标记辅助选择改良数量性状的研究进展

:本文系统地介绍了近年来有关标记辅助选择改良数量性状的研究进展 ,主要包括标记辅助回交、指数选择与最佳线性无偏预测的理论和应用研究概况。理论与计算机模拟表明标记辅助选择比常规表型选择更有效 ,但在实际育种中并不理想。同时本文还就当前标记辅助选择存在的问题和前景进行了讨论。

标记的等位基因频率对标记辅助导入效率的影响研究

本研究利用标记辅助最佳线性无偏预测(MBLUP)方法探讨了标记的4个等位基因具有不同频率时对标记辅助导入效率的影响。结果表明:利用MBLUP进行前景选择时,导入QTL频率不随供体中初始的标记等位基因频率的变化而变化,即使当供体中初始的标记等位基因频率很低时(0.5/0.25/0.2/0.05),仍然能获得很高的导入QTL频率(0.9954)。

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。

标记密度对标记辅助导入效率的影响

为了分析不同标记密度对标记辅助导入一个数量性状基因座(QTL)有利等位基因效率的影响,试验采用两阶段选择策略,前景选择是利用与导入QTL紧密连锁的两侧标记进行间接选择,并将标记辅助最佳线性无偏预测(MBLUP)用于背景选择。结果表明:在回交阶段,不同标记间图距对导入QTL有利等位基因的频率和前景性状的遗传进展影响很小;而在横交阶段,缩小标记间图距可以提高导入QTL有利等位基因的频率和前景性状的遗传进展,但当标记间图距由10 cm缩小到2 cm时,导入QTL有利等位基因频率的变化幅度很小。背景QTL有利等位基因的频率和背景性状的遗传进展在不同标记密度之间基本没有差异,说明当标记间图距小于10 cm时标记辅助导入效率比较高,而且将MBLUP应用于背景选择是可行的。

猪遗传育种的发展变化与我国育种偏差的纠正

20世纪初以来，猪遗传育种工作主要经历了四个阶段的变化，并取得了巨大成就。第一阶段，50年代以前，育种工作主要围绕以毛色、体型为主的表型选择。第二阶段，60年代时专门化父系和母系的提出，标志着现代养猪体系的形成。第三阶段，90年代BLUP技术（bestlinearunbiasedprediction，最佳线性无偏预测）地应用开辟了猪育种的新纪元。第四阶段，90年代以后随着分子生物学技术地应用，逐步经历了遗传标记辅助选择和全基因组选择两个阶段，目前全基因组选择还处于研究阶段。

基于XML的种猪遗传评估系统设计与实现

针对关系模式在养猪管理方面存在内容整齐划一、数据分散、访问数据效率低等不足之处,提出采用XML文档存储种猪数据的方案。根据XML的自我描述性特点,采用一个XML文档保存一头猪的所有数据,同时在XML文档中添加种猪谱系信息,设计出基于XML的种猪遗传评估系统。通过采用XML文档集中地存储种猪数据,管理人员能够方便地查询、分析及传输种猪数据,从而实现种猪精细化管理以及提高遗传育种计算效率。