全 文 ：第27卷 第8期
2015年8月
生命科学
Chinese Bulletin of Life Sciences
Vol. 27, No. 8
Aug., 2015
文章编号：1004-0374(2015)08-0986-09
DOI: 10.13376/j.cbls/2015137
收稿日期：2014-12-31； 修回日期：2015-01-11
基金项目：国家自然科学基金项目(31070267, 31100962)
*通信作者：E-mail: jieluo@mail.hzau.edu.cn, Tel: 027-87281960
基于连锁与关联分析的植物代谢组学研究进展
刘贤青，董学奎，罗　杰*
(华中农业大学生命科学技术学院，武汉 430070)
摘　要：代谢物作为生物体表型的基础能够帮助我们更直观有效地了解生物学过程及其机理。植物代谢组
研究对理解植物代谢途径，改善植物对环境胁迫的应答，提高作物产量与品质有着非常重要的作用。代谢
物的种类和数量在不同品种与组织中存在很大差异，利用这些差异进行遗传基础的解析将有助于我们深入
了解代谢生物学过程。随着代谢组学分析技术和方法的发展与第二代测序技术的应用，植物代谢组学的研
究内容不断地扩增，代谢遗传机制的研究不断深入。概述了植物代谢组学的研究内容、基因型分型、植物
代谢组遗传连锁分析与植物代谢组全基因组关联分析及其应用。
关键词：代谢组学；广泛靶向代谢组学；基因型分型；数量性状座位；全基因组关联分析；基因功能
中图分类号：Q591；Q945. 1 文献标志码： A
Progresses in plant metabolomics using linkage and
association mapping strategies
LIU Xian-Qing, DONG Xue-Kui, LUO Jie*
(College of Life Science and Technology, Huazhong Agricultural University, Wuhan 430070, China)
Abstract: It has been demonstrated that metabolites, as the basis of biological phenotypes, help us to better
understand biological processes and provide insights into the biochemical mechanisms of the processes. Research
on plant metabolomics plays a vital role in understanding plant metabolic pathways, manipulating plant responses
to environmental stresses, improving crop yields and enhancing food quality. Sessile in nature, significant difference
could be found in the number and content of metabolites in plants. Dissection of the genetic basis of metabolome
thus helps us to extensively understand metabolically biological processes. Moreover, with the advancement of
metabolomics and second-generation sequencing, researches in plant metabolomics with its genetic basis are
罗杰，教授，博士生导师。长期从事植物次生代谢调控及代谢组学研究，
博士毕业后赴英国 John Innes Centre实验室从事访问及博士后研究。2009年
起在华中农业大学作物遗传改良国家重点实验室从事水稻、玉米等主要作物
的代谢组学研究。近年来以通讯作者或第一作者在 Nature Genetics、Nature
Communications、PNAS、Plant Cell等国际主流杂志发表多篇高水平论文，具
有较大的影响。
刘贤青，等：基于连锁与关联分析的植物代谢组学研究进展第8期 987
代谢组学是指在整体水平上研究生物体的代
谢物，是对某一生物、组织或细胞中的所有低分子
量化合物进行定性与定量分析的一门学科。代谢组
学以指标分析为基础，高通量检测为手段，通过研
究生物体内代谢物的种类与数量及其变化规律来阐
述机体在正常生命状态下及环境变化后的代谢过
程 [1]。代谢组学定义起源于 20世纪 90年代，Jeremy
Nicholson等首次提出的“metabonomics”概念，以
及 21世纪初 Oliver Fiehn提出的“metabolomics”
一词 [2-3]。
植物产生的大量化学性质与生物学功能差异
的代谢物质是人类营养、能量与医药的来源。植物
由于固着生长，面对多样的环境，形成了一套复杂
的代谢物调控系统来弥补这一缺陷 [4]。植物代谢
物总数已超过 20 万种，植物代谢物的丰富与复杂
程度体现于代谢物在结构与功能上的多样性 [5]。一
直以来，植物的化学组成吸引着生物研究人员，因
为生化表型很大程度上反映了植物与环境的相互作
用 [6]。此外，不同的物种之间以及同一物种的不同
组织中，代谢物的种类与数量存在着很大的差异 [7]。
利用代谢物的差异来挖掘代谢途径及其调控机理，
对于提高植物对环境胁迫的适应性、提高作物产量，
并改善食物品质有着至关重要的作用 [8-10]。
随着植物全基因组测序的完成、突变体库的创
建、转基因及其他各种生物技术的发展，以模式植
物拟南芥和水稻为代表的植物功能基因组的研究获
得了巨大的进步 [11-12]。继基因组学、转录组学和蛋白
质组学之后，代谢组学作为一门新兴学科，随着现代
分析技术的快速发展，其研究内容在不断扩展 [13]。
同时，第二代测序技术的出现，为植物人工杂交群
体与自然群体的基因型鉴定和遗传作图带来了方法
学上的跨越 [14]。近年来，利用这些高分辨遗传标记
的群体材料，代谢组学结合连锁分析与全基因组关
联分析 (genome-wide association studies, GWAS)的
研究取得了很大的进展，对植物代谢组的遗传基础
解析与分子育种提供了重要的参考 [8,15-16]。本文将
简要地综述植物代谢组学、基于遗传连锁分析与全
基因组关联分析的植物代谢组学的研究进展。
1　植物代谢组学研究进展
代谢组是系统生物学的分支学科之一。目前，
其研究内容主要包括代谢物的定性或定量分析，不同
基因型的代谢组学表型，不同生长环境及施加物理、
化学或生物性刺激后代谢产物的应答，代谢途径或代
谢网络以及筛选优良品种与转基因植物评价 [13,17]。
生物信息从基因组到代谢组的传递实现了遗传
物质和环境因素对个体生长、发育、衰老的调控。
作为生物体表型的体现者，代谢物能够帮助人们有
效地了解生命现象，揭示生命本质。植物代谢物主
要分为初生代谢物与次生代谢物两大类 [18]，参与植
物对生物胁迫 (病虫胁迫等 )、非生物胁迫 (旱涝胁
迫、盐碱胁迫、紫外胁迫等 )的应答 [19-20]。其中，
植物激素在植物生长发育及胁迫应答过程中起着关
键的调节作用 [21]。它们的合成与调控、尤其是信号
途径的研究在近几年取得了突破性的进展 [22-23]，如
精氨酸的代谢能够形成一类含氮的脂肪族小分子多
胺 (胍丁胺、腐胺、亚精胺、精胺等 )。大量研究
表明，多胺及其羟基肉桂酰化的产物 (酚胺 /羟基
肉桂酰胺 )参与调控植物生长、生物与非生物胁迫
等生理过程 [24-25]。此外，越来越多的类黄酮、硫代
糖苷、萜类以及生物碱类等化合物被鉴定，代谢途
径得到解析，尤其是随着检测手段的提高，越来越
多的衍生物得以鉴定 [26-27]。
代谢物种类多、性质差异大，单靠一种分离分
析手段难以进行无偏向的全面分析 [13]。目前，在代
谢组学中较为常见的分析手段有色谱、质谱、磁共
振、紫外吸收、放射性检测、库仑分析及红外光谱
等 (图 1)。磁共振是进行化合物成分结构定性分析最
强有力的工具之一 [28]。应用最广泛、最有效的是气相
色谱 -质谱 (GC-MS)和液相色谱 -质谱 (LC-MS)[29]。
色谱与质谱联用实现了从利用色谱进行物质分离到
利用质谱进行物质鉴定的整个流程。其中，LC-MS
能分析极性与相对分子质量更高及热稳定性差的化
合物，而且，大多数情况下无需对非挥发性代谢物
进行化学衍生化处理 [30]。毛细管电泳、电化学、飞
行时间质谱 (TOF)、傅立叶变化离子共振质谱 (FT-
increasing. This review summarizes progresses in plant metabolomics, genotyping, and the understanding of genetic
basis of plant metabolome by linkage and association mapping, which can be used as reference for related research.
Key words: metabolomics; widely-targeted metabolomics; genotyping; quantitative trait loci; genome-wide
association study; gene function
生命科学 第27卷988
ICR-MS)等分离与分析方法也逐步应用到代谢物的
检测中 [31]。此外，植物代谢物检测方法已由传统的
靶向代谢组学 (targeted metabolomics)和非靶向代谢
组学 (non-targeted metabolomics)扩展到广泛靶向的
代谢组分析 (widely-targeted metabolomics)。广泛靶
向的代谢组分析能够一次定量检测近上千种代谢产
物，更加适合大量样品的高通量、广覆盖的代谢组
学分析，有利于全面有效地比较代谢物差异与解析
代谢途径 [32-33]。随着分析平台的发展，许多物质结
构得以鉴定。然而，在非靶向与广泛靶向代谢分
析过程中，大部分代谢物化学结构仍然未知，代
谢物的结构鉴定仍然是目前代谢组学分析的一个
重难点 [34]。最近，我们利用正向遗传学手段结合代
谢网络分析或标准品对比分析这种新的方法成功地
鉴定或注释了一系列未知代谢物 [8]。尽管如此，代
谢物结构鉴定的发展仍需要人们综合利用生物信息
手段，建立一系列公共代谢组学数据库，并实现数
据共享模式的标准化。
植物代谢物存在大量的修饰，而且大多以修饰
化的形式广泛存在，包括羟基化、甲基化、糖基化
和酰基化等 [8]。不同修饰的代谢产物功能各异。分
析这些代谢物的积累模式与非生物胁迫条件下的变
化有利于解析它们的生物合成调控途径。苯丙氨酸
代谢途径是一条重要的次生代谢物合成途径，在植
物体内，存在几大类苯丙氨酸衍生物，如类黄酮
(flavonoids)、羟基肉桂酸、白藜芦醇、木质素、硫
代糖苷、植保素与酚胺 [35]。其中，类黄酮是一种大
家熟知的次生代谢物，根据其结构分为 6大类。模
式植物拟南芥 (双子叶植物 )中只积累黄酮醇
(flavonol)、花青素 (anthocyanins)、原花青素 (proan-
tho cyanindins)。2013年，Saito等 [36]揭示了拟南芥
至少含有多种不同修饰的类黄酮物质。水稻 (单子
叶植物 )中也积累了大量的类黄酮物质，且主要以
黄酮 (flavone)及其衍生物的形式存在，而拟南芥
中因为缺乏黄酮的合成途径而检测不到黄酮的积
累 [37]。类黄酮在拟南芥与水稻中的物质积累模式的
研究展现了类黄酮的积累在物种中的组织特异性与
时空特异性。我们利用水稻自然资源品种，分析了
不同类型修饰的黄酮含量差异，发现了不同基团修
饰的黄酮在水稻亚种中的积累模式各有不同 [37]，而
探索这些自然品种叶子中酚胺 (phenolamides)的积
累模式之后发现，一些酚胺在亚种间的积累模式与
黄酮的积累模式相反 [38]。这些结果表明，水稻亚种
中不同修饰的黄酮与酚胺在进化上存在一些差异
性。另外，2013年，Park等 [39]利用代谢组学与转
录组学分析发现，水稻植株在紫外照射的条件下，
叶子中黄酮与酚胺合成的结构基因与相关的代谢途
径合成调控基因表达受到强烈地诱导，物质积累也
大量上升。
某个或某一类代谢物在水稻亚种间积累模式存
在显著性差异的时候，这个或这类代谢物就可以被
用作生物标志物 (biomarker)。通过代谢组学的研究，
我们可以发现很多代谢物在不同组织、不同品种、不
同亚种之间存在差异，如前所述的黄酮与酚胺 [37-38]。
我们发现丙二酰基化的黄酮在籼稻亚种中的含量约
是粳稻亚种中的 10倍，五碳糖糖基化及六碳糖糖
基化的黄酮在籼稻中含量则远远高于粳稻，一些苯
环酰基化的亚精胺在籼稻中含量却远远低于粳稻。
另外，一些报道指出，磷缺乏时，脂类物质的平衡
则发生重构；脯氨酸的含量差异与抗旱等逆境胁迫
直接相关 [40]。这些表明，代谢物的在亚种间差异与
其所处的环境非常相关，可能是进化与人工选择栽
培的结果。此外，越来越多的研究关注与人类健康
相关的具有抗氧化、抗癌活性的物质，如花青素、
白藜芦醇等 [13,41]。
2　高通量的基因型鉴定
作物性状的遗传多样性是人们有效地从事作物
改良的前提 [42]。自 20世纪 80年代以来，RFLP、
SSR与 Indel等 DNA分子标记 (DNA marker)技术
的出现和发展，为数量遗传学家提供了重要工具。
与形态标记、细胞标记、生化标记相比，DNA分
子标记是 DNA水平上遗传多态性的直接反映，具
有明显的优点。单核苷酸多态性 (single nucleotide
polymorphisms, SNPs)是指由于单个核苷酸的变异
所引起的 DNA序列多态性。近年来，随着 DNA
测序技术与 SNPs检测与分析方法的飞速发展，
SNPs成为最广泛应用的第三代分子标记 (图 1)。
植物全基因组序列是遗传研究的基础，对于研
究自然资源的遗传变异至关重要。自从 10年前水
稻全基因组序列公布以来，很多作物的全基因组序
列也相继问世 [43]。同时，第二代测序技术与新的计
算生物学方法的发展，使全基因组遗传作图变得更
为快捷准确。利用第二代测序技术进行的基因型鉴
定方法具有快速价廉、高密度标记覆盖、高精确度
和高分辨率等特点 [14]。大量品种的重测序，使更多
的作图群体和物种之间的基因组比较和遗传图谱构
建成为可能。近年来，基于第二代测序技术的植物
刘贤青，等：基于连锁与关联分析的植物代谢组学研究进展第8期 989
基因型分型得到广泛的应用。2009年，Huang等 [44]
通过对 150份水稻籼稻品种 9311与粳稻品种日本
晴的重组自交系的群体 (RILs)进行重测序，构建
了基于 SNPs的超高密度连锁图谱。与之前仅有几
百个基于 PCR的分子标记图谱相比，利用测序进
行连锁谱图的构建更加快捷、准确。对群体一些农
艺性状进行连锁分析，发现了多个数量性状位点
(quantitative trait locus, QTL)，遗传效应值达到 46%。
2010年，Huang等 [45]对 500多个水稻地方品种进
行低丰度的全基因组重测序 (low-coverage whole-
genome resequencing)，获得了上百万个有效 SNPs，
构建了超高密度基因型图谱，进一步对群体的 14个
重要农艺性状进行了全基因组关联分析，获得了几
个大效应的位点，并找到了相关的候选基因。
基于 RNA测序 (RNA sequencing, RNA-seq)的
基因型分型已引起大家的关注。基于第二代测序技
术的 RNA测序为转录组学的作图与定量分析提供
了新方法，同时为高通量、定量地研究基因转录与
可变剪接打开新局面 [46]。不同的物种虽然在基因组
大小上差异非常大，但是在基因数量上差别不大。
基因组上存在许多重复区域，所以进行转录组的测
序挖掘 SNPs比全基因组的重测序要显得更加实惠。
2013年，Li等 [47]通过对玉米 368份品种进行 RNA
测序，分析出了大量的 SNPs，用于构建基因型图谱；
同时，RNA测序的基因表达丰度被用于进一步的
表达量 QTL (expression QTL, eQTL)分析，来挖掘
油份合成调控的功能基因。高通量测序使得遗传的
分子标记资源变得更加丰富，水稻、玉米、高粱、
大豆、大麦、番茄等主要农作物均已构建了高密度
SNP遗传图谱，进而实现 QTL的精细定位和相关
基因的分离克隆 [48]。
3　基于连锁分析的代谢组学遗传基础研究进展
在过去 10年里，将代谢组学手段整合到表型
多样性及其遗传变异的研究中，一直吸引着科学家
的兴趣，尤其是植物生物学家的关注 [19]。利用代谢
组学大规模地检测不同物种或者品种间代谢物的种
类与含量，在此基础上运用 QTL作图可对各种代
谢物含量进行遗传分析。植物组织中代谢物的水平
也可以看作为一个数量性状，因此，我们也可以对
代谢物性状 (m-trait)进行相关的QTL分析 [49](图 1)。
近年来，得益于高密度遗传连锁图谱的构建，代谢
物差异的遗传基础解析取得了非常大的进展。
代谢物遗传基础的分析首先锁定在拟南芥与一
些作物中某些特定物质，即靶向的 mQTL分析。利
用传统的分子标记遗传群体，鉴定出了一些控制西
红柿中可溶性糖、玉米中防御性物质与拟南芥、油
菜中硫代糖苷类物质的 QTL [50-52] 。随着代谢组学
的兴起，大规模的非靶向代谢物检测与 QTL分析
结合起来，深化了植物代谢组学的遗传研究。2007
年，Keurentjes [27]通过非靶向的 LC-QTOF MS检测
了叶子中的代谢物，发现群体里物质种类、含量差
异非常大。利用了 160份的自交系材料与基于 PCR
的分子标记进行进一步的连锁分析阐述了拟南芥中
脂肪族的硫代糖苷的遗传途径。2007年，Meyer等 [53]
通过重组自交系群体与导入系群体 (introgression
line, IL)，分析了拟南芥中的初生代谢物，发现了
6 个生物量 QTL与 157个代谢物 QTL (metabolic
QTLs, mQTLs)。2012年，Matsuda等 [54]大规模地
分析了籼粳稻自交系群体的水稻种子中的初生和次
生代谢物，构建了包含 759个代谢产物信号的代谢
库，通过连锁分析进一步分析了黄酮合成途径中的
糖基转移酶基因。由于标记资源的限制，所用遗传
作图群体往往因分子标记覆盖密度较低而难以准确
完整地提供目标 QTL相关信息。超高密度 SNPs基
因型图谱的构建使 mQTL显示出更大的遗传效应，
图1　代谢组学在基于遗传连锁分析与全基因组关联
分析的植物生物学中的应用
生命科学 第27卷990
定位区域更为狭窄。2011年，Yu等 [55]通过群体高
通量测序构建了 200多个家系水稻重组自交群体超
高密度的 SNP图谱。我们利用广泛靶向的代谢组
学方法分析了这个群体剑叶与发芽种子两个组织共
900个代谢物，其中多数代谢物在两个组织中的广
义遗传力超过 0.6。对这些代谢组性状进行 QTL作
图后共获得了超过 2 800个 mQTL，这些 QTL定位
区间精度较高 (低于 100 kb)，遗传效应很大 (高达
90%)。其中丙二酰基化的黄酮物质 QTL定位区间
效应值达到 95%，LOD值高达 146，其合成的候选
基因通过转基因也得以验证 [15]。
2008年，Schauer等 [56]利用导入系材料，对
两年的西红柿的 mQTLs进行了遗传性与稳定性的
比较，发现多数的 mQTLs显示出一定的遗传显性
或加性效应，而且化学结构较为相似的代谢物，它
们的遗传模式比较类似。大多代谢物合成调控受到
多位点的控制，对水稻剑叶与发芽种子 mQTL位点
进行成对上位性互作分析 (pairwise epistatic interaction
analysis)揭示许多代谢物的定位位点，如丙二酰基
化的黄酮的两个 QTL位点，在遗传上存在明显上
位性关系。此外，通过对两个组织的 mQTLs在全
基因组上进行比较发现，在剑叶与发芽种子中分别
有 44个和 16个热点区域，这些热点区域表明可能
存在一些主调控因子控制着这些物质的积累 [15]。通
过 mQTL对遗传互作的分析，将有助于对代谢网络
模型重构与评估，并对一些特定的代谢途径进行深
入研究。
mQTL的研究也为解决基因复制的进化问题提
供了思路，有助于我们了解新基因与代谢物多样性
之间的遗传关系 [57]。当一个基因复制之后，通常会
通过遗传保存下来，同时也会产生一定的变异，这
些变异会发生些新的功能，从而引起代谢物上的差
异以适应复杂多变的生存环境 [58]。尤其是一些次生
代谢物 mQTL的克隆研究揭示了复制基因的进化途
径与特异的生化活性，如 Kliebenstein等 [59]通过
mQTL分析发现基因复制产生 AOP2、AOP3两个
基因，进化后使用相同底物而进行了不同生化反应，
从而控制拟南芥硫代糖苷合成。
通过 mQTL分析，水稻黄酮类物质与拟南芥
硫代糖苷等代谢途径得以重构 [15]。利用多平台的代
谢组学分析技术结合 mQTL的研究对于功能基因的
鉴定与代谢网络的构建有着重要的意义。QTL的研
究大多是基于两个亲本进行杂交的遗传群体，两个
亲本性状的差异与遗传重组事件的有限性使性状差
异的检测与群体分辨率的提高都受到限制。选择性
状与群体结构差异更大的遗传群体将有助于进一步
提升 mQTL分析能力。
4　基于关联分析的植物代谢组学遗传基础研
究进展
GWAS是在全基因组范围内筛选不同遗传差异
个体分子标记的基础上，分析扫描群体中这些分子
标记数据与表型性状之间关联关系的方法。GWAS
是一种综合、系统的分析方法，除了全基因组分子
标记之外，还需要考虑群体材料的群体结构与遗传
代表性、表型的选择与鉴定以及关联分析模型的选
择等 [60-61]。基于基因芯片与第二代测序的高通量全
基因组基因型分型技术的迅速发展，全基因组关联
分析 (GWAS)已被广泛地应用于人类疾病与植物复
杂农艺性状遗传基础的解析 [62]。然而，植物的农艺
性状，如产量、开花时间和粒宽等性状，由于受到
较多数量性状位点控制且受环境的影响非常大，所
以这些性状 GWAS位点的效应值通常较小 [45,63]。
GWAS结合代谢组学分析 (metabolic GWAS, mGWAS)
在近几年已受到很大的关注，以阐述代谢物多样性
及代谢相关性状的遗传机制 (图 1)。代谢物在植物
中的巨大差异与高遗传力使植物中的 mGWAS更加
准确 [8]。
基于植物全基因组 SNP遗传图谱，植物中的
mGWAS首先在拟南芥中得以开展，最近 mGWAS
在水稻、玉米等作物中也有了深入的研究。在代谢
组学分析中，为了理解某些特定代谢途径，靶向代
谢组学通常显示出一定的优势，所关注途径的基因
与物质有一定的研究基础，靶向代谢物的 mGWAS
也更便于相关功能基因研究与代谢途径的构建 [13]。
硫代糖苷作为拟南芥中一种重要的抗虫抗病物质，
它与环境互作的关系及自然变异的研究仍然缺乏。
2011年，Chan等 [64]利用了 96个拟南芥品种 (约
23万 SNPs)，对两个组织中 43个硫代糖苷代谢性
状进行了 mGWAS，鉴定了群体里面硫代糖苷自然
变异的两个主要多态性位点。通过比较不同组织 (叶
子与幼苗 )与不同胁迫 (模拟病菌侵害 )处理条件
下的 mGWAS位点，发现发育阶段对 GWAS结果
有非常大的影响，而胁迫处理条件下的 mGWAS位
点与正常条件下类似。这表明发育阶段相比病菌
胁迫而言，对硫代糖苷的影响更大。2013年，
Angelovici等 [65] 对 313份拟南芥群体 (17.0344 万
SNPs)中的一些支链氨基酸性状进行 mGWAS，发
刘贤青，等：基于连锁与关联分析的植物代谢组学研究进展第8期 991
现了一个支链氨基酸转移酶 (BCAT2)，该基因在群
体中位点的自然变异与支链氨基酸的自然变异、谷
氨酸与其他自由氨基酸的动态平衡显著相关。2013
年，Li等 [47]利用了 RNA测序构建了 368份玉米自
交系群体的 SNP标记遗传图谱 (103万 SNPs)，对
群体中 10个油份物质代谢性状进行 mGWAS，鉴
定了 74个与玉米籽粒中油份物质含量与脂肪酸组
成相关的显著性位点。同时，也通过 eQTL对其中
一些位点进行了候选基因的分析，该研究对今后玉
米籽粒中油份物质遗传基础解析与油份性状的分子
育种提供了重要的参考。通过靶向代谢组学，我们
对水稻叶子中的酚胺物质也进行了 mGWAS，得
到了羟基肉桂酰基化亚精胺的显著性位点
(P=6.0×10-23)与该物质合成的候选基因，并通过物
质积累模式分析和转基因予以了验证 [38]。
随着非靶向与广泛靶向代谢组学分析方法的
应用，非靶向与广泛靶向的 mGWAS为全面系统
地构建植物代谢途径以及解析其遗传机制提供了强
有力的手段。2012年，Riedelsheimer等 [66]通过对
289份玉米自交系幼叶中的 118个代谢性状进行
mGWAS，其中 26个代谢物性状得到了显著的
SNPs位点，遗传效应值达到 32%。2014年，Matsuda
等 [67]利用基于 LC-MS的非靶向代谢检测方法对
175份水稻自然品种进行 mGWAS，鉴定了其中 89
个代谢物的显著性位点。最近，我们利用 LC-MS
对玉米、水稻进行了广泛靶向的代谢谱分析，并通
过 mGWAS获得了大量代谢物相关的位点，对其代
谢途径的构建及其遗传与生化基础进行了深入的阐
述。在 368份玉米自交系群体中，鉴定了 983个代
谢性状，并利用 GWAS定位到 1 459个显著性关联
位点 (P<1.8×10-6)[68]。进一步通过自交系群体的
eQTL与其他 RIL群体 (334个家系 )的 mQTL分析
对 mGWAS显著位点进行比较验证，阐述了酰基化
胍丁胺、酰基化腐胺、色胺与黄酮等物质的代谢途
径与遗传机理 [68]。水稻作为单子叶的模式植物，拥
有相对较小的基因组，且存在丰富的品种资源，经
过长久的自然进化与人工驯化，水稻遗传与生物生
理性状差异较大 [69]。我们利用 524份自然栽培稻品
种资源 (642.877万 SNPs)结合广泛靶向代谢组方法，
构建叶片代谢数据库并进行了 mGWAS分析，检测
到了 2 947个主效 SNPs，共 634个遗传位点 [8]。数
据的挖掘分析注释了 36个影响生理、营养相关代
谢物的候选基因，重构了相关的代谢途径，进一步
的遗传与生化分析鉴定了其中 5个候选基因 [8]。该
研究为水稻代谢组的差异的遗传与生化基础的解析
提供了思路，为其他表型性状的自然变异分析、水
稻的品种改良提供了互补。代谢相关的基因在基因
组中占有很大的比例，基于 mQTL与 mGWAS的分
析显示，代谢组与基因组学的整合为代谢相关基因
的功能鉴定与代谢途径的重构奠定了良好的基础。
解析遗传变异如何控制性状变异是现代生物学
的目标之一 [62]。全基因组分析代谢物相关的显著性
位点揭示很多位点的分布也并不是随机的，而是存
在一些热点区域。这些区域里可能存在主效基因，
能够控制一系列物质的积累 [8,70]。拟南芥中一些深
入研究表明这些热点可能是选择压力的结果，选择
压力影响了植物的代谢进程 [70]。此外，利用遗传连
锁分析与 mGWAS来分析自然群体中代谢物的自然
变异与代谢相关基因的自然变异也更有助于理解这
些变异的机理以及有目的地重构代谢途径。
mGWAS分析也可以用于研究代谢性状、其他
重要农艺性状与生物学性状，如产量、口感、生物量，
因为这些性状与代谢物可能直接相关 [56,68]。2008年，
Schauer等 [56]通过分析西红柿果实性状与代谢性状
发现这两个性状之间有一定的关系。单一的通过简
单的相关性分析与回归模型难以解释它们之间的关
系，但是代谢物组成与其他性状之间的相互关系在
今后是可以通过深入的代谢组学分析来预测的。
5　展望
代谢组学是一门交叉学科，与有机化学、分析
化学、信息科学及生物科学等学科密切相关。植物
代谢物成分和水平的分析有助于全面了解植物响应
细胞内外因子的真实反应，更直观地揭示遗传背景
和环境条件对其决定作用。结合 QTL与 GWAS进
行代谢组学的分析将大大促进植物代谢组学与植物
功能基因组学的研究。QTL分析与 GWAS在应用
上各有利弊，将两者结合起来，并整合转录组学、
蛋白质组学无疑更有助于植物代谢生物学的研究。
GWAS主要依赖统计分析，在研究上可能会出现假
阳性和假阴性，变异重复性不好，难以确定候选基
因，对稀有变异不敏感等问题。精准的性状鉴定，
设计更加准确的群体结构分析模型，增加分析群体
容量与改进关联分析的数理统计方法将有助于发现
真正与性状关联的位点。此外，连锁作图对于稀有
变异非常有效，综合连锁作图和关联分析作图的巢
式关联分析 (nested association mapping, NAM)群体
和MAGIC (multiparent advanced generation intercross)
生命科学 第27卷992
群体也受到研究者的重视 [71-72]。使用代谢物与代谢
物之间含量数据的比率 (ratio)作为性状应用到
mGWAS，也可以增强分析的关联性，逐渐被应用
到代谢物的关联分析 [16]。然而，代谢组学相关的研
究首要任务是代谢物的提取、检测、分析与鉴定。
代谢物检测分辨率的提高，多平台技术的综合应用，
检测与分析新方法的开发与数据库的共享是代谢组
学发展的趋势，也将为植物代谢组学的深入研究提
供铺垫 [73]。
[参　考　文　献]
[1] Fiehn O. Metabolomics-the link between genotypes and
phenotypes. Plant Mol Biol, 2002, 48(1-2): 155-71
[2] Nicholson JK, Lindon JC, Holmes E. Metabonomics’: un-
derstanding the metabolic responses of living systems to
pathophysiological stimuli via multivariate statistical anal-
ysis of biological NMR spectroscopic data. Xenobiotica,
1999, 29(11): 1181-9
[3] Fiehn O, Kopka J, Dormann P, et al. Metabolite profiling
for plant functional genomics. Nat Biotechnol, 2000,
18(11): 1157-61
[4] Fernie AR, Schauer N. Metabolomics-assisted breeding: a
viable option for crop improvement? Trends Genet, 2009,
25(1): 39-48
[5] Dixon RA, Strack D. Phytochemistry meets genome anal-
ysis, and beyond. Phytochemistry, 2003, 62(6): 815-6
[6] Saito K. Phytochemical genomics-a new trend. Curr Opin
Plant Biol, 2013, 16(3): 373-80
[7] D’Auria JC, Gershenzon J. The secondary metabolism of
Arabidopsis thaliana: growing like a weed. Curr Opin
Plant Biol, 2005, 8(3): 308-16
[8] Chen W, Gao Y, Xie W, et al. Genome-wide association
analyses provide genetic and biochemical insights into
natural variation in rice metabolism. Nat Genet, 2014,
46(7): 714-21
[9] Sumner LW, Lei Z, Nikolau BJ, et al. Modern plant me-
tabolomics: advanced natural product gene discoveries,
improved technologies, and future prospects. Nat Prod
Rep, 2015, 32(2): 212-29
[10] Alonso-Blanco C, Aarts MG, Bentsink L, et al. What has
natural variation taught us about plant development, phys-
iology, and adaptation? Plant Cell, 2009, 21(7): 1877-96
[11] Jiang Y, Cai Z, Xie W, et al. Rice functional genomics re-
search: progress and implications for crop genetic im-
provement. Biotechnol Adv, 2012, 30(5): 1059-70
[12] Atwell S, Huang YS, Vilhjalmsson BJ, et al. Genome-wide
association study of 107 phenotypes in Arabidopsis thali-
ana inbred lines. Nature, 2010, 465(7298): 627-31
[13] Saito K, Matsuda F. Metabolomics for functional genom-
ics, systems biology, and biotechnology. Annual Rev Plant
Biol, 2010, 61: 463-89
[14] Huang X, Lu T, Han B. Resequencing rice genomes: an
emerging new era of rice genomics. Trends Genet, 2013,
29(4): 225-32
[15] Gong L, Chen W, Gao Y, et al. Genetic analysis of the me-
tabolome exemplified using a rice population. Proc Natl
Acad Sci USA, 2013, 110(50): 20320-5
[16] Adamski J, Suhre K. Metabolomics platforms for genome
wide association studies-linking the genome to the metab-
olome. Curr Opin Biotechnol, 2013, 24(1): 39-47
[17] Bino RJ, Hall RD, Fiehn O, et al. Potential of metabolom-
ics as a functional genomics tool. Trends Plant Sci, 2004,
9(9): 418-25
[18] Koch K. Sucrose metabolism: regulatory mechanisms and
pivotal roles in sugar sensing and plant development. Curr
Opin Plant Biol, 2004, 7(3): 235-46
[19] Carreno-Quintero N, Bouwmeester HJ, Keurentjes JJ. Ge-
netic analysis of metabolome-phenotype interactions:
from model to crop species. Trends Genet, 2013, 29(1):
41-50
[20] Mitchell-Olds T, Schmitt J. Genetic mechanisms and evo-
lutionary significance of natural variation in Arabidopsis.
Nature, 2006, 441(7096): 947-52
[21] Wolters H, Jurgens G. Survival of the flexible: hormonal
growth control and adaptation in plant development. Nat
Rev Genet, 2009, 10(5): 305-17
[22] Tsuchiya Y, McCourt P. Strigolactones: a new hormone
with a past. Curr Opin Plant Biol, 2009, 12(5): 556-61
[23] Miyazono K, Miyakawa T, Sawano Y, et al. Structural ba-
sis of abscisic acid signalling. Nature, 2009, 462(7273):
609-14
[24] Bassard JE, Ullmann P, Bernier F, et al. Phenolamides:
bridging polyamines to the phenolic metabolism. Phyto-
chemistry, 2010, 71(16): 1808-24
[25] Fellenberg C, Ziegler J, Handrick V, et al. Polyamine ho-
meostasis in wild type and phenolamide deficient Arabi-
dopsis thaliana stamens. Front Plant Sci, 2012, 3(180): 1-8
[26] Buer CS, Imin N, Djordjevic MA. Flavonoids: new roles
for old molecules. J Integr Plant Biol, 2010, 52(1): 98-111
[27] Keurentjes JJ. Genetical metabolomics: closing in on phe-
notypes. Curr Opin Plant Biol, 2009, 12(2): 223-30
[28] Yang Z, Nakabayashi R, Okazaki Y, et al. Toward better
annotation in plant metabolomics: isolation and structure
elucidation of 36 specialized metabolites from Oryza sati-
va (rice) by using MS/MS and NMR analyses. Metabolo-
mics, 2014, 10(4): 543-55
[29] Forcat S, Bennett MH, Mansfield JW, et al. A rapid and
robust method for simultaneously measuring changes in
the phytohormones ABA, JA and SA in plants following
biotic and abiotic stress. Plant Methods, 2008, 4(16): 1-8
[30] Lin LZ, Harnly JM. A screening method for the identifica-
tion of glycosylated flavonoids and other phenolic com-
pounds using a standard analytical approach for all plant
materials. J Agric Food Chem, 2007, 55(4): 1084-96
[31] Monton MR, Soga T. Metabolome analysis by capillary
electrophoresis-mass spectrometry. J Chromatogr A, 2007,
1168(1-2): 237-46
[32] Chen W, Gong L, Guo Z, et al. A novel integrated method
for large-scale detection, identification, and quantification
of widely targeted metabolites: application in the study of
rice metabolomics. Mol Plant, 2013, 6(6): 1769-80
刘贤青，等：基于连锁与关联分析的植物代谢组学研究进展第8期 993
[33] Sawada Y, Akiyama K, Sakata A, et al. Widely targeted
metabolomics based on large-scale MS/MS data for eluci-
dating metabolite accumulation patterns in plants. Plant
Cell Physiol, 2009, 50(1): 37-47
[34] Wishart DS, Knox C, Guo AC, et al. HMDB: a knowl-
edgebase for the human metabolome. Nucleic Acids Res,
2009, 37(Database issue): D603-10
[35] Dixon RA, Paiva NL. Stress-induced phenylpropanoid
metabolism. Plant Cell, 1995, 7(7): 1085-97
[36] Saito K, Yonekura-Sakakibara K, Nakabayashi R, et al.
The flavonoid biosynthetic pathway in Arabidopsis: struc-
tural and genetic diversity. Plant Physiol Biochem, 2013,
72: 21-34
[37] Dong X, Chen W, Wang W, et al. Comprehensive profiling
and natural variation of flavonoids in rice. J Integr Plant
Biol, 2014, 56 (9): 876-86
[38] Dong X, Gao Y, Chen W, et al. Spatio-temporal distribu-
tion of phenolamides and the genetics of natural variation
of hydroxycinnamoyl spermidine in rice. Mol Plant, 2015,
8(1): 111-21
[39] Park HL, Lee SW, Jung KH, et al. Transcriptomic analysis
of UV-treated rice leaves reveals UV-induced phytoalexin
biosynthetic pathways and their regulatory networks in
rice. Phytochemistry, 2013, 96: 57-71
[40] Bowne JB, Erwin TA, Juttner J, et al. Drought responses
of leaf tissues from wheat cultivars of differing drought
tolerance at the metabolite level. Mol Plant, 2012, 5(2):
418-29
[41] De Luca V, Salim V, Atsumi SM, et al. Mining the biodi-
versity of plants: a revolution in the making. Science,
2012, 336(6089): 1658-61
[42] Huang X, Kurata N, Wei X, et al. A map of rice genome
variation reveals the origin of cultivated rice. Nature,
2012, 490(7421): 497-501
[43] Yu J, Hu S, Wang J, et al. A draft sequence of the rice
genome (Oryza sativa L. ssp. indica). Science, 2002,
296(5565): 79-92
[44] Huang X, Feng Q, Qian Q, et al. High-throughput
genotyping by whole-genome resequencing. Genome Res,
2009, 19(6): 1068-76
[45] Huang X, Wei X, Sang T, et al. Genome-wide association
studies of 14 agronomic traits in rice landraces. Nat Genet,
2010, 42(11): 961-7
[46] Lu T, Lu G, Fan D, et al. Function annotation of the rice
transcriptome at single-nucleotide resolution by RNA-seq.
Genome Res, 2010, 20(9): 1238-49
[47] Li H, Peng Z, Yang X, et al. Genome-wide association
study dissects the genetic architecture of oil biosynthesis
in maize kernels. Nat Genet, 2013, 45(1): 43-50
[48] Zhang G, Guo G, Hu X, et al. Deep RNA sequencing at
single base-pair resolution reveals high complexity of the
rice transcriptome. Genome Res, 2010, 20(5): 646-54
[49] Suhre K, Gieger C. Genetic variation in metabolic
phenotypes: study designs and applications. Nat Rev
Genet, 2012, 13(11): 759-69
[50] Fridman E, Pleban T, Zamir D. A recombination hotspot
delimits a wild-species quantitative trait locus for tomato
sugar content to 484 bp within an invertase gene. Proc
Natl Acad Sci USA, 2000, 97(9): 4718-23
[51] Byrne PF, McMullen MD, Snook ME, et al. Quantitative
trait loci and metabolic pathways: genetic control of the
concentration of maysin, a corn earworm resistance factor,
in maize silks. Proc Natl Acad Sci USA, 1996, 93(17):
8820-5
[52] Kliebenstein DJ, Kroymann J, Brown P, et al. Genetic
control of natural variation in Arabidopsis glucosinolate
accumulation. Plant Physiol, 2001, 126(2): 811-25
[53] Meyer RC, Steinfath M, Lisec J, et al. The metabolic
signature related to high plant growth rate in Arabidopsis
thaliana. Proc Natl Acad Sci USA, 2007, 104(11): 4759-
64
[54] Matsuda F, Okazaki Y, Oikawa A, et al. Dissection of
genotype–phenotype associations in rice grains using
metabolome quantitative trait loci analysis. Plant J, 2012,
70(4): 624-36
[55] Yu H, Xie W, Wang J, et al. Gains in QTL detection using
an ultra-high density SNP map based on population
sequencing relative to traditional RFLP/SSR markers.
PLoS one, 2011, 6(3): e17595
[56] Schauer N, Semel Y, Balbo I, et al. Mode of inheritance of
primary metabolic traits in tomato. Plant Cell, 2008, 20(3):
509-23
[57] Kliebenstein D. Advancing genetic theory and application
by metabolic quantitative trait loci analysis. Plant Cell,
2009, 21(6): 1637-46
[58] Lynch M, Conery JS. The evolutionary fate and
consequences of duplicate genes. Science, 2000,
290(5494): 1151-5
[59] Kliebenstein DJ, Lambrix VM, Reichelt M, et al. Gene
duplication in the diversification of secondary metabolism:
tandem 2-oxoglutarate-dependent dioxygenases control
glucosinolate biosynthesis in Arabidopsis. Plant Cell,
2001, 13(3): 681-93
[60] Rafalski JA. Association genetics in crop improvement.
Curr Opin Plant Biol, 2010, 13(2): 174-80
[61] Han B, Huang X. Sequencing-based genome-wide
association study in rice. Curr Opin Plant Biol, 2013,
16(2): 133-8
[62] Huang X, Han B. Natural variations and genome-wide as-
sociation studies in crop plants. Annu Rev Plant Biol,
2014, 65: 531-51
[63] Huang X, Zhao Y, Wei X, et al. Genome-wide association
study of flowering time and grain yield traits in a
worldwide collection of rice germplasm. Nat Genet, 2012,
44(1): 32-9
[64] Chan EK, Rowe HC, Corwin JA, et al. Combining
genome-wide association mapping and transcriptional
ne tworks t o i den t i f y nove l genes con t ro l l i ng
glucosinolates in Arabidopsis thaliana. PLoS Biol, 2011,
9(8): e1001125
[65] Angelovici R, Lipka AE, Deason N, et al. Genome-wide
analysis of branched-chain amino acid levels in
Arabidopsis seeds. Plant Cell, 2013, 25(12): 4827-43
[66] Riedelsheimer C, Lisec J, Czedik-Eysenberg A, et al.
生命科学 第27卷994
Genome-wide association mapping of leaf metabolic
profiles for dissecting complex traits in maize. Proc Natl
Acad Sci USA, 2012, 109(23): 8872-7
[67] Matsuda F, Nakabayashi R, Yang Z, et al. Metabolome-
genome-wide association study dissects genetic
architecture for generating natural variation in rice
secondary metabolism. Plant J, 2015, 81(1): 13-23
[68] Wen W, Li D, Li X, et al. Metabolome-based genome-
wide association study of maize kernel leads to novel
biochemical insights. Nat Commun, 2014, 5: 3438
[69] Khush GS. Origin, dispersal, cultivation and variation of
rice. Plant Mol Biol, 1997, 35(1-2): 25-34
[70] Chan EK, Rowe HC, Hansen BG, et al. The complex
genetic architecture of the metabolome. PLoS Genet,
2010, 6(11): e1001198
[71] McMullen MD, Kresovich S, Villeda HS, et al. Genetic
properties of the maize nested association mapping
population. Science, 2009, 325(5941): 737-40
[72] Cavanagh C, Morell M, Mackay I, et al. From mutations
to MAGIC: resources for gene discovery, validation and
delivery in crop plants. Curr Opin Plant Biol, 2008, 11(2):
215-21
[73] Okazaki Y, Saito K. Recent advances of metabolomics in
plant biotechnology. Plant Biotechnol Rep, 2012, 6(1):
1-15