025，58（13）：2522-2537.

[53] DENWAR N N， AWUKU F J， DIERS B，et al.Genetic diversity，population structure and key phenotypic traits driving variation within soyabean（Glycine max） collection in Ghana［J］.Plant Breeding，2019，138（5）：577-587.

[54] GOLOVATSKAYA I F， KADYRBAEV M K， BOYKO E V.Protective role of melatonin and IAA in the regulation of resistance of potato regenerants to cold stress［J］.Potato Research，2024，67（2）：421-449.

[55] REN S Q， TAN J， ZHOU S N，et al.Germplasm selection and comprehensive evaluation of maize inbred lines at germination and seedling stage for saline-alkali tolerance［J］.Agronomy，2025，15（3）：626.

[56] LEE K J， SEBASTIN R， CHO G T，et al.Genetic diversity and population structure of potato germplasm in RDA-genebank：utilization for breeding and conservation［J］.Plants，2021，10（4）：752.

[57] 王海艳，王立春，田国奎，等.马铃薯遗传多样性研究进展［J］.中国瓜菜，2024，37（12）：9-18.

[58] WANG H Y， WANG L C， TIAN G K，et al.Research progress on genetic diversity of potato［J］.China Cucurbits and Vegetables，2024，37（12）：9-18.

[59] ROSS H A， MORRIS W L， DUCREUX L J M，et al.Pectin engineering to modify product quality in potato［J］.Plant Biotechnology Journal，2011，9（8）：848-856.

[60] VAN DIJK C， FISCHER M， BEEKHUIZEN J G，et al.Texture of cooked potatoes （Solanum tuberosum）.3.Preheating and the consequences for the texture and cell wall chemistry［J］.Journal of Agricultural and Food Chemistry，2002，50（18）：5098-5106.

基金资助

河北省（承德）马铃薯种薯产业技术研究院项目(SC2021028)

河北省脱毒马铃薯繁育技术创新中心项目(SG2012016)