梨作为一种重要的经济果树，其果实品质（如糖分、石细胞含量）直接影响商品价值，但其复杂的基因调控网络尚未系统解析。2026年1月南京农业大学张绍玲院士团队在《Journal of Integrative Plant Biology》发表研究，首次成功整合三维基因组、转录组、蛋白组等多组学数据，构建了梨果实发育的高分辨率基因调控网络。该网络涵盖超过4.5万个基因和315万条调控关系。研究进一步运用机器学习模型，从网络中高效预测出调控糖代谢与石细胞形成的关键新基因，并通过实验验证了其功能。该工作不仅系统解析了梨品质形成的调控机制，还建立了开放数据库pearGRN，为梨分子设计育种提供了重要的数据平台和预测工具。

梨（Pyrus）的多组学整合基因网络

发表期刊：Journal of Integrative Plant Biology

发表时间：2026.01

单位及作者：南京农业大学张绍玲院士团队

多组学整合基因网络的构建

1. Coexpression network (共表达网络)-编码RNA转录组

为了构建反映基因在发育过程中协同表达关系的网络，研究团队整合了六个不同时间点的梨果实转录组数据集。分别使用WGCNA、皮尔逊相关系数和GENIE3（GEne Network Inference with Ensemble of trees，GENIE3 是一种基于机器学习随机森林的算法，用于从大规模基因表达数据中推断基因调控网络。它的核心目标不是简单地计算基因间的相关性，而是识别基因之间潜在的定向调控关系）。三种方法进行分析，并依据结果在不同数据集间的一致性，定义了高、中、低三个置信度的共表达关系。最终，他们构建了一个高置信度的共表达网络，该网络包含22,175个节点（其中1,937个为转录因子）和超过63万条边，并进一步被划分为1,401个功能模块（如图1A所示）。这项工作为后续多组学整合提供了最基础的基因协同调控图谱。

2. Non-coding RNA network -非编码RNA网络

为了揭示非编码RNA（如lncRNA、circRNA、miRNA）在梨果实发育中的潜在调控作用，研究团队对六个发育阶段的果实进行了全转录组测序。他们成功鉴定出大量非编码RNA，并利用WGCNA方法分析了这些非编码RNA与mRNA之间的共表达关系。由此构建的非编码RNA调控网络规模更大，包含25,700个节点和超过162万条边，被划分为929个模块（如图1B所示）。该网络将非编码RNA整合进调控框架，为理解其功能提供了线索。

3. 3D Genome network -3D基因组网络

为了探索基因组三维空间结构对基因调控的影响，研究团队对盛花后15天的梨果实进行了Hi-C测序。将这些在三维空间上物理邻近的基因对进行连接，构建了3D基因组网络。该网络包含近1.1万个节点和约2.2万条边，形成了737个空间互作模块（如图1C所示）。这项工作将基因组的空间拓扑信息转化为了可分析的网络关系。

4. TF-target regulatory network -ATAC-seq-TF-靶基因调控网络

为了系统鉴定转录因子（TF）与其靶基因之间的直接调控关系，研究团队采用了两种互补的策略。一方面，他们利用ATAC-seq技术鉴定开放染色质区域（潜在的TF结合位点），并结合TF结合基序（motif）信息进行预测。另一方面，他们直接在基因启动子区扫描已知的TF结合基序。最终，整合这两种方法构建的TF-靶基因调控网络包含了超过4万个节点和56万余条调控边（如图1D所示）。

5. Interactome network (蛋白质组-互作网络)

为了在蛋白质功能互作层面构建网络，研究团队结合了两种数据来源。首先，他们利用已发表的梨果实蛋白质组数据，通过蛋白质表达相关性构建了“蛋白质相关网络”。其次，他们通过同源映射，将拟南芥中已验证的可靠蛋白质互作关系转移至梨中，构建了“保守蛋白质互作网络”。整合这两个网络后，得到的蛋白质互作网络包含8,666个节点和33万余条边，划分为262个模块（如图1E所示）。这个网络代表了蛋白质功能执行时的潜在协作关系。

6. Structure-based protein–protein interactions prediction -基于结构的蛋白质互作预测

为了提升蛋白质互作预测的准确性和新颖性，研究团队引入了蛋白质三维结构信息。他们首先使用AlphaFold3成功预测了梨基因组中几乎所有蛋白质的三维结构。接着，从共表达网络和蛋白质互作网络中筛选出30万个潜在的蛋白质对，利用分子对接软件MEGADOCK和HDOCK进行相互作用模拟和打分。最终，他们保留高置信度的预测结果，构建了一个基于结构的蛋白质互作网络，包含14,765个节点和近20万条边（如图1F所示）。这种方法为发现新的、非共表达的蛋白质互作对提供了强大工具。

7. Multi-omics integrative network -多组学整合网络

为了获得一个全面、多层次描述梨果实发育的基因调控全景图，研究团队将上述构建的六个独立的网络（共表达、非编码RNA、3D基因组、TF-靶基因、蛋白质互作及基于结构的蛋白质互作网络）进行整合。最终构建的多组学整合网络规模，包含了45,678个节点和超过315万条边，并聚类为597个模块（如图1G所示）。分析发现，该网络中的枢纽基因在不同子网络间既有重叠又具特异性，且网络的传递系数差异巨大，表明同一基因可能在转录、表观、蛋白等不同调控层面扮演不同的角色。总的来说，这个整合网络成功融合了多维度数据，为系统性地预测基因功能和解析复杂性状奠定了坚实基础。

图1. 不同类型的基因网络与多组学整合网络。

多组学整合网络揭示与关键果实性状相关基因的新型调控关系

1. Sugar (糖代谢)

为了深入解析梨果实蔗糖水解的调控网络，研究团队以先前已知的液泡酸性转化酶抑制蛋白PbrI15为切入点。

首先从整合网络中提取其所在的子网络，并鉴定出另一个vacInv家族基因PbrvacInv5（Pbr031750.1）；随后分析发现预期互作的蛋白分析发现了一个新的互作蛋白PbrSnRK1β，调取其调控网络，并进一步预测出PbrSnRK1β与另一个SnRK1激酶亚基PbrSnRK1α存在互作；最后发现PbrvacInv5也被鉴定为 PbrSnRK1β 的相互作用蛋白（图2A）。

为验证网络预测，通过酵母双杂交、双分子荧光互补和荧光素酶互补成像实验，证实了PbrSnRK1α与PbrSnRK1β之间，以及PbrSnRK1β与PbrvacInv5、PbrI15之间均存在直接的物理互作（图2B-G）。功能实验表明，过表达PbrSnRK1α或PbrSnRK1β均能促进梨果实和愈伤组织中的蔗糖水解。这一系列工作不仅验证了整合网络预测的高度可靠性，还揭示了一个由PbrSnRK1β介导、调控蔗糖水解的新分子模块。

图2. PbrSnRK1β 与PbrII5及PbrvacInv5之间、 PbrSnRK1β 与 PbrSnRK1α 之间相互作用的预测与验证。

2. Organic acid (有机酸)

为了挖掘调控梨果实有机酸（如苹果酸）积累的关键转录因子，研究团队从整合网络中提取了以已知关键基因PbrMa1和PbrALMT为核心的子网络。通过对子网络的分析，他们成功预测了多个可能调控这些基因的转录因子。例如，预测两个B3家族基因（如生长素响应因子）与PbrMa1共表达，并识别出MYB、MADS等多个家族的转录因子可能结合在PbrMa1的调控区域附近。对于苹果酸转运蛋白基因PbrALMT，网络预测了包括bHLH、bZIP、MYB、NAC等在内的多个转录因子作为其潜在的上游调控因子（图S9）。这些预测结果为后续实验解析有机酸积累的转录调控机制提供了明确的候选基因集合。

3. Stone cell (石细胞)

为了系统解析梨果实石细胞（木质化细胞）形成的复杂调控网络，作者聚焦于三个关键基因：PbrNSC、PbrSTONE和PbrbZIP48。从整合网络中提取这些基因的子网络后，分析发现了与它们共表达的非编码RNA（如lncRNA Pbr_lncRNA2650、circRNA Pbr_circRNA246）以及可能调控它们的转录因子（如bHLH、MYB等）（图S10）。值得注意的是，网络预测PbrLAC5是PbrNSC的下游靶标，这与已知研究结论一致，侧面印证了网络的准确性。此外，对PbrbZIP48的子网络分析显示，其许多预测靶基因本身即参与木质素生物合成或细胞壁形成。这些结果清晰地展示了石细胞形成过程中，转录因子、结构基因和非编码RNA构成的多层次调控网络。

4. Fruit ripening (果实成熟)

为了揭示梨果实成熟过程的调控网络，特别是乙烯信号通路，研究团队分析了关键基因PbrEBF3及其上游调控因子PbrEILs的子网络。整合网络预测了一个C2C2家族转录因子不仅受PbrEIL1/2/3的调控，同时它自身也调控PbrEBF3，这暗示了一个潜在的调控反馈环。此外，网络还预测了GRAS、MADS等家族的转录因子可能作为PbrEBF3和PbrEILs的调控者。同时，针对与成熟相关的超氧化物歧化酶家族基因PbrCDS5和PbrFSD1，网络也预测了如MYB、NAC、bHLH等转录因子可能对其进行调控，并发现了一个可能同时与这两个蛋白互作的基因（图S11）。这些预测拓展了对梨果实成熟转录调控复杂性的认识。

基于整合网络的果实性状相关基因高精度预测

为了建立一种高效、高精度的预测方法以挖掘调控果实品质性状的新基因，研究团队基于构建的多组学整合网络，开发了一套网络驱动的机器学习框架。首先，他们分别收集了经文献证实的45个糖代谢相关基因和48个石细胞形成相关基因作为正训练集，并选取持家基因、单拷贝基因等作为负训练集。然后，他们结合基因的网络拓扑特征（如中心度、最短距离等）及多组学定量数据，利用逻辑回归、支持向量机、神经网络等五种机器学习算法构建预测模型。性能评估显示，神经网络模型在预测糖代谢和石细胞形成相关基因时均表现最佳，其曲线下面积分别达到0.81和0.88（图3A-D），表明模型具有强大的识别能力。利用该模型，研究团队成功预测出3000个高评分候选基因。为评估预测可靠性，他们计算了候选基因与已知功能基因在网络中的最短距离，发现候选基因显著更接近已知功能基因，证明了预测结果的生物学相关性（图3E）。

为从预测的候选基因中筛选出高置信度目标，研究者进一步分析了候选基因表达量与果实发育过程中各糖分含量的相关性，最终锁定了506个相关系数大于0.85的高置信度糖代谢相关基因（图3F）。从中，他们选取了15个基因进行深入验证。通过克隆其中9个基因并在梨果实中进行瞬时过表达实验，他们发现这些基因的过表达均能显著改变果实中葡萄糖、果糖、蔗糖或山梨醇等一种或多种可溶性糖的含量（图4A-I及表S30）。例如，过表达Pbr032775.1（山梨醇脱氢酶同源基因）提高了总糖和葡萄糖含量；而过表达Pbr013913.1则降低了总糖含量。这些实验结果直接证实了机器学习模型所预测基因的功能，凸显了整合网络结合机器学习在发现新功能基因方面的巨大潜力与高度准确性。

图3. 不同机器学习模型在预测果实性状相关基因中的表现。

图4. 9个高可信度糖代谢相关基因的瞬时过表达及其对梨果实可溶性糖含量的影响。

构建多组学整合网络数据库

为了将本研究构建的庞大而宝贵的多组学整合网络资源转化为可供全球科研社群便捷访问和深度挖掘的工具，研究团队开发并发布了名为 pearGRN 的综合性在线数据库（http://peargrn.njau.edu.cn）。该数据库的核心工作是将前期构建的所有独立网络及最终的整合网络进行系统集成，并围绕“网络探索”、“分析工具”和“数据服务”三大模块，开发了一系列交互式网络分析工具（图5A，E，I）。用户不仅可以通过“Networks”模块浏览或搜索整个基因网络的全貌（图5B-C），更能利用一系列专用工具进行深入分析。

这些工具的设计极具针对性和实用性，构成了数据库的突出亮点。例如，“Node Search”工具允许用户快速定位并可视化任意一个基因在特定类型网络（如共表达网络或蛋白质互作网络）中的所有连接关系（图5D），是进行基因功能背景分析的一站式入口。而“Network Comparison”工具则支持用户提交两组基因，自动提取并比对它们在网络中的邻接子网络，从而揭示功能基因集之间的潜在关联与差异（图5F）。对于调控机制研究，“TF Regulation”工具能够基于网络预测任意基因的上游转录因子（图5G），尤为重要的是，“TraitConnect”工具整合了前文所述的机器学习模型，允许用户基于网络特征和组学数据，对任意一组基因进行性状关联性预测，实现了从网络到表型的功能桥梁（图5H）。此外，数据库还集成了蛋白质结构查看与分子对接结果检索功能（图5J-K），将序列、表达、互作与结构信息无缝链接。而“Interactor Finder”则可预测任意蛋白质的潜在互作蛋白（图5L）。

图5. 在多组学整合网络数据库pearGRN中开发的主要功能与工具。

复制基因的广泛网络分

为了探究重复基因在进化过程中的功能分化机制，研究团队基于多组学整合网络，系统分析了全基因组复制（WGD）与单基因复制产生的重复基因对的网络连接差异。通过计算基因在网络中的连接相似性与分化指数，作者将重复对划分为保守型（I型）、亚功能化（II型）、新功能化（III型和IV型）以及非功能化/特化（V型）五种进化类型。分析发现，新功能化是重复基因在梨中保留的主导进化模式，尤其在整合网络中占比超过74%（图6A）。进一步分析显示，古老的重复基因对在网络中表现出更高的分化程度，更多转向新功能化或功能特化，而年轻的重复对则相对保守（图6F-I）。该研究从系统生物学层面揭示，网络连接的重塑，特别是新功能化，是驱动重复基因在梨果实品质性状形成中功能创新的关键进化力量。

图6. 重复基因的网络分化。

参考文献：

Li H, Qiao X, Huo Y, Li L, Qi K, Xie Z, Rui W, Yang Y, Li Q, Zou Y, Wang L, Zhang S. A multi-omics integrative gene network of pear (Pyrus). J Integr Plant Biol. 2026 Jan 8. doi: 10.1111/jipb.70117. Epub ahead of print. PMID: 41508432.