基于株平均值的胚乳性状QTL作图的极大似然方法

根据三倍体胚乳性状的数量遗传模型,发展出一种新的专用于胚乳性状数量基因座位（QTL）区间作图的统计方法。该方法以分离群体中各植株的分子标记基因型以及植株上若干粒种子胚乳性状的平均值为数据模式,采用基于平均值混合分布理论的极大似然方法进行QTL分析。QTL效应估计通过EM算法实现。由于该方法利用标记基因型内QTL基因型的混合分布特性,因此,它比同样基于株平均值的最小平方QTL分析方法以及迭代重新加权最小平方QTL分析方法具有更高的统计功效和精确度。方法的可行性和有效性通过计算机模拟数据分析得到了进一步验证。     

基于NC III和TTC设计的胚乳性状QTL区间作图方法

根据三倍体胚乳性状的遗传模型, 提出基于NC III以及TTC两种遗传设计的胚乳性状QTL作图新方法, 并通过计算机模拟数据, 对该方法的可行性和有效性进行了分析验证。模拟研究供试因素包括QTL遗传力、F₂群体植株数和每家系混合样品测定的胚乳数。考察指标包括QTL的统计功效以及QTL位置和效应估计的准确度与精确度。结果表明, 2种设计均有较高的QTL统计功效, 在供试的大多数处理中, 即使QTL的遗传力只有5%, 其被发现能力也可达100%。两种设计均可有效区分胚乳QTL的各种遗传效应。基于TTC设计的胚乳QTL作图方法, 在QTL的统计功效、位置估计和效应估计上, 均优于NC III设计, 虽然这一优势随着QTL遗传力的提高以及样本容量的增大而有降低的趋势。     

基于单粒观察值的胚乳性状QTL图的构建方法

谷物胚乳性状是决定谷物品质的一类重要性状。由于胚乳是由雌性的两个极核和雄性的一个精核受精发育而形成的三倍体组织,因此胚乳性状的遗传基础要比通常的二倍体农艺性状复杂得多。本文根据三倍体胚乳性状的数量遗传模型,提出利用分布于染色体上的所有分子标记对胚乳性状数量基因座位（QTL）进行区间作图的极大似然估计方     

胚乳性状的遗传模型及其分析方法

提出分析谷类作物胚乳数量性状世代平均数的遗传模型。该模型把控制胚乳性状的总遗传效应G分解为胚乳直接效应Go、细胞质效应C和母体植株效应Gm。而Go又可分解为直接加性（A）和直接显性（D）遗传分量,Gm则可分解为母体则可分解为母体加性（Am）和母体显性（Dm）遗传分量。用MINQUE（0/1）法可以无偏地估算该模型中的直接遗     

F2:3设计全基因组标记的Bayesian分析

数量性状的遗传率低时,常采用F_2:3设计进行遗传分析,但往往忽略异质家系内QTL的混合分布特性。同时,用多QTL模型检测QTL会提高QTL检测的功效。因此,本文在利用F_2:3设计异质F_2:3家系内QTL混合分布特性基础上,提出F_2:3设计全基因组多标记联合分析新方法。该方法充分利用了异质F_2:3家系内的QTL混合分布,并采用多QTL遗传模型。Monte Carlo模拟研究表明,新方法能获得精确的QTL效应和位置的估计。此外,还比较了QTL效应抽样的两种策略。研究表明,新策略能显著提高QTL检测的功效。     

数量性状基因的完备区间作图方法

结合分子标记和表型数据的QTL作图已成为数量性状遗传分析的常规方法。复合区间作图是近10多年来广泛应用的一种QTL定位方法,但它在算法上有一些缺陷,致使QTL效应可能会被侧连标记区间之外的标记变量吸收,同时不同的背景标记选择方法对作图结果的影响较大,并且难以推广到上位型互作QTL的定位。针对这些问题,笔者提出完备区间作图方法。本文介绍了该方法的遗传和统计原理,并通过一个大麦加倍单倍体群体说明其在定位加性QTL和加性×加性互作QTL中的应用。完备区间作图包含两个步骤：首先利用所有标记的信息,通过逐步回归选择重要的标记变量并估计其效应;然后利用逐步回归得到的线性模型校正表型数据,通过一维扫描定位加(显)性效应QTL,通过二维扫描定位上位型互作QTL。这种作图策略简化了复合区间作图中控制背景遗传变异的过程,提高了对QTL的检测功效。     

F2:3设计全基因组标记的Bayesian分析

数量性状的遗传率低时，常采用F_2:3设计进行遗传分析，但往往忽略异质家系内QTL的混合分布特性。同时，用多QTL模型检测QTL会提高QTL检测的功效。因此，本文在利用F_2:3设计异质F_2:3家系内QTL混合分布特性基础上，提出F_2:3设计全基因组多标记联合分析新方法。该方法充分利用了异质F_2:3家系内的QTL混合分布，并采用多QTL遗传模型。Monte Carlo模拟研究表明，新方法能获得精确的QTL效应和位置的估计。此外，还比较了QTL效应抽样的两种策略。研究表明，新策略能显著提高QTL检测的功效。     

数量性状基因图谱构建方法的比较

应用方差分析法(ANOVA)、区间作图法(IM)和复合区间作图法(CIM),分析玉米组合Ki3×CML139的F_2群体有关玉米螟抗性、株高和穗位高的数量性状基因(QTL)图谱。结果表明:(1)在同一显著水平下(。=0.0032),ANOVA共发现25个QTL,而IM为21个,CIM为23个。说明ANOVA虽然难以精确标定QTL的位置,但其发现能力仍可能是最高的。(2)在总共发现的30个QTL中,3种方法都发现的有15个,两种方法共同发现的有9个,仅由一种方法发现的有6个,说明3种方法的同一性仍是主要的。值得注意的是CIM法单独发现的QTL达4个之多,但其可重复性尚待验证。(3)3种方法估计的QTL的平均加性效应(?)和显性效应(?)均无显著差异,而且方法间变异大多小于方法内变异。(4)建议以几种方法构建QTL图谱,并优先标定共同发现的QTL;QTL的效应可以合并估计。     

不同统计遗传模型QTL定位方法应用效果的模拟比较

分子遗传和数量遗传的结合,发展了QTL定位研究。随着定位方法与软件的建立和完善,QTL定位的研究越来越多。准确定位的QTL可用于分子标记辅助选择和图位克隆,而假阳性QTL将误导定位信息的应用。本文分析了迄今主要定位方法(软件)对于各种遗传模型数据的适用性。应用计算机模拟4类遗传模型不同的重组自交系群体(RIL),第一类只包含加性QTL;第二类包含加性和上位性互作QTL;第三类包含加性QTL和QTL与环境互作效应;第四类包含加性、上位性互作QTL和QTL与环境互作效应。每类按模拟QTL个数不同设两种情况,共分为8种数据模型(下称M-1～M-8)。选用WinQTLCart 2.5的复合区间作图(下称CIM)、多区间作图前进搜索(MIMF)、多区间作图回归前进选择(MIMR)、IciMapping 2.0的完备复合区间作图(ICIM)、MapQTL 5.0的多QTL模型(MQM)以及QTLnetwork 2.0的区间作图(MCIM)6种程序对8种不同遗传模型的RIL进行QTL检测。结果表明,不同程序适用的遗传模型范围不同。CIM和MQM只适于检测第一类模型;MIMR、MIMF和ICIM只适于检测第一类和第二类模型;只有MCIM适于检测所有4类遗传模型;因而不同遗传模型数据的最适合检测程序不同。由于未知实际数据的遗传模型,应采用在复杂模型程序,如QTLnetwork 2.0,扫描基础上的多模型QTL定位策略,对所获模型用相应模型软件进行验证。     

普通玉米子粒性状四类效应的遗传分析

采用二倍体胚和三倍体胚乳种子遗传模型及其分析方法,以５个玉米自交系及其间配制的Ｆ１,Ｆ２,ＢＣ１,ＢＣ２为材料,研究了５个玉米种子性状的胚直接效应、胚乳直接效应、母体效应和细胞质效应。结果表明,除粒宽外,各性状的遗传同时由质效应和胚、胚乳、母体基因效应所控制,丰粒重主要受胚乳和母体效应的影响,粒长的遗传以母体效应为主,粒宽和粒厚以胚乳效应为主。各部位子粒百粒重的胚乳直接加性效应与母体加性效应的协方差达显著或极显著水平,其余性状的胚、胚乳直接效应与母体效应间的协方差均不显著,通过母体植株的遗传表现可对这些性状进行有效的选择。在提高丰粒重的玉米育种中,以任一部位子粒百粒重作为选择标准可起到相同的选择效果,直接选择粒宽的分离类型有利于获得大粒的遗传材料。Ｓ２２是改良百粒重的优良亲本。     

不同环境条件下稻米组氨酸和精氨酸的胚乳和母体植株QTL分析

利用汕优63重组自交系与双亲回交产生的BC1F1和BC2F1群体,采用新发展的包括环境互作效应在内的多遗传体系QTL作图方法和基因定位软件,对稻米两种半必需氨基酸（组氨酸和精氨酸）进行三倍体胚乳和二倍体母体植株等不同遗传体系的QTL定位分析。共检测到10个控制组氨酸含量的QTL以及8个控制精氨酸含量的QTL。全部QTL均具有极显著的三倍体胚乳和二倍体母体植株基因的加性主效应,其中4个QTL具有显著或极显著的三倍体胚乳显性主效应,7个QTL还具有明显的环境互作效应。     

构建数量性状基因图谱的统计方法

随着分子生物学研究的迅速发展和人类基因组统计的深入，数量遗传学在数量性状基因（ＱＴＬ）的定位方面正在经历着一场深刻的变化。人类和动、植物基因组计划的早期成果之一，就是建立人类以及实验、家养动物和栽培植物的遗传连锁图、利用这些连锁图，可以对许多ＱＴＬ进行单个分离测定和定位。许多复杂疾病和具有重要农 生物学意义的性状都属于数量性状。在ＱＴＬ定位的研究中，统计分析起着很重要的作用。近年来有许多新的统计方     

QTL analyses of complex traits with cross validation, bootstrapping and other biometric methods

With the development of molecular markers, dissection of complex quantitative traits by mapping the underlying genetic factors has become a major research area in plant breeding. Here, we report results from a vast QTL mapping experiment in maize with testcrosses of N= 976 F_4:5 lines evaluated in E= 16 environments. Although the number of detected QTL confirmed the infinitesimal model of quantitative genetics (e.g., 30 QTL detected with LOD ≥ 2.5 for plant height, explaining p= 61% of the genetic variance), cross validation (CV) still revealed an upward bias of about 10% in p. With smaller values of N (122, 244, 488) and E (2, 4), the number of detected QTL decreased, but the estimates of p remained almost the same due to a tremendous increase in the bias. This illustrates that QTL effects obtained from smaller sample sizes are usually highly inflated, leading to an overly optimistic assessment of the prospects of MAS. Moreover, inferences about the genetic architecture (number of QTL and their effects) of complex traits cannot be achieved reliably with smaller sample sizes. Based on simulations, we conclude that CV and one method of bootstrapping (BS) performed well with regard to yielding realistic estimates of p. In addition, we briefly review progress in new biometric methods and approaches to QTL mapping in plants including Bayesian methods that show great promise to overcome the present limitations of QTL mapping. This revised version was published online in July 2006 with corrections to the Cover Date.     

四向杂交设计QTL分析的极大似然方法

四向杂交（four-way cross）设计是指4个纯系亲本参与杂交衍生分离群体的一种交配设计。尽管国际上已经提出基于四向杂交设计的迭代重新加权最小平方（iteratively reweighed least squares，IRWLS）QTL作图方法，但该方法忽略了双侧标记基因型内QTL基因型的混合分布特性，当QTL位置和标记的位置不重合时作图精度较低。本文根据四向杂交设计的数量遗传模型，发展出基于四向杂交设计和混合分布理论的QTL作图的极大似然估计方法。首先利用染色体上所有标记基因型联合计算该染色体上任一假定位置QTL的条件概率，然后根据混合分布理论建立基于EM算法实现的QTL作图的极大似然估计方法。以计算机模拟数据研究了QTL遗传力、样本容量和分子标记信息含量3个因素对方法的影响，结果表明,（1）在QTL的被发现能力上，标记信息不完全的四向杂交设计仅略低于信息完全时的四向杂交设计；（2）随着QTL遗传力、样本容量和标记信息含量的增大，QTL位置以及效应估计值的准确度和精确度逐步提高。     

用闭合三角形杂交群体检测QTL等位位点差异

本文简述QTL定位和数量性状分子标记辅助选择的基本原理、基本方法,以及在实际应用中存在的一些问题。将12个不同作图群体构建的刚UP或SSR分子标记连锁图,根据其大多数分子标记所在的染色体节,再按每条染色体在各自连锁图中的相对长度整合在一起,然后将所定位的玉米株高QTL转换成整合图上的相对位置。结果发现,12个作图群体定位的75个玉米株高QTL位点遍布整个染色体组,QTL定位的重演性不高。分析认为,这是数量性状受众多微效多基因控制的必然现象。最后,提出用闭合三角形杂交群体进行QTL定位,检测QTL等位点的多重差异,并设想用这种方法验证或提高不同作图群体定位同一数量性状QTL的重演性。     

数量性状基因定位研究中若干常见问题的分析与解答

QTL作图是基因精细定位、克隆以及有效开展分子育种的基础,在利用QTL作图开展数量性状基因定位研究的过程中经常会碰到一些问题,与统计方法有关的一些问题包括LOD的统计学意义是什么？检测QTL的可信度和LOD临界值的关系是什么？如何评价不同的QTL作图方法？提高QTL检测效率的途径有哪些？与遗传参数估计有关的一些问题包括QTL的贡献率是如何计算出来的？如何确定QTL有利等位基因的来源？选择基因型分析的有效性如何？复合性状是否适宜于QTL作图？与作图群体及遗传图谱有关的一些问题包括QTL作图群体中表型数据是否要求服从正态分布？加密标记是否可以显著提高QTL检测功效？缺失分子标记对QTL作图有什么影响？奇异分离标记对QTL作图有什么影响？文章试图结合笔者多年研究工作对这12个有共性的常见问题做出分析和解答,以供科研工作者参考。     

Efficiency of low heritability QTL mapping under high SNP density

The efficiency of quantitative trait locus (QTL) mapping methods needs to be investigated assuming high single nucleotide polymorphism (SNP) density and low heritability QTLs. This study assessed the efficiency of the least squares, maximum likelihood, and Bayesian approaches for QTL mapping assuming high SNP density and low heritability QTLs. We simulated 50 samples of 400 F₂ individuals, which were genotyped for 1000 SNPs (average density of one SNP/centiMorgan) and phenotyped for three traits controlled by 12 QTLs and 88 minor genes. The genes were randomly distributed in the regions covered by the SNPs along ten chromosomes. The QTL heritabilities ranged from approximately 1–2% and the sample sizes were 200 and 400. The power of QTL detection ranged from 30 to 60%, the false discovery rate (FDR) ranged from only 0.5–1.2%, and the bias in the QTL position ranged from 4 to 6 cM. The QTL mapping efficiency was not influenced by the degree of dominance. The statistical approaches were comparable regarding the FDR. Regression-based and simple interval mapping methods showed equivalent power of QTL detection and mapping precision. Compared to interval mapping, the inclusive composite interval mapping provided slightly greater QTL detection power and mapping precision only for the intermediate and high heritability QTLs. By maximizing the prior number of QTLs, the Bayesian analysis provided the greatest power of QTL detection. No method proved to be superior.