文献解析：基因组选择及其在作物育种中的应用

2018-03-27 本文已影响6人育种数据分析之放飞自我

基因组选择及其在作物育种中的应用

陈雨, 姜淑琴, 孙炳蕊,等. 基因组选择及其在作物育种中的应用[J]. 广东农业科学, 2017(9).

摘要

基因组选择(GS)利用所有可利用的分子标记构建预测模型,并基于此模型估计个体的育种价值,是一种新型的、针对数量性状由微效多基因控制这一育种问题更高效的、具有广阔前景的分子辅助育种方法.概述了GS的原理和常用方法,并基于GS的影响因素探讨了提高其准确性的各种方法,展望了GS在作物育种中的应用,提出构建GS平台的思路.

GS 相对于GWAS、MAS的优势

GS：基因组选择
GWAS：全基因组关联分析
MAS：分子标记辅助选择

基因组选择方法利用覆盖全基因组的分子标记，对个体进行了遗传评估与选择。相
对于GWAS，GS 方法充分反映了目标性状的遗传变异，不需要做显著性检验，即使标记效应微小，其导致的遗传变异也能被捕获。

GBLUP与RRBLUP

GBLUP：通过已测定的基因型计算个体间的相关关系矩阵G，然后用G 代替系谱关系矩阵A，估算个体的育种值，即GBLUP

RRBLUP：该法将标记效应作为随机效应，假定标记效应服从标准正态分布，有共同的方差，然后利用混合模型求解，每个个体的育种值等于其所在基因组标记效应的总和

两者的关系：当个体效应矩阵等于标记系数矩阵与标记效应乘积时，GBLUP 与RRBLUP 等同

GS准确性的影响因素

Np：训练群体的个数
h2：遗传力
Nqtl：数量性状位点数
Me：独立染色体片段数
GS的准确性，随着遗传力及训练群体样本的增大而增大，但却随着有效群体和QTL 数目的增大而减小。

GBLUP提高预测的方法

方法：将已知的QTL位点作为固定因子
研究发现，将GWAS 分析筛选出来的显著与性状相关的标记作为固定效应，放入GS 模型中可以提高GEBV 的准确性，尤其是GBLUP方法

构建全基因组选择（GS）平台

基于以上总结和探索，可以考虑构建一个GS 平台，一方面加强与各单位的合作，收集的丰富的表型和基因型数据；另一方面，可以收集已有的QTL 信息，改善模型，将其融入GS分析当中。GS 平台的目的不仅用于育种值的估计，还可用作遗传变异和效应估计、杂种优势预测、品种评价。

影响GS 的因素

尽管GS 能显著提高畜禽选育的遗传进展，但仍受到许多因素的影响，这些因素主要包括：

标记类型和结构。标记类型主要包括微卫星和SNP2种，但实际应用中以SNP 标记为主。
标记密度和标记间的连锁不平衡程度。通常GS的准确性随着标记密度的增加而增高。
资源参考群中的表型测定数。GS的准确性随着表型测定数的增加而增加。
估计标记效应所记录的表型世代数。对于低遗传力性状，记录世代数越多，GS的准确性越高；但对于高遗传力性状，一般以2～3代为宜。
性状的遗传特性。一般认为GS选择对低遗传力性状的选择更有利。
资源参考群与预测群体的世代距离。GS在选择3～4世代后必须重新估计标记效应，才能保持其长期优势。
资源参考群与预测群体的遗传距离。模拟研究结果显示，当合并多个群体或品种的参考群为一个共同参考群时，GS的选择准确性大大提高。

欢迎关注我们

生物统计与数量遗传学公众号