基于R语言的BLUP值在大果花生品种分析中的应用

【目的】基于BLUP值—分析剔除环境效益后的不同农艺性状对产量的影响,为快速精准选育和推广河南省麦套大果高产花生品种提供理论依据。【方法】以2018年河南省联合体麦套组大果花生的多点区域试验数据为基础,对产量及其相关的10个农艺性状采用最佳线性无偏估计(best linear unbiased prediction,BLUP)法估算BLUP值,以BLUP值为基础进行遗传力和遗传变异性、相关性、通径和主成分分析。【结果】遗传力分析表明,百仁重、百果重、出仁率和第一侧枝长的遗传力较高,单株果重、单株果数、结果枝数和生育期的遗传力较低;遗传变异分析显示,变异系数范围生育期最小,百果重和第一侧枝长最大;相关性分析表明,与产量相关性较大的性状为百果重、百仁重、单株果重和出仁率(P>0.05);通径分析显示,百果重与产量的直接通径系数最大,为1.38,其次为百仁重和出仁率,分别为0.97、0.65;主成分分析显示,11个性状可提取出4个主成分因子,分别与荚果产量、株型、百果重、结果枝数相关,遗传贡献率分别为34.80%、24.02%、14.35%和9.76%,累计达82.93%。【结论】河南省麦套大果花生选育过程中,可在早期世代选择百仁重、百果重、出仁率和第一侧枝长,高世代选择单株果重、单株果数、结果枝数和生育期;注重出仁率、单株果重、百仁重性状的选择可提高选育效率。豫花102号、漯花15号、商花22号、商花34号和豫花120号具有较好的产量、株型、百果重和结果枝数因子,适宜在河南省麦套大果花生生产区推广种植。

基于BLUP值的黄淮麦套大果花生的综合分析

采用2017年河南省联合体麦套两组花生多点区试数据,利用最佳线性无偏估计(best linear unbiased prediction,BLUP)处理产量及其相关的10个主要农艺性状,以BLUP值为基础进行遗传力和遗传变异、相关性、通径、主成分分析,解析剔除环境效应后不同农艺性状对产量的影响,为快速准确选育高产麦套花生品种提供理论依据;通过主成分综合评价,筛选适合黄淮麦套的高产大果花生品种。遗传力分析表明,百仁质量、百果质量的遗传力较高,结果枝数、单株生产力、饱果率的遗传力较低;遗传变异分析显示,变异系数范围出仁率最小,单株果数最大;相关性分析表明,百果质量、百仁质量、饱果率与产量呈极显著正相关(P<0.001),主茎高、侧枝长、结果枝数和单株果数与产量呈极显著负相关(P<0.001);通径分析显示,主茎高与产量直接通径系数最大,为1.183,其次是百果质量、百仁质量,分别为0.499、0.453;主成分分析显示,11个性状可提取出3个主成分因子,分别与产量、株型、单株果数相关,遗传贡献率分别为42.26%、26.03%、11.12%,累计达79.41%。黄淮麦套大果花生选育时,可在早期世代选择百仁质量、百果质量,高世代选择结果枝数、单株生产力和饱果率;注重百果质量、百仁质量、饱果率性状选择可提高选育效率。濮学花0815、开农86、商花21号、开农79和郑农花18号具有较好的株型、产量和单株果数因子,适宜在黄淮麦套花生生产区种植推广。

应用“吸收法”求解种公畜BLUP值

本文仅针对在BLUP法选择种公畜的育种实践中由于微电脑内存容量问题(诸如PC-1500及LASER-310型等计算机内存容量均较小)以致于无法对阶数较大的BLUP方程组直接求解等情况,以较为浅显的线性代数知识推导“吸收法”,并结合着算例讨论一下“吸收法”在求解种公畜BLUP值中的具体应用.

基于BLUP值的夏大豆产量与农艺性状的相关分析

以2018年黄淮海夏大豆南片的2组(A、B)区域试验数据为研究对象,对产量及其相关的9个农艺性状(V1~V9)进行最佳线性无偏估计(best linear unbiased prediction,BLUP),并基于BLUP值分析产量与9个农艺性状的遗传力和相关性。结果显示,生育期的变异范围最小,有效分枝数最大;生育期、株高、主茎节数和百粒重的遗传力较高,产量、底荚高度和单株粒重较低;与产量相关性较大的是单株荚数、单株粒数和单株粒重,均呈极显著正相关;9个农艺性状与产量的相关系数和直接通径系数大小排序不一致,主要由于农艺性状之间相互影响造成。在夏大豆选育过程中,生育期、株高、主茎节数和百粒重可在早期世代进行选择,产量、底荚高度和单株粒重应在高世代进行选择。选育过程中应特别注重单株荚数、单株粒数和单株粒重性状的选择,这是快速选育出高产大豆品种的关键。

基于BLUP和GGE双标图的花生产量基因型与环境互作效应分析

本研究采用最佳线性无偏预测值(BLUP)和基因型主效加基因型-环境互作效应(GGE)双标图的评价方法,对黄淮海中南片多点联合试验的小粒花生品种的丰产稳产适应性及试验点的区分力和代表性进行分析,探究基因型和环境对花生生长的影响,明确各品种的丰产稳产性及适应性。对BLUP值和原始数据进行方差分析和热图对比,结果表明,两组数据之间有较多差异,对于产量变异的解释,BLUP值比原始数据更加可靠。BLUP-GGE双标图联合分析结果表明,开农308的丰产稳产适宜性排在首位,其次为汾花8号、远杂9102;泰安、开封、濮阳的区分力和代表性较强。

基于BLUP和GGE双标图的大果型花生丰产稳产适应性分析

为筛选高产、稳产、广适花生品种,本研究利用国家北方片大果花生区域试验数据,运用最佳线性无偏预测(BLUP)+基因型主效加基因型-环境互作效应(GGE)双标图评价品种的丰产性、稳产性、适应性和各试验点的区分力和代表性。结果显示,参试品种的原始数据和BLUP值之间存在多个差异,用BLUP值代表育种值更加准确,比原始数据结果更加可靠;漯河、青岛、济宁、石家庄、郑州、开封、潍坊等7个试验点的区分性和代表性较强;P09-2、开农172、青花1号等3个品种的丰产性、稳产性、适应性等排名均居试验前列。基于BLUP-GGE双标图对大果花生品种及其试验点进行评价,不但为大果高产花生品种的选择和应用提供参考依据,也为基因型和环境互作评价提供方法借鉴。

伊犁马泌乳性能遗传参数及育种值估计的研究

【目的】以伊犁州昭苏马场的伊犁马为研究对象,收集伊犁马种公马后代母马的泌乳记录,并对其乳成分(乳糖、乳蛋白、乳脂、非脂固形物、体细胞数)进行测定,通过种公马后裔的泌乳资料估计种公马的育种值。【方法】采用SAS 8.1统计分析软件GLM过程对固定效应进行划分,采用MTDFREML2000f软件估计伊犁马的产奶量、乳成分的遗传参数,利用动物模型Blup估计伊犁种公马的育种值。【结果】伊犁马150 d产奶量、乳脂率、乳蛋白率、乳糖率、非脂固形物、体细胞数的遗传力分别为:0.34、0.12、0.26、0.14、0.20、0.27;产奶量育种值、乳脂率育种值、乳糖率育种值和体细胞数育种值最高的均为18号种公马;乳蛋白率育种值最高的为1号种公马;非脂固形物育种值最高的为2号种公马;6匹种公马中18号种公马综合育种值最高为48.936;其次是2号种公马,综合育种值为42.068;综合育种值最低的是1号种公马仅为17.335。【结论】伊犁马产奶量的遗传力较高,属于中等偏上的遗传力,乳蛋白的遗传力属于中等遗传力,乳脂率、乳糖率的遗传力偏低;根据动物育种学估计原理建立了评定伊犁马种公马的综合育种值模型,为后期伊犁马的产奶性能的科学选育提供前期基础。

基于BLUP和GGE双标图的高油酸花生品种综合分析

以高油酸花生新品种‘开农1715’为例分析品种的丰产稳产性,本研究对其参加的两年全国北方片区花生区域试验进行了系统分析,利用Genstat软件的混合线性模型获取各试点每个基因型的最佳线性无偏预测值(best linear unbiased prediction, BLUP),进行丰产性、稳产性和适应性分析。结果表明,产量数据的BLUP值更接近于真实育种值;‘开农1715’产量表现最好;26点次增产,最高增幅39.17%;适宜在北方片区的山东、河南和河北等地种植。因此,‘开农1715’具有很高的利用价值,适合大面积推广应用。本研究为农作物品种提供一个可靠的评价方法。

Comparative study of estimation methods for genomic breeding values

Estimation of genomic breeding values is important in genomic selection. Bayesian and BLUP methods are the main techniques employed. In this study,we conducted a comparative study of Bayes A, Bayes B,Bayes Cp and GBLUP methods in simulated data and real data of Chinese Holstein cattle. Results showed that, in simulated data, the accuracies of all methods were all similarly elevated with the increase of reference population size, but they made different responses to the changes of marker number or QTL number. In real data of Chinese Holstein cattle, Bayes A generated the highest accuracy almost for all six traits, and GBLUP performed as well as Bayes A for the traits of milk yield, fat yield and protein yield, while for the trait of fat percentage, protein percentage and somatic cell score, three Bayesian methods showed superior to GBLUP. Comprehensively analyzing above results, it can be speculated that accuracies of the three Bayesian methods are not only influenced by the absolute value of QTL number or marker number, but may also be influenced by the ratio of QTL number to marker number. And there is at least one kind of Bayesian methods performing better than GBLUP, when the ratio of QTL number versus marker number is very small or involving large-effect QTL.