基于多性状动物模型估计大白猪、长白猪生长性状的遗传参数

<正>猪生长性状和繁殖性状是重要的经济性状,测定并评估这些性状的遗传参数,对制定选种的方法、设计选择指数、预测选种进展和提高选种效果,都有一定的现实意义。根据统计学的基本原理,种猪育种中遗传参数的估计,实际上就是计算数学模型中各影响因子的方差组分,进而利用方差组分估计遗传力、重复力、遗传相关等遗传参数。只有得到了准确的遗传参数,才能估计出准确的育种值,从而实现准确的遗     

方差组分估计方法的研究

本文利用最大似然法、改进最大似然法与约束最大似然法估计了猪的出生重与二月龄体重的方差、协方差组分和遗传参数。配合的模型为多性状动物模型。典型变换的引入大大降低了计算量。     

动态性状遗传参数的估计方法

本文在建立个体动态性状数学模型同时，计算了模型参数估计误差方差，依此标准化模型参数，完善了动态性状遗传参数的估计方法。     

约束组合性状

在动植物的选择中,除了选择指数外,目前已经提出了组合性状的概念,刘来福(1979)提出了遗传方差最大主成分性状,刘垂玗(1982)提出了表型方差最大主成分性状,杨德和戴君惕提出了典范性状。在选择指数中,我们构造一个指数,而这里则把性状X=(x_1,x_2,…x_m)′线性组合成一个新的综合性状F=a_1x_1+a_2x_2+…+a_mx_m=a′X,并赋于它特有的功能,如遗传方差最大、表型方差最大或遗传进展(遗传力)最大等。这就使我们对于多个数量性状的研     

数量性状方差组分的估计方法

本文研究讨论了在单性状模型下几种方差组分估计方法,它们是:极大似然法(ML)、约束极大似然法(REML)、最小二乘无偏估计(MINQUE)、最小方差二乘无偏估计以及 Henderson 的第3法等。其中MINQUE和REML法的估计误差最小,但MINQUE的收敛速度高于REML。Henderson 第3法和ML对误差方差均为有偏估计,因此它们的估计误最大;MINQUE法实质上就是REML估计,因此在实际应用中多采用MINQUE和REML法。     

方差组分的最大似然估计

一、引言方差组分估计又称方差分量分析,它大大开阔了方差分析的应用领域.尤其在动植物遗传育种的研究中很有用处,在家畜育种中,多数情况下的遗传参数可以用遗传方差和遗传协方差表示.目前方差组分估计已广泛应用于动物育种的以下几个方面1.构造选择指数.2.混合模型最佳线性无偏估计(Blμp法).     

内蒙古阿尔巴斯周岁绒山羊主要经济性状遗传参数的研究

为了对内蒙古阿尔巴斯周岁绒山羊绒毛品质性状进行遗传参数和方差组分的估计,收集了2008-2011年周岁绒山羊的绒毛品质毛细、毛长、绒长、绒细记录数据.首先,利用SAS的GLM(generalized linear model)对影响绒毛性状的非遗传因素进行确定,并将影响显著的因素作为固定效应.然后,根据是否考虑母体遗传效应以及个体与母体效应间是否存在相关,建立6个不同的模型,通过似然比检验确定每个性状的最佳子模型,结果表明,性状只受个体直接加性效应的影响.最后,利用WOMBAT软件的AIREML(average information restricted maximum likelihood)算法分别在单性状动物模型和多性状动物模型下进行方差组分和遗传参数的估计,结果表明,毛细、毛长、绒细、绒长的遗传力分别为0.27、0.28、0.34和0.17,均属于中等遗传力.性状间存在中等或较小的遗传相关,变化范围-0.40(毛长和毛细)～0.45(毛细和绒长).     

畜禽遗传参数估计方法的研究进展

遗传参数估计是动物育种中的一项基础工作，它可以归结为方差组分估计。随着计算技术和数量遗传学的发展，进行遗传参数估计的新的统计分析模型和朝的估计方法不断涌现。本文则综述了从最初的方差分析（ANOVA）方法到最近的R新方法等方差组分估计方法的原理及优缺点。     

中国西门塔尔牛肉用群体重要经济性状遗传参数估计

本研究旨在对出生于2008-2013年的中国西门塔尔牛肉用群体的重要经济性状进行遗传参数和方差组分估计,该群体大小为2 939头。采用非求导约束最大似然法估计遗传力、遗传相关和方差组分。结果显示,初生重、断奶重、出栏重、胴体重、屠宰率和净肉率的遗传力估计值分别为0.48、0.44、0.43、0.38、0.31、0.39。其中,初生重和断奶重的遗传相关估计结果为0.57,出栏重和胴体重的遗传相关为0.94,屠宰率和净肉率的遗传相关为0.89。该群体的生长和屠宰相关性状均属于中高遗传力性状,且性状之间具有较高的遗传相关。本研究对中国西门塔尔牛肉用群体重要经济性状的遗传参数做了系统评估分析,为将来制定育种方案和遗传评估奠定基础。     

估计猪早期生长性状和繁殖性状的动物模型比较

分析了三种模型对出生重，21、60、90日龄重，总产仔数，以及出生窝重性状遗传参数估计中的加性遗传效应、母体效应、窝效应和残差效应的方差组分、遗传力及其变化趋势。结果表明，出生重、21日龄重和60日龄重采用包含加性遗传效应、母体效应、窝效应和残差效应的模型进行估计比较适宜。90日龄重、总产仔、产活仔和出生窝重性状采用包含加性遗传效应、母体效应和残差效应的模型进行估计效果较好。     

基于显性模型的基因组选择中贝叶斯方法研究

本研究旨在探索显性效应对基因组育种值估计准确性的影响。基于贝叶斯A模型,根据加性效应和显性效应相关性,提出两种子模型:1)加性效应和显性效应相互独立的BayesAD1模型;2)显性系数(Dominant coefficients)与加性效应的绝对值相互独立,并且显性系数服从正态分布的BayesAD2模型。通过模拟数据比较加性效应模型BayesAD0和两种显性效应模型下基因组估计育种值(GEBV)的准确性,并且研究不同数量性状基因座(Quantitative trait locus,QTL)数、全同胞家系内个体数和加性方差与显性方差的比重对GEBV准确性的影响。结果表明,显性模型可以减缓随着世代变化GEBV的准确性降低的趋势。另外,显性方差的比重越大,对GEBV的准确性影响越大。当加性方差与显性方差之比达到0.25时,BayesAD2有较大优势,分别比BayesAD1和BayesAD0准确性高20.3%和28.4%。全同胞数越多,GEBV的准确性越高,QTL数目增多,GEBV估计的准确性随之下降。结果显示,对显性效应占较大比重即低遗传力的性状进行育种值估计时,考虑显性效应可以提高育种值估计准确性。     

显性效应对苏淮猪肉色性状遗传评估和基因组选择的影响

旨在评估显性效应对估计苏淮猪肉色性状遗传参数和基因组估计育种值(genomic estimated breeding value, GEBV)准确性的影响,为苏淮猪肉质性状育种提供理论依据。基于基因组最佳线性无偏预测(genomic best linear unbiased prediction, GBLUP)方法,提出2种模型:含加性效应的模型GBLUP-A和包含加性效应和显性效应的模型GBLUP-AD;试验测定487头苏淮猪屠宰后45 min和24 h的肉色性状(亮度L*,红度a*和黄度b*),利用一般线性模型(general linear model, GLM)评定每个肉色性状的影响因素,通过DMU软件在2种GBLUP模型下估计苏淮猪肉色性状的遗传方差,并且比较其GEBV预测的准确性。结果显示:屠宰季节和屠宰批次对所有肉色性状均有显著影响,L*值在夏季时最高,在春季时最低,而a*值和b*值在春季时最高,夏季时最低;L*值随着胴体重增加显著下降(P0.05),a*值随着日龄的增加极显著上升(P0.01),而b*值随着日龄的增加显著下降(P0.05);苏淮猪肉色遗传力属于低至中等遗传力,其范围从0.13～0.32;显性效应对于估计不同肉色性状的遗传参数呈现不同的影响,显性遗传方差与加性遗传方差的比率在b*值和a*值中较大;在预测GEBV方面,除了L*_(24 h)和b*_(45 min)性状,L*_(45 min)、a*_(45 min)、a*_(24 h)和b*_(24 h)在GBLUP-AD模型中预测GEBV的准确性都有所提高。提示:在估计肉色性状GEBV的模型中加入显性效应,可以有效提高预测准确性,合理估计肉色性状的遗传参数。     

杜洛克公猪背膘厚度、日增重、日采食量和饲料效率相关性状的遗传参数估计

对384头扬翔华系杜洛克公猪生长育肥阶段背膘厚度(BF)、日增重(ADG)、日采食量(ADFI)、饲料转化率(FCR)和剩余采食量(RFI)5个性状用DMU程序进行遗传参数估计探究杜洛克公猪的遗传参数。结果表明, ADFI和RFI的遗传方差占表型方差的比例分别为87.73%和84.91%;BF和ADG的遗传方差占表型方差的比例分别是58.77%和58.91%;RFI与BF、ADG的表型相关系数均为零,而遗传相关系数分别为-0.22和0.15;RFI与ADFI的表型、遗传相关系数分别为0.98和0.99,RFI与FCR的表型、遗传相关系数分别为0.44和0.81。多性状模型与单性状模型的估计遗传力基本趋于一致,ADG和FCR遗传力分别是0.27和0.19,属于低遗传力性状;而BF、ADFI和RFI的估计遗传力在0.31～0.46范围,属于中等遗传力性状。     

动态性状育种值的估计(预测)方法探讨

为探讨更具一般性的动态性状育种值估计方法,在二步估计法的基础上建立了用于动态性状育种值估计(预测)的数学模型,采用该模型可实现对动态性状育种值的一步估计(预测),并保证估计结果的最优性。按线性与非线性模型两种情况分别论述了动态性状育种值的估计(预测)方法。结果表明:与随机回归模型相比,所提出的数学模型不仅具有明显的优越性,更具一般性;还证明了当每个个体动态性状的观测点一一对应且个体之间不存在亲缘关系时,一步分析法与二步分析法的估计结果相同。     

概述阈性状的遗传参数估计

阈性状是指表型为不连续分布,但遗传上由多基因决定的一类性状。由于阈性状是受多基因控制,虽表型呈间断分布,但有一个潜在的连续型正态分布,即有一组潜在变量。阈性状在表型尺度上大多不服从正态分布,而表现为二项分布、多项式分布等(吴仲贤,1977;Mulmer,1991)。也就是说按通常的单一基因座模型很难解释清楚一些不连续的非此即彼的性状的遗传,但若假设有一种基本连续变量随决定性状是否表达的临界阈值而变,那就容易理解了,是伪连续性状(Mulmer,1991)。本文拟从阈性状的度量、阈性状的遗传分析、阈模型的提出以及阈性状方差组分的贝叶斯推断-Gibbs抽样法来概述。     

羔羊体重和胴体性状中基因型和环境的互作

在一些不同的环境中系统的利用相同基因型信息推算基因型和环境互作 (G× E)的方差和参数。通过英国 Suffolk公司提供的数据研究父本和母本由于环境的作用而在羔羊体重 (第 8周检测 )和胴体性状 (肌肉和脂肪厚 )上的差异。这些信息用于计算 DFREML混合模型中直系加性方差、母系方差、母系环境的随机方差以及窒息和母系加性效应间的协方差。研究了年龄、种群及年龄 -种群与父本的互作 ,窝内和窝间的母本作用。所有 G×E的 (协 )方差的累加提高了模型对所有性状的适用性。所有性状中父本互作占显性方差的 2 %～ 3 % ,通常会损害加性作用。母本窝内的环境方差占显性方差的 1 0 % (肌肉和脂肪厚度 )到 2 0 % (8周体重 )。当这一项在模型中被忽略时 ,大多数变异在误差中被发现。在一个合适的父本基因型和环境的互作模型中 ,直系和母系加性效应间的协方差占显性方差的比重下降到一个低水平 (8周体重从-0 .3 6到 -0 .0 8)。基因型与环境互作会引起羔羊体重和胴体性状的显著差异 ,同时 ,也会减少此前加性效应中存在很高的负相关。     

概述阈性状的遗传参数估计

阈性状是指表型为不连续分布，但遗传上由多基因决定的一类性状。由于阈性状是受多基因控制，虽表型呈间断分布，但有一个潜在的连续型正态分布，即有一组潜在变量。阈性状在表型尺度上大多不服从正态分布，而表现为二项分布、多项式分布等(吴件贤，1977：Mulmer，l991)。也就是说按通常的单一基因座模型很难解释清楚一些不连续的非此即彼的性状的遗传，坦若假设有一种基本连续变量随决定性状是否表达的临界阈值而变，那就容易理解了，是伪连续性状(Mulmer，1991)。本文拟从阈性状的度量、阁性状的遗传分析、阈模型的提出以及阈性状方差组分的贝叶斯推断-Gibbs抽样法来概述。     

遗传力与配合力的结合及其在杂种优势分析中的应用

正如在选择理论中一样,本文通过把杂种群体的表型方差剖分为加性方差、非加性方差和环境方差三个部分,提出一个新的分析杂种优势的方法。文中所涉及的有关配合力概念(一般配合力和特殊配合力)是严格按照Sprague和Tatum(1942)的定义所给出,模型是Falconer(1981)的《数量遗传学导论》中的模型。为了检验此法的可行性与否,就四个不同来源的果蝇品种进行了试验,所用的性状有五个,即:体长、胸宽、翅长、体重和刚毛数。结果表明:该法具有十分普遍的意义,加适当的假设,在动植物育种中都可以应用。     

比值性状QTL的一种贝叶斯定位策略

本研究旨在对比值性状QTL采用贝叶斯定位方法进行探讨。将两个具有正态分布的普通数量性状之比定义为比值性状。由于此类性状不服从正态分布,因此在遗传分析上不同于普通性状。利用构成比值性状的两个组分性状的线性结合,我们提出了定位比值性状数量性状位点(QTL)的最大似然法。在此基础上,进一步探索比值性状的贝叶斯定位策略。首先采用贝叶斯压缩方法估计两个组分性状的QTL参数,然后利用两个组分性状的群体均值和QTL遗传效应,产生一个关于比值性状QTL遗传效应的后验样本,通过对这个后验样本的统计分析,来推断比值性状的QTL。模拟研究表明:新方法表现出比似然法更高的QTL检测效力。     

运用随机回归模型对荷斯坦奶牛群体泌乳性状的方差组分分析

对荷斯坦奶牛群体产奶量、乳脂量和乳蛋白量3个性状的加性遗传效应方差、固定环境效应方差、表型方差、剩余方差和遗传力进行了估计.