IF50.5｜大麻泛基因组揭示驯化大麻素合酶与野生镶嵌结构

193个基因组揭示大麻极端结构变异，驯化大麻素合酶却异常保守。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

大麻（Cannabis sativa）是重要的种子油、纤维和药用植物，但近百年的法律禁令严重限制了其育种和种质资源开发。已有参考基因组CBDRx（cs10）解析了大麻素合酶基因（CBDAS、THCAS）嵌套在保守的转座子（TE）阵列中的结构，并揭示高CBD大麻（HC hemp）通过将CBDAS位点渐渗入大麻（MJ）遗传背景而获得高产CBD。然而，大麻基因组高度复杂：约79%为转座子，杂合度超过2%，且不同用途品系间存在显著结构变异。此前研究多基于短读长测序或单一参考基因组，无法全面解析大麻的泛基因组多样性、杂交历史及关键农艺性状的遗传基础。

科学问题

卡在哪里： 此前大麻基因组研究受限于短读长测序和单一参考基因组，无法解析高度重复区域和大型结构变异（SV），导致大麻的全球遗传多样性、群体结构、杂交历史以及大麻素合酶基因座的进化动态仍不清楚。此外，大麻性染色体（X/Y）的性别决定区（SDR）与拟常染色体区（PAR）边界变异、以及稀有varin型大麻素（THCV/CBDV）生物合成途径的完整遗传基础也未被阐明。

本文要回答： 构建大麻泛基因组，全面解析其遗传多样性、群体结构、性染色体进化、转座子与结构变异的作用，并揭示大麻素合酶基因的驯化机制及varin型大麻素生物合成的遗传基础。

技术路线

作者主要用了：PacBio HiFi/CLR长读长测序、Hi-C染色体构象捕获、Minigraph-Cactus/PGGB泛基因组图、PanKmer k-mer分析、OrthoFinder、SyRI结构变异检测、F2群体QTL定位、RNA-seq。

作者选取144份生物样本（含雌雄），利用PacBio长读长和Hi-C技术组装了181个新基因组，结合12个已发表基因组构建大麻泛基因组，其中78个为染色体水平、单倍型解析的高质量组装。通过参考基因组（Minigraph-Cactus）和无参考（PGGB、PanKmer）两种策略构建泛基因组图，并利用k-mer聚类、系统发育和群体遗传学方法解析群体结构。同时，对F1杂交种EH23进行单倍型分型组装，结合F2群体表型数据（大麻素含量、开花时间）进行QTL定位和候选基因分析，以揭示关键农艺性状的遗传基础。

图 1　Fig. 1。图1展示了大麻泛基因组的基本特征。a图以EH23为例，显示10对染色体的基因密度、CpG含量和结构变异（灰色为同线区，橙色为倒位），并标注了着丝粒、端粒、rDNA和大麻素合酶基因位置。b图比较了X和Y染色体，显示Y染色体更大且SDR区域基因密度低。c和d图分别基于直系同源基因和k-mer的收集曲线，表明在100-125个基因组后直系同源基因多样性趋于饱和，但k-mer多样性仍在增加。e图显示核心基因仅占23%，近核心基因占55%。f和g图通过k-mer聚类揭示五个群体，并显示野生西藏样本与所有驯化品系分离。

核心亮点

亮点 1｜泛基因组揭示五个遗传群体

基于193个基因组的k-mer聚类分析，大麻可划分为五个遗传群体：欧洲纤维/籽用大麻、亚洲大麻、北美大麻（MJ）、高CBD大麻（HC hemp）以及一个野生西藏样本。其中，MJ与HC hemp群体内部又可分为与亚洲大麻或欧洲大麻亲缘更近的两个亚群，反映了历史上亚洲与欧洲大麻的杂交育种事件。值得注意的是，单个野生西藏样本与所有驯化品系显著分化，暗示亚洲偏远地区可能仍存在野生大麻近缘种。此外，核心基因（存在于所有基因组）仅占23%，而55%为近核心基因，表明大麻泛基因组具有高度可变的基因内容。

图 2　Fig. 2。图2聚焦转座子（TE）动态。a图显示不同群体基因组中TE覆盖率的密度分布，MJ群体TE含量最高。b和c图分别展示片段化和完整TE的年龄分布，显示过去10万年内（尤其近1万年）有大量TE插入。d-g图展示solo:intact LTR比率，其中Ty1-LTR在Y染色体SDR中比率最高。h图显示Y染色体上SDR区域甲基化水平高于PAR。i和j图示意TE插入后通过异位重组形成solo LTR的机制。

亮点 2｜性染色体SDR-PAR边界存在变异

大麻Y染色体约110 Mb，其中SDR长达79-84 Mb，是植物中最大的SDR之一，而PAR仅约29 Mb却包含1,900-1,980个基因。通过Y特异性k-mer和X-Y直系同源基因系统发育分析，鉴定出两种SDR单倍型：Ya（6个样本）和Yb（2个样本），其SDR-PAR边界相差约51-132 kb。边界附近基因SPT5（转录延伸因子）在Ya单倍型中位于SDR内，而在Yb中位于PAR内，该基因与开花调控因子FLC互作，提示开花时间选择可能驱动了SDR的逐步扩张。此外，PAR中38%的基因在雄花中偏倚表达，而SDR中仅6%，表明雄性花发育的转录网络广泛分布于全基因组。

图 3　Fig. 3。图3展示结构变异（SV）的分布和特征。a图显示不同群体中倒位、重复和易位的数量，欧洲大麻、亚洲大麻和MJ群体在易位和重复数量上差异显著，但倒位数量无显著差异。b图显示易位（紫色直方图）、重复（深红色条带）和倒位（黄色条，长度按比例）在染色体上的非随机分布，热点区域与TE富集区重叠。c和d图展示1号染色体上19.5 Mb大倒位区域的连锁不平衡（LD）和局部PCA，显示该区域存在单倍型结构和LD增强，但未完全抑制重组。

亮点 3｜转座子驱动基因组变异与压缩

转座子（TE）平均占大麻基因组的68%，其中LTR反转录转座子占50%。许多完整TE在过去10万年内插入，表明近期TE活动活跃，尤其在F1杂交种和MJ群体中。尽管TE持续活跃，大麻基因组（约750 Mb）却远小于其近缘属葎草属（Humulus，1,700-2,700 Mb），这归因于高solo:intact LTR比率（尤其是Ty1-LTR），表明通过异位重组清除TE。在Y染色体的SDR中，Ty1-LTR的solo:intact比率最高，暗示TE插入后通过删除事件驱动了SDR的初始扩张。此外，TE甲基化水平高于基因组平均水平，且SDR区域甲基化增强，与基因表达抑制一致。

图 4　Fig. 4。图4展示大麻素生物合成途径及合酶基因的基因组组织。a图显示途径中每个基因的拷贝数分布，ALT基因拷贝数变异极大（2-14个）。b和c图展示THCAS和CBDAS基因的系统发育和拷贝数，显示每个单倍体基因组最多一个全长拷贝。d图显示7号染色体上合酶基因的位置，CBCAS通常距着丝粒15-20 Mb，但可因倒位靠近THCAS。e图展示合酶盒的排列类型，与特定TE相关联。

亮点 4｜结构变异揭示隐藏的多样性

大麻基因组中，结构变异（SV）高度丰富：平均每个基因组有86个倒位，倒位大小从200 bp到25 Mb不等。将SV和非比对区域纳入后，平均杂合度（可变区域）高达基因组总长的20.6%，远高于仅基于SNP的1-2.5%。倒位断点富集片段重复和反向重复，而小到中等大小的易位、重复和倒位常由TE介导。在MJ基因组中，重复断点显著富集三种DNA TE家族和Ty3-LTR-RT，而其他群体仅富集Harbinger和Mutator DNA TE。此外，1号染色体上19.5 Mb的大倒位在17个样本中以杂合状态存在（15个杂合，1个纯合），可能作为超基因维持平衡多态性。该倒位区域包含开花时间基因PRR3，其含有一个高Fst SNP（0.61），且在F1杂交种中表达偏倚，与日中性（autoflower）性状相关。

图 5　Fig. 5。图5展示varin型大麻素生物合成的遗传解析。a图通过PanKmer交叉分析定位7号染色体上的断点，显示UFBb有一个交叉点（5 Mb）打破HO40 THCAS与varin单倍型ALT基因的连锁，而WCFBb有两个交叉点导致HO40 ALT等位基因缺失。b图显示EH23a和EH23b中ALT3和ALT4的排列。c图展示ALT3直系同源群OG2876的蛋白邻接树，显示三个成员及可变剪接变体。e图显示BKR基因的6-外显子变体（2-bp缺失）与11/12-外显子模型的比较。f图展示BKR蛋白的系统发育，6-外显子变体与某些亚洲大麻、欧洲大麻和野生变体聚在一起。

亮点 5｜大麻素合酶基因座高度保守

尽管大麻基因组整体高度可变，但大麻素合酶基因（THCAS和CBDAS）却表现出极低的多样性。每个单倍体基因组最多含有一个全长THCAS或CBDAS，它们嵌套在相似的TE盒阵列中，周围散布着假基因。这些合酶盒在基因组中仅存在少数几种排列方式，并与特定TE相关联，表明选择将少数功能性等位基因与假基因盒单倍型连锁。大多数THCAS和CBDAS基因非同线，且与品系间倒位相关，但通常局限于7号染色体约1.5 Mb的区域内。相比之下，CBCAS基因在56%的基因组中存在，拷贝数1-15个不等，但表达量极低，且在大规模样本中几乎检测不到CBCA产物，暗示其未受强烈选择。

亮点 6｜varin型大麻素生物合成的遗传基础

通过F2群体QTL定位和k-mer交叉分析，作者在7号染色体起始处鉴定出酰基脂质硫酯酶基因ALT3和ALT4的复合体，与varin型大麻素（THCV/CBDV）产生相关。ALT基因拷贝数变异大（2-14个拷贝），分布在4条染色体上。此外，4号染色体上的BKR基因存在一个2-bp缺失导致6-外显子功能丧失变体，该变体仅存在于高varin亲本HO40谱系中，可能通过增加丁酰-ACP底物池促进varin合成。系统发育分析表明，varin相关基因可能起源于亚洲。这些发现完善了varin大麻素生物合成途径的遗传模型。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： PacBio HiFi/CLR长读长测序、Hi-C染色体构象捕获、Minigraph-Cactus/PGGB泛基因组图、PanKmer k-mer分析、OrthoFinder、SyRI结构变异检测、F2群体QTL定位、RNA-seq
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事植物泛基因组、结构变异、驯化遗传学或大麻研究的科研人员。

带走一句

泛基因组图+长读长组装能揭示短读长测序遗漏的大量结构变异，对于高度杂合、TE丰富的物种，这是解析关键农艺性状遗传基础的必要手段。