仔猪初生窝重性状的遗传评估

本文旨在计算温氏某育种场大白猪初生窝重性状的遗传参数,并评估基因组选择不同计算方法对初生窝重性状的选择准确性。利用DMU软件和动物模型估计初生窝重的方差组分,包括加性方差组分和永久环境效应方差组分,并计算性状的遗传力。通过简化基因组测序分型方法,构建大白猪基因组选择参考群体,并利用GVCBLUP和BLUPF90软件,验证群体分别使用BLUP、GBLUP和ssGBLUP方法计算估计育种值的准确性。结果显示：初生窝重的遗传力为0.08,为低遗传力性状。初生窝重与总产仔数、产活仔数、健仔数和弱差猪仔数遗传相关系数分别为0.59,0.68,0.88和-0.17。基因组选择结果显示,验证群体ssGBLUP育种值估计的准确性最高,达到0.38,比常规BLUP方法提高了15.79%,与BLUP估计育种值秩相关达到0.63。对初生窝重的选择,可有效提高产仔数;且结合ssGBLUP方法的基因组选择,能够有效提高估计育种值的准确性。     

猪群体一步法基因组选择应用效果评估

【背景】在提高畜牧生产效率中,遗传育种的贡献率占比最高。通过育种可使畜牧企业提高生产效率,获得最大的经济效益。目前,基因组选择已经成为动植物育种中广泛应用的技术手段。基因组选择能够利用覆盖全基因组的高密度标记对育种值进行估计,与系谱信息相比,利用这些标记得到的个体间平均亲缘关系更加准确,从而能更准确地估计育种值（Estimate breeding values, EBV）,对个体进行选育。在实际育种中,对所有个体进行基因分型是不现实的,尤其是猪这种个体经济价值较小的物种,这限制了基因组选择在猪育种中的应用。一步法（single-step genomic best linear unbiased prediction,ssGBLUP）能够同时利用系谱和基因型信息,允许只测定部分个体的基因型,在保持较高预测准确性的同时,大大降低基因分型成本。目前,已经有很多研究表明,在猪育种中使用基因组选择方法能够提高预测准确性,但在实际育种中,育种成本也是畜牧企业考虑的一个重要问题。因此,如何经济有效地实施育种方案,具有重大的研究价值。【目的】通过对一步法基因组选择在杜洛克猪群体评估效果的研究,为基因组选择育种方案提供依据。【方法】以福建某猪场2009—2018年出生的杜洛克猪群体的3个重要经济性状为研究对象,比较了BLUP、GBLUP和一步法等方法在杜洛克猪生长性状上的基因组预测准确性与估计育种值预测可靠性,探究了当参考群中具有不同比例的基因型个体时,一步法预测准确性的变化规律。【结果】（1）达100 kg日龄、背膘厚和眼肌面积的遗传力分别为0.257±0.038、0.250±0.039和0.399±0.040;（2）ssGBLUP相比于BLUP准确性提升14.7%—51.1%;相比于GBLUP准确性提升13.4%—45.7%;（3）10%—30%的个体有基因型时,ssGBLUP预测的准确性超过BLUP;在40%—60%的个体有基因型时,准确性提升速度降低,趋于平缓。【结论】（1）与BLUP相比,一步法能提高各性状估计育种值的准确性和可靠性;与GBLUP方法相比,只有无基因型个体的系谱信息时一步法略低于GBLUP,但在加入无基因型个体的表型信息后,一步法表现优于GBLUP。（2）随着参考群中测定基因型个体的比例逐渐提高,不管使用哪种筛选测定基因型个体的方式（随机选取和筛选关键个体）,一步法预测效果都逐渐提高。表明,在企业育种预算有限时,即使只测定部分个体基因型,一步法可提高基因组选择的预测效果。     

植物数量性状全基因组选择研究进展

全基因组选择是新近开始在植物数量性状研究和植物育种中应用的一种分析方法.它以连锁不平衡为基础,利用BLUP(best linear unbiased prediction)分析方法准确估计某一群体每一遗传标记的育种值,从而只利用这些预测的育种值来进行选择.文章综述了全基因组选择的原理、方法以及全基因组选择在植物育种方面的研究进展,探讨各种因素对全基因组选择的影响,并讨论了全基因组选择在植物数量性状分子育种研究中可能的应用.     

畜禽基因组选择中贝叶斯方法及其参数优化策略

品种选育在畜禽育种中占十分重要的地位,基因组选择作为畜禽育种的新兴技术手段而备受关注。其优点为可以缩短世代间隔,加快遗传进展,可以不依赖于表型进行选择。2001年,Meuwisen提出基因组选择的概念后,基因组选择首先应用于奶牛育种,至2014年8月,国际公牛组织已有34个成员国在其国家奶牛育种群中应用基因组选择。随着基因组选择的不断推广应用,提高基因组育种值估计准确性的问题有待于解决,当前对基因组选择方法的研究和探讨正在不断深入,有效的模型及算法对提高基因组育种值估计的准确性具有重大现实意义。至今已有17种贝叶斯方法相继被提出,本文简要介绍了基因组选择中的经典BayesA和BayesB方法,其中BayesA假设所有位点都有效应,BayesB假设部分位点有效应,且这部分有效应的位点所占的比例很小,它们的假设模型和算法都不相同。Meuviwisen提出经典贝叶斯方法后,其它贝叶斯方法犹如雨后春笋般涌出,这些新方法的提出,都是基于经典贝叶斯方法原理,对假设模型和算法进行适当改进,以期对模型中的参数进行优化。如BayesC方法在BayesB的基础上对模型中的π值进行优化,BayesCπ和 BayesDπ是在BayesC的基础上进行改进,这两种方法假设各位点的效应方差是相同的,而BayesC假设各位点的效应方差是不同的,BayesDπ又是在BayesCπ基础上对效应方差服从尺度逆卡方分布中的尺度参数进行优化。Bayes Lasso的思想和BayesA一样,不同之处在于它假设标记效应服从另一种分布-拉普拉斯分布,所以标记效应的后验分布也随之改变。BayesRS方法假设各位点的效应方差是按占一定比例的总遗传方差分配的。其它的贝叶斯方法也都是在前人研究的基础之上对模型中的先验假设进行变换和模型中的参数进行优化,以期寻找最适合群体的假设模型和参数。目前广泛应用的贝叶斯算法仍是经典贝叶斯算法以及BayesCπ,这是由于它们计算结果的稳定性和较高的基因组育种值估计准确性。在这3种贝叶斯算法中,基因组育种值估计准确性基本上是BayesB＞BayesCπ＞BayesA,但某些性状计算的基因组育种值准确性结果并非如此。相对于经典贝叶斯方法,参数优化过程在一定程度上提高了基组育种值估计的准确性。总之,在经典贝叶斯方法的基础上,贝叶斯方法的改进算法及其参数优化策略围绕着以提高基因组育种值估计的准确性为目的,通过生物遗传算法与实际的群体情况相结合,寻找最适的假设模型和参数优化策略,丰富和拓展了基因组选择算法,并能使得基因组育种值更具参考价值。由于中国的动物育种历程与国外育种差距甚远,利用基因组选择可以加快畜禽育种进程,进而还可以培养新品系,丰富遗传资源。同时对基因组选择在中国的方法研究及应用进行了介绍,面对基因组选择的种种优点,全基因组选择育种技术势在必行。此外,文章还探讨了畜禽基因组选择中贝叶斯方法及其参数优化策略存在的主要问题和今后研究的热点,以期为获得更加可靠和快捷的基因组选择算法提供参考。     

基于GBLUP和BayesB方法对肉鸡屠宰性状基因组预测准确性的比较

【目的】育种值估计是畜禽育种的核心内容,准确的育种值估计是提高选种准确性的重要手段。屠宰性状是肉鸡重要的经济性状,且无法活体测量,利用基因组信息进行育种值估计的基因组选择是十分有力的工具。文章通过比较GBLUP和BayesB方法对肉鸡屠宰性状的基因组预测的准确性,为肉鸡育种值估计的策略提供依据。【方法】用本课题组前期收集的3 362只白羽肉鸡的表型记录,性状包括胸肌率（BrR）、胸肌重（BrW）、屠体重（CW）、腿肌率（ThR）和腿肌重（ThW）。利用中国农业科学院自主研发的“京芯一号”鸡 55 K SNP芯片对所有个体进行了基因分型,采用PLINK软件对芯片的基因型数据进行质量控制,基因组选择的GBLUP和BayesB方法分别由基于R语言的ASReml包和hibayes包实施,并采用世代验证法评估两种方法的基因组育种值的预测准确性。【结果】研究发现基因组选择的准确性与性状的遗传力大致呈正相关。结果显示,在使用GBLUP方法时,预测准确性最高的性状为胸肌率。胸肌率、胸肌重、屠体重、腿肌率和腿肌重的基因组预测的准确性分别为0.3262、0.2871、0.2780、0.2153、0.2126;在使用BayesB方法时,预测准确性最高的性状为胸肌率。5个性状的基因组预测的准确性分别为0.3765、0.2257、0.1376、0.2525、0.2844。结果表明,对于白羽肉鸡屠宰性状的基因组选择研究,BayesB方法的预测准确性略高于GBLUP方法。对于3000的样本量和55 K的标记密度,GBLUP方法的计算时间大约为1h,BayesB方法的计算时间大约为7h。【结论】对于胸肌率、腿肌率和腿肌重,BayesB方法的预测准确性高于GBLUP方法;对于屠体重和胸肌重,GBLUP方法的预测准确性高于BayesB。畜禽的育种工作注重实效性。在实际的育种工作中,需要综合考虑育种值估计的准确性和育种的时效性来决定用何种方式估计基因组育种值。     

猪基因组选择“两步走”策略的计算机模拟评估

【背景】基因组选择育种自2001年被MEUWISSEN等提出以来,已广泛应用在奶牛、猪等重要家畜的育种中,并显著加快了其重要经济性状的遗传改良速度。2017年,在全国畜牧总站的组织协调下,在全国生猪遗传改良计划框架内,猪全基因组选择育种平台项目正式启动。【目的】尽管基因组选择在种猪选育中取得了良好的效果,基因分型技术的不断升级也带来了成本的持续下降,但对于我国多数核心育种场依然面临着基因芯片分型个体数量不足、基因组选择实施流程不完善等问题,限制了该技术的大规模推广应用。结合我国生猪育种的实际情况,研究提出了一种“终测选择-早期选择”的“两步走”基因组选择策略。“终测选择”指在终测结束后利用一步法基因组BLUP对后备猪进行遗传评估,当群体中芯片分型个体数量达到一定规模后进行“早期选择”。【方法】以杜洛克、长白和大白三个种猪品种真实的50K基因芯片数据作为基础群体对不同品种分别进行大群模拟,共模拟4个世代,前3个世代作为基础群体,第4个世代作为测试群体,每个个体模拟两个性状（中等遗传力性状和低遗传力性状）,利用猪基因组选择育种平台基于HIBLUP软件计算不同品种、不同性状的育种值,比较一步法基因组BLUP和常规BLUP两种方法的预测准确性。根据测试群个体有无终测成绩对其基因组育种值影响大小来评估早期选择效果。【结果】分析表明在3个品种内中等遗传力性状的终测选择效果和早期选择效果均好于低遗传力性状。一步法基因组BLUP的选择准确性均优于常规BLUP的选择准确性,并且随着测试群中芯片分型个体数量的增加、群体规模的扩大,预测准确性越来越高。一步法基因组BLUP的早期选择效果好于常规BLUP,当群体中芯片数量达到2 000张时就可以开展早期选择,阉割排名后30%的个体,可以保证前1%的优秀个体不会被错误淘汰,并且随着芯片数量的增加、早期选择的效果会越来越好。【结论】基因组选择“两步走”的策略符合我国国情、容易在生猪育种中推广实施。当芯片数量较少时,可以开展“终测选择”,一定程度上提高选择的准确性,提高育种效率;当芯片数量较多时,可以开展“早期选择”,对排名靠后的猪只个体进行早期阉割,增加优秀个体的测定量,增大选择强度、加快遗传进展。“两步走”策略符合我国生猪产业基因组选择育种的实际需求,该策略的实施将有利于推动我国猪基因组选择的应用、加快种猪改良进程。     

北京地区大白猪基因组联合育种研究

【目的】 利用基因组选择技术,进行北京地区大白猪基因组联合遗传评估,并实施基因组选择分子育种,预测刚出生的小公猪基因组估计育种值,提高选种准确性。【方法】 利用北京地区3家核心育种场英、美系大白猪2007-2017年场内性能测定记录,筛选4020头个体构建基因组选择混合参考群,性状包括达100kg体重日龄、100kg活体背膘厚和总产仔数,参考群个体和候选公猪个体基因型信息主要采用Illumina 80K SNP芯片进行测定。基因组育种值采用同时利用系谱信息和基因组信息的一步法（SSGBLUP）方法,对3家核心场猪只进行基因组联合遗传评估,分别在公猪去势前和性能测定结束时预测大白公猪生长性状和繁殖性状基因组估计育种值（GEBV）,并进行相应选种。3个场之间的场间遗传联系用关联率衡量。【结果】 场间关联率计算结果表明,由于遗传背景差异,北京地区3家核心场场间遗传联系偏低,无法开展传统联合遗传评估,但基于基因组信息的G矩阵亲缘关系结果显示,不同群体间个体存在亲缘关系,说明通过基因组选择可以实现3个育种场间的基因组联合遗传评估。基因组选择实施后,累计基因组预测大白公猪1789头。与传统育种方式相比,基因组选择准确性大幅提高。实施第一次基因组选择或早期选择时（公猪去势前）,达100 kg体重日龄、100 kg活体背膘厚和总产仔数系谱指数的准确性分别为0.55,0.56和0.41,而3个性状GEBV的准确性分别为0.65,0.70和0.60,提高了10、14和19个百分点。终选（性能测定结束）时,3个性状的传统育种值（EBV）准确性为0.70、0.72和0.41,GEBV准确性进一步提高至0.78、0.84和0.60,提高了8、12和19个百分点。低遗传力的总产仔数准确性提高幅度最大。公猪去势前初选时基因组选择准确性与常规性能测定结束时的常规育种值选择准确性几乎一致,表明基因组选择早期选种效果与常规育种相当,节省了育种时间和成本。338头完成性能测定的候选公猪两次基因组选择准确性表明,第二次基因组选择由于加入了候选公猪的测定信息,达100kg体重日龄和100kg活体背膘厚的GEBV准确性由第一次的0.55和0.62分别提高到0.72和0.84,提高了17和22个百分点。无偏性系数在0.82-1.00之间,两性状GEBV的无偏性由第一次基因组选择的0.82、0.96 分别提高到0.91、1.00,说明第二次估计的偏差更小,结果可信度更高,能更准确选出优秀的种公猪。【结论】 基因组选择可以建立场间遗传联系,实现常规育种不能进行的联合遗传评估,能够进行更大范围的联合育种。基因组选择的准确性高于传统的系谱指数和育种值选种,且低遗传力性状提高幅度最大。基因组选择能够实现早期选择,提高育种效益。     

全基因组选择在植物育种中的研究进展

育种值的估计是品种选育核心,在农业生产中占有十分重要的地位。全基因组选择通过估计全基因组所有标记或单倍型的效应,从而得到基因组估计的育种值,是分子标记辅助选择的一种新方法。随着高通量基因分型技术的发展及高密度全基因组SNP标记的开发应用,全基因组选择已成为动植物遗传育种的研究热点。对全基因组选择的原理、计算方法、影响准确性的因素及植物育种中的研究现状等进行综述,并对全基因组选择在植物育种的应用进行了展望。     

植物全基因组选择育种研究进展与前景

全基因组选择是指基于基因组育种值(GEBV)的选择方法,指通过检测覆盖全基因组的分子标记,利用基因组水平的遗传信息对个体进行遗传评估,以期获得更高的育种值估计准确度。当前,大部分关于全基因组选择的研究都集中在动物育种领域,其中有限群体容量的连锁不平衡、衰减程度、育种目标、试验设计和其他群体的特性以及育种程序都和植物育种不同。随着生物技术的迅猛发展,全基因组选择近年开始在植物数量性状研究和植物育种中也取得了一定的进展。综述了全基因组选择的原理、方法、优势以及全基因组选择在植物育种方面的研究进展。     

基因组选择方法研究进展

基因组选择能够在全基因组范围内同时估计出所有标记的效应,对表型未知的群体做出合理的预测,进而实现对品种更加全面、可靠的选择。该方法能够降低动植物育种的时间和人工成本,具有十分广阔的应用前景。概述GBLUP、贝叶斯和机器学习等目前主流基因组选择方法的原理和特点、影响预测精度的主要因素以及基因组选择方法在动植物育种应用中的研究进展,并指出当前基因组选择方法研究所面临的问题和挑战。     

奶牛繁殖性状的育种值估计

[目的]奶牛繁殖性状的育种值估计及比较不同育种值估计方法的准确性。[方法]利用北京市8个黑白花奶牛群的头胎繁殖性状资料,用BLUP法估计了公牛繁殖力的育种值;利用20头公牛的2299条与配母牛头胎繁殖性状资料,估计了公牛雄性繁殖力的育种值;利用19头公牛的2001条女儿的头胎繁殖性状资料,估计了公牛雌性繁殖力的育种值。分别比较了考虑场、年、季之间互作效应的和未考虑场、年、季之间互作效应,用最小二乘法事先矫正了场、年、季效应这3种方法的育种值估计准确性。[结果]考虑场、年、季之间互作效应时的准确性最高,未考虑时的准确性最低。[结论]估计公牛繁殖性能的育种值时,应事先或模型中加以剔除这些固定效应。     

动物遗传育种学科百年发展历程与研究前沿

经过上万年的野生物种驯化、自然选择和人工选择,世界各国逐渐形成了现有的家养动物品种。伴随着遗传学理论的发现和逐步完善,动物常规育种技术从一般的表型选择发展到利用BLUP方法进行育种值估计,在近五十年为畜禽遗传改良做出了巨大贡献。20世纪80年代,各种分子遗传标记的逐步问世和现代生物技术的迅速发展为动物遗传育种工作的研究和改良提供了新的途径和方法。DNA、RNA、蛋白质等各种组学信息的整合研究,不但为动物重要经济性状功能基因挖掘、分子遗传机制解析带来新的契机,并且使得动物育种从传统育种时代真正迈入分子育种时代。近年来,世界动物育种工作在分子数量遗传学、功能基因组学、分子育种技术等方面都取得了显著进展。     

新疆冬小麦品种资源主要产量性状全基因组关联分析

【目的】高产是小麦育种的永恒主题,利用全基因组关联分析发掘控制小麦产量性状的QTL区段及优异基因,为小麦分子标记辅助选择育种提供理论依据和标记信息。【方法】以新疆本地188个冬小麦品种资源为材料,利用小麦55K SNP芯片进行全基因组扫描,通过对6个不同环境下的株高、穗长、小穗数、可育小穗数、穗粒数、千粒重、粒长、粒宽、籽粒长/宽比9个产量相关性状进行表型鉴定,利用6个环境下各性状数据及最佳线性无偏预测（BLUP）数据,基于混合线性模型（MLM）对表型和基因型进行全基因组关联分析。【结果】经主成分分析,将188个材料分为地方品种和育成品种2个亚群;利用6个环境下各性状数据,9个性状共检测到1 309个显著性SNP标记,其中,每个显著性SNP位点可解释7.259%—70.792%的表型变异。利用BLUP数据,9个性状共检测到66个显著性位点,同时与2个性状关联的共有SNP位点有5个,贡献率波动范围为8.498%—21.877%。将同时与2个性状或2个以上环境关联到的重复位点作为稳定的显著性关联位点,9个性状共检测到38个稳定关联位点,包括株高重复位点5个,穗长重复位点10个,小穗数重复位...     

猪育种标记辅助选择的经济效益研究

为了研究在育种群中利用MAS对猪育种中所需选择的5个性状即NBA、BF、FCR、ADG、IMF的经济效益,本研究采用3个不同规模的基础群:母猪分别为100、200、300头,公猪都为10头,利用LE、LD和DR等3种类型标记对5个性状分别进行MAS闭锁繁育选择5个世代,基础群个体间无亲缘关系;估计育种值采用的模型为SBLUP(标准BLUP)模型(以此育种值为对照)、MBLUP混合模型(使用LE和LD标记时)和QBLUP模型(利用DR标记时).由各性状利用MAS获得的额外遗传进展计算MAS带来的经济效益.研究结果表明,利用DR标记获得的经济效益高;3个规模不同育种群利用DR标记进行MAS时,300头母猪群体获得的经济效益最高;尽管利用LE标记比利用LD标记获得更多的额外遗传进展,但还是以利用LD标记获得的经济效益更高.     

动物分子育种技术

现代分子育种技术；而转基因育种则是通过向受体动物转移有重要功能的基因或一组功能相关的基因来提高动物的生产性能的育种技术。DNA标记辅助选择对于遗传力低的性状，如产仔数、肉质性状和屠体性状等，改良效率是传统育种方法的几倍、甚至几十倍。如果在进行育种选择时，DNA标记或功能基因覆盖了整个基因组，并且达到一定的密度和遗传效应，则往往又称为动物基因组育种。     

线性模型与机器学习模型在牦牛体重预测比较

本研究旨在比较线性回归模型与机器学习模型在利用体尺性状预测体重时的准确性。测定102头革吉那布地区两岁龄牦牛相关体尺性状(体高、体长和胸围)与体重,然后将数据按照不同比例梯度分为训练集和测试集,利用传统的一般线性模型方法和机器学习方法(高斯过程回归、支持向量机)分别构建体尺性状与体重之间的回归预测模型。每个比例均重复5次,将体重的真实值与预测值之间的相关系数均值作为当前比例下的模型准确性结果。结果显示,随着训练集数据的增加,线性回归模型的预测结果较稳定在0.71至0.80之间,而机器学习方法的预测准确性最高达到0.91。故在训练集数据充足的情况下,相比于一般线性模型,利用机器学习方法进行预测具有更高的准确性。     

家畜遗传评估方法研究进展

为研究家畜育种值估计方法的原理和适应性,提高家畜育种值估计的准确性。以"家畜"、"育种值估计"、"方差组分"、"基因组选择方法"和"统计模型"为关键词,利用中国知网、百度学术、谷歌学术和SCI-HUB对2010—2019年的家畜育种值估计方法进行文献检索和归纳。研究发现不同家畜遗传评估方法所适合的研究对象不同,并且在研究过程中所选用的方法不同对育种值估计得出的结果的准确性也不相同,因此在应用家畜育种值估计时,应充分了解各种方法的原理并选择合适的估计方法,以提高家畜育种值估计的准确性。未来遗传评估模型的建立应以研究对象为目标,选择合适的遗传评估模型,以期获得更加准确的估计育种值进行早期选种,缩短世代间隔,加快遗传进展。     

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60 712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。     

标记辅助选择在动物育种中的研究进展

随着大量与QTL紧密连锁的分子遗传标记以及一些主效基因的发现,标记辅助选择成为数量遗传学的一个研究热点.综述了标记辅助选择使用的模型、算法、影响其效率的因素、优化方法,以及标记辅助选择在动物育种中利用的经济效益等研究现状,分析了标记辅助选择在动物育种中的利用前景.     

基因组选择及其在作物育种中的应用

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。