基于最佳线性无偏预测的精密单点定位方法

卫星导航定位中,卡尔曼滤波是快速处理海量观测数据,精确解算位置坐标的常用方法。为解决实际定位解算时需要计算部分参数的近似值作为先验信息的问题,引入最佳线性无偏预测理论对无先验信息的参数初值进行估计并使用其残差方差代替未知的先验方差参与计算。在静态和动态情形下进行了非差非组合精密单点定位实验并与传统滤波方法进行对比。算例结果表明,基于最佳线性无偏预测的精密单点定位算法可以对无先验信息的参数估计初值和方差信息,且定位精度与卡尔曼滤波一致。

基于动物模型BLUP的杜洛克猪生长及繁殖性状选择进展

【目的】揭示基于动物模型最佳线性无偏预测(animal model best linear unbiased prediction,AM-BLUP)的选择指数对杜洛克猪生长及繁殖性状的选育效果。【方法】在采用AM-BLUP方法估计个体目标性状育种值基础上,以达100 kg体质量日龄(相对权重0.7)和100 kg活体背膘厚(相对权重0.3)为主选性状构建选择指数,对1个闭锁的杜洛克猪群开展持续7年(2013—2019年)的选育,系统分析选育期间猪群6个生长及繁殖性状表型值、估计育种值(estimated breeding value,EBV)、选择指数及近交系数的变化。【结果】相较于2013年,2019年猪群达100 kg体质量日龄、100 kg活体背膘厚和30~100 kg料重比分别极显著缩短4.45 d、降低0.52 mm和降低0.05(P<0.01);初产和经产母猪的总产仔数分别提高0.99头(P<0.05)和1.02头(P>0.05),产活仔数分别提高0.72头和0.49头(P>0.05),21日龄窝重分别降低0.39 kg和提高6.20 kg(P>0.05);主选性状达100 kg体质量日龄和100 kg活体背膘厚的EBV分别极显著降低3.447和0.533(P<0.01),选择指数极显著提高23.62(P<0.01),除30~100 kg料重比外,其余辅选性状的EBV均获得了不同程度改进。选育结束时,群体平均近交系数为3.1973%,年均增量为0.4904%。【结论】基于AM-BLUP的指数选择可有效改良猪的生产性状,但不同性状的具体选择进展会因其遗传特性的不同而异。

不同混合线性模型下线性函数的最佳线性无偏预测相等的条件(英文)

考虑一个不仅对协方差矩阵没有任何秩假设,而且对随机效应向量和随机误差向量之间的关系没有任何限制的混合线性模型.给出了线性统计量Ay是线性函数f(L,N)的最佳线性无偏预测的充要条件;同时也给出了在混合线性模型M_1下BLUP(f(L,N))仍是在混合线性模型M_2下BLUP(f(L,N))的充要条件;最后给出在两混合线性模型下BLUP(f(L,N))相等的条件.

应用混合线性模型对白桦家系速生性及稳定性分析与选择

为了选出白桦半同胞家系中速生且稳定的优异家系用于种子园改建,以永吉、尚志和庆安试验点的8年生白桦半同胞家系试验林为研究对象,调查其生长性状和适应性。采用误差异质混合线性模型,对各性状进行了多地点固定效应和随机效应分析,通过最佳线性无偏预测(BLUP)法估算各家系的材积育种值,并结合基因型主效应与基因型-环境互作效应(GGE)双标图,联合分析各家系的速生性和稳定性。结果表明:(1)白桦半同胞家系胸径、单株材积和保存率等性状的地点效应显著(P<0.01);除保存率外,各性状在家系×地点的互作效应均达到显著水平(Z值>1.5)。各试验点的方差分析结果表明,除尚志和庆安试验点保存率外,其余性状在家系间的差异均达到极显著水平(P<0.01)。尚志、永吉和庆安试验点各性状中,变异系数最大的均为单株材积,分别为40.74%、47.62%和41.67%。(2)将综合育种值从大到小排序,若按照前10%的入选率确定各试验点优良家系,则在永吉、尚志和庆安各选出了相应的7个家系,其单株材积的平均遗传增益分别为6.20%、9.44%和8.79%。(3)GGE双标图分析结果表明,3个试验点被分为3个适生区;各家系在不同试验点中的表现不同,在庆安、永吉和尚志试验点表现最好的分别为1-43、1-42和1-39家系,结合生长量及稳定性的数据排名,综合性状表现最好的是3-29、3-13、3-38、3-16、3-14、3-42和3-17等7个家系,平均单株材积遗传增益为10.41%。白桦子代生长性状受基因型、基因型与环境互作影响显著。依据BLUP数据的GGE双标图分析结果,综合3试验点的速生及稳定性,选出7个优良家系。

公牛育种值最佳线性无偏预测法应用研究

采用公牛育种值最佳线性无偏预测法(即BLUP 法)对重庆市种公牛站18头公牛的育种值大小进行测定,为种公牛选择提供了直接依据、标准及方法。此外,还比较了BLUP 预测法与表型平均值选择法的效果及准确性。结果表明,BLUP 法是种公牛后裔选择的最佳方法。

最佳线性无偏预测估计种畜育种值(BLUP)可视化计算机程序

应用VB6可视化编程软件,设计较先进的最佳线性无偏预测估计种畜育种值(BLUP法)程序,增强了软件的功能,使其更具易用性、广泛性。

动物模型BLUP选择效果的计算机模拟研究

在采用动物模型最佳线性无偏预测(BLUP) 方法对个体育种值进行估计的基础上, 模拟了在一个闭锁群体内连续对单个性状选择10个世代的情形, 并系统地比较了群体规模、公母比例和性状遗传力对选择所获得的遗传进展和群体近交系数变化的影响。结果表明, 扩大育种群规模不仅可以获得更大的持续进展, 同时还可有效缓解近交系数的过快上升; 育种群中公畜比例过低时, 不仅会降低遗传进展, 群体近交系数的上升速度也会加快, 实际中应保证育种群具有一定的规模和适宜的公母比例。对高遗传力性状进行选择时, 可望获得更大的遗传进展, 同时近交系数的上升速度也会快一些。

一种先进的畜禽遗传评定方法——动物模型BLUP法

动物模型BLUP法是一种先进的动物育种值估计方法,已广泛应用于畜禽的遗传评定中,本文主要介绍了其基本原理、特征、应用现状,并对其应用前景进行了展望。

基于背膘厚度构建民猪肌内脂肪含量的预测模型

为了探究不同统计模型预测猪肌内脂肪含量和眼肌面积的可行性,试验利用测定的312头民猪的体重、背膘厚和日龄数据,以岭回归最佳线性无偏估计(ridge regression best linear unbiased prediction,rrBLUP)、贝叶斯B (Bayes B)、随机森林算法(Random Forest,RF)三种模型来预测民猪肌内脂肪(intramuscular fat,IMF)含量和眼肌面积(eye muscle area,EMA),每种模型均采用5倍交叉法和去一法进行验证,比较预测结果以得出预测准确率较好的一种模型。结果表明:两种验证方法中,去一法的预测准确率要明显高于5倍交叉法,但计算效率较慢。在预测肌内脂肪含量的模型中,rrBLUP、Bayes B、RF模型的预测准确率分别为0.639,0.595,0.631,其中rrBLUP模型预测效果较好。在预测眼肌面积的模型中,rrBLUP、Bayes B、RF模型的预测准确率分别为0.618,0.464,0.642,其中RF模型预测效果较好。说明基于体重、日龄和背膘厚测定数据预测民猪IMF和EMA是可行的。

两线性随机效应模型未知参数函数预测量的等价性研究

假设对一般线性随机效应模型添加新的变量项成为过参数线性随机效应模型,这时两模型相同未知参数的统计推断不一定相同。针对这一问题,本文利用带约束限制二次矩阵值函数最优化问题的解,给出过参数线性随机效应模型下未知参数函数的最佳线性无偏预测/最佳线性无偏估计的解析表达式,并利用一些代数与矩阵理论工具,得到了两模型未知参数函数最佳线性无偏预测/最佳线性无偏估计等价的条件。

动物全基因组关联分析的混合模型方法

在动物全基因组关联分析(Genome-Wide Association Studies,GWAS)中,线性混合模型通过校正群体分层、个体间亲缘关系和微效多基因对标记关联检验的影响有效地控制了数量性状基因座(Quantitative Trait Locus,QTL)检测的假阳性率。文章综述了混合模型之于GWAS基因定位的求解策略和方法,包括逐个标记的GWAS方法和联合多标记的GWAS方法。评论了这些方法在计算效率、QTL检测效率和模型拟合度方面的优缺点。指出了完善的全基因组关联分析方法不仅能够高效率地检测QTL,还能够最优地拟合性状表型值和预测基因组育种值。

泡桐属植物育种值预测方法的研究

分别用最佳线性无偏预测和最佳线性预测方法预测了泡桐属植物的育种值。结果表明 ,根据亲缘相关距阵对育种值的最佳线性无偏预测结果没有显著影响 :数据量较大时 ,可用小区平均值取代单株值 ,同时也可用最佳线性预测代替最佳线性无偏预测方法预测育种值 ;预测育种值与真正育种值之间的相关系数与预测育种值之间的方法或误差方差存在极显著的相关关系 ,可用前者作预测育种值的精度指标。通过比较毛泡桐种源所预测育种值之间的方差和误差方差可以得出 :在对研究材料评选时 ,最佳线性预测比最小平方估算法具有优越性 ,但当重复数大于 5次 ,每个小区内的植株多于 6时 。

林木育种值预测方法的应用与分析

育种值预测是遗传评价的核心。为了能恰当地选用适当方法估算林木育种值,本文概述了当前林木育种值预测的主要方法、原理及其在日本落叶松家系(亲本)及个体育种值预测和优良基因型选择中的应用。通过对各种预测方法应用结果的分析表明:对于平衡或近似平衡数据和无亲缘关系(或可忽略)的非平衡数据,最佳线性预测(BLP)、最佳线性无偏预测(BLUP)法均可以取得很高的预测精度,但考虑到计算的简便性,BLP法更为适用;对于有亲缘关系或具有不同遗传固定效应的候选材料,BLUP法更为适用;对于多性状联合选择,选择指数仍是理想的方法。最后对育种值预测方法的适用情况及存在问题进行了讨论。

豫农黑猪体尺性状遗传参数估计的模型研究

【目的】为提高豫农黑猪体尺性状遗传参数估计的准确性,加快豫农黑猪选育进展。【方法】利用最佳线性无偏预测(best linear unbiased prediction,BLUP)和基因组最佳线性无偏预测(genomic best linear unbiased prediction,GBLUP)2种方法,构建3个单性状动物模型,即基于BLUP的模型1、基于GBLUP的模型2以及基于包含基因组近交系数GBLUP的模型3,采用平均信息约束性最大似然算法(average information restricted maximum likelihood,AIREML)对702头豫农黑猪体尺性状的遗传参数进行估计。【结果】在遗传参数估计的准确性方面,模型1估计的准确性低于模型2和3;模型3和模型2相比,提高了胸围、腿臀围和眼肌深度性状遗传参数估计的准确性。模型3估计体高、腿臀围、背膘厚和眼肌深度的遗传力为0.566、0.302、0.467和0.652,属于高遗传力性状;体长、胸围和管围的遗传力为0.152、0.122和0.255,属于中遗传力性状。体尺性状间的表型相关系数为-0.009~0.576,遗传相关系数为-0.108~0.985。【结论】在估计豫农黑猪体尺性状遗传参数时,采用近交系数的GBLUP模型可以提高遗传评估的准确性,本研究结果为生产实践中加快遗传进展提供了科学依据。

基于空间误差分量Fay-Herriot模型的小域估计

Fay-Herriot模型已在小域估计中得到了广泛应用,进而提出一类新的空间误差分量Fay-Herriot模型用以刻画空间效应。基于所提出的模型,给出小域目标参数的经验最佳线性无偏预测估计量;同时,还给出所提估计量对应均方误差的估计,并通过数值模拟验证所提方法的有效性。

玉米穗轴粗和出籽率全基因组预测分析

穗轴粗和出籽率均是典型的数量性状,在不同程度上影响玉米产量。全基因组选择整合全基因组关联分析(GWAS,genome-wide association study)的先验信息是提高性状预测准确性的有效方法。本研究利用309份玉米自交系穗轴粗和出籽率表型和基因分型测序技术获得的基因型数据,研究基因组最佳线性无偏预测(GBLUP,genomic best linear unbiased prediction)、贝叶斯A(Bayes A)和再生核希尔伯特空间(RKHS,reproducing kernel Hilbert space)模型对2种GWAS方法即固定和随机模型交替概率统一(FarmCPU,fixed and random model circulating probability unification)和压缩混合线性模型(CMLM,compressed mixed linear model)衍生的不同数量标记集、随机选择标记集和所有标记对预测准确性的影响。对于2个性状FarmCPU和CMLM衍生标记集,3个预测模型间的预测准确性差异较小,差值变异范围介于0~0.03。对于随机标记集,相比其他2个模型的预测准确性,RKHS对穗轴粗可提高3.57%~15.91%,而3个预测模型对出籽率具有相似的预测效果。除了50和100个标记,3个模型利用CMLM衍生标记对2个性状的预测效果均优于FarmCPU。相比随机标记集,穗轴粗GWAS衍生标记的预测准确性可提高15.52%~88.37%;出籽率利用衍生标记可提高1~5.89倍。所有衍生标记集的预测准确性均高于所有标记。这些结果均表明,全基因组选择整合GWAS衍生标记有利于提高穗轴粗和出籽率的预测准确性。

CROPGRO大豆花期模拟模型品种参数的遗传学解析

[目的]DSSAT-CROPGRO大豆花期模拟模型(简称CROPGRO-Soybean-Flower模型)是量化开花时间与光周期关系的生理生态过程模型。本文旨在通过单核苷酸多态性(SNP)标记对CROPGRO-Soybean-Flower模型的品种参数(cultivar parameter,CP)进行遗传解析。[方法]以183个江淮大豆种质为试验材料,于2011—2018年获得南京、当涂、盐城等10个环境的花期数据和消除环境效应的花期最佳线性无偏预测值(best linear unbiased prediction,BLUP)。将开花时间性状分解为临界短日照时数(critical short day,CSDL)、光周期敏感性(photoperiod sensitivity,PPSEN)和出苗到开花时长(emergence to flowering time,EMFL)3个CROPGRO大豆花期模拟模型的品种参数。利用供试大豆材料的实测花期以及BLUP值,采用GLUE(generalized likelihood uncertainty estimation)方法对模型的品种参数进行校准,根据模拟结果选择合适的品种参数集。利用混合线性模型(mixed linear model,MLM_Q+K)、mrMLM(multi-locus random-SNP-effect mixed linear model)模型等7种全基因组关联分析方法,对花期BLUP值、CROPGRO-Soybean-Flower模型品种参数集与60712个SNP标记进行定位研究,在显著关联SNP位点上下游500 kb区间内筛选候选基因,并通过生物信息学网站和前人研究结果预测其功能。[结果]利用BLUP值校正CROPGRO-Soybean-Flower模型的品种参数,模型模拟结果的均方根误差的均值(average root mean square error,ARMSE)为1.65 d,比利用实测花期校正的ARMSE降低1.82 d。选用花期BLUP值校正的3个模型的品种参数集作为全基因组关联分析的数据集,检测到花期BLUP值、CSDL、PPSEN和EMFL的显著关联QTN(quantitative trait nucleotide)个数分别为6、10、5和1,所定位的SNP位点可解释0.424%~19.221%的CROPGRO-Soybean-Flower模型品种参数变异。被检测到的22个QTN中,有72.73%已被前人研究报道与大豆开花时间、光周期敏感性、生殖生长时期等性状有关。对候选基因功能预测发现:Glyma05g06220、Glyma05g31710、Glyma07g01601、Glyma08g40330、Glyma14g40030与拟南芥中昼夜节律调控、细胞分裂素响应、开花调控等基因同源,推测这5个基因参与大豆开花调控。[结论]与实测花期相比,利用BLUP值校准CROPGRO大豆花期模型品种参数的方式在区域尺度上更为合理;模型品种参数体现了大豆花期光反应的遗传特性,相关的SNP标记可以作为进一步构建基于基因的CROPGRO大豆花期模拟模型的基础标记数据。

基于混合地理加权Fay-Herriot模型的小域估计

作为一类区域层次模型, Fay-Herriot模型在小域估计中已经得到广泛的应用,这类模型假定各区域的直接估计是空间不相关的.很多情况下这个假定是不成立的,因此一些考虑空间效应的Fay-Herriot模型被提出.本文基于混合地理加权回归模型提出一类新的Fay-Herriot模型用以刻画空间非平稳性,基于提出的模型,给出小域目标参数的经验最佳线性无偏预测估计量,并研究了该估计量的均方误差.最后通过数值模拟验证了所提方法的有效性.

福瑞鲤选育家系不同养殖阶段的生长差异分析

为了进一步观察最佳线性无偏预测(best linear unbiased prediction,BLUP)家系选育方法在福瑞鲤(Cyprinus carpio)继代选育中的潜力,该研究测量了继续选育第2代家系群体不同养殖阶段的体质量和形态性状。结果表明,生长快速家系群福瑞鲤早期(4月龄)生长速度较慢,到后期则生长加快,其体质量增长表现出明显的优势。在体型方面,随着养殖时间的延长,福瑞鲤各选育家系群的体厚/体长增加,体高/体长降低,逐渐呈现其体型修长的特征;同时2个越冬期的成活率均达到了94%以上。结果表明通过BLUP家系选育对福瑞鲤长期选育是可行的。在此基础上,通过主成分分析发现,福瑞鲤生长性状第一主成分是体质量;对不同生长时期的体质量进行相关性分析,发现9月龄、14月龄、21月龄鱼的体质量与24月龄的相关系数均达到极显著水平(P<0.01),分别为0.851、0.897和0.957。因此,在福瑞鲤继续选育过程中,进行早期个体选择值得尝试。