全基因组选择和育种模拟在纯系育种作物亲本选配和组合预测中的利用研究

发布时间：2020-10-11 23:26

　　 全基因组选择(genomic selection,GS)是一种新兴的分子育种方法,它利用训练群体的基因型和表型数据建模,然后对只有基因型的育种群体进行表型预测和选择。已有多种预测模型被用于性状GEBV(genomic estimated breeding value)的预测,例如ridge regression best linear unbiased prediction(RR-BLUP)、genomic best linear unbiased prediction(GBLUP)、Bayes模型和机器学习模型。目前的GS研究多集中于性状本身的预测,对于育种中,特别是纯系育种中的杂交组合预测和亲本选配尚缺少研究。为简便起见,GS模型预测时往往忽略上位性效应;基因型与环境互作在作物育种中普遍存在,利用性状在不同环境下的遗传相关,可能对性状在特定环境下的表现进行预测。本研究探索利用GS方法和育种模拟方法,开展小麦(Triticum aestivum L.)亲本选配和组合预测;比较不同GS模型在不同群体和性状上对上位性效应的预测能力;比较不同GS模型的单个环境预测和多环境联合预测之间的差异。主要研究内容和获得的主要研究结果如下:1.基于全基因组选择的杂交组合预测模拟研究在不同性状遗传结构下,利用模拟方法比较了不同全基因组选择模型对杂交组合的预测效果,以及不同选择强度下,杂交组合有效性和中亲值两种杂交组合预测方法所带来的遗传增益。结果表明,不同模型的预测准确率在不同的性状遗传结构下没有明显的差异。在所有设定的选择强度下,通过杂交组合有效性进行杂交组合选择,所获得的遗传增益要高于通过中亲值进行杂交组合选择的遗传增益。2.小麦产量和品质协同改良的亲本选配研究利用杂交组合有效性预测的方法,对一个小麦优质亲本群体的所有可能双亲杂交组合的后代表现进行预测,比较了四种不同的亲本选配方案下,后代群体在产量和品质性状上的遗传进度和遗传多样性。结果显示,同时包含产量和品质性状的选择指数,在有效提高遗传进度的同时,还保留下来更多的遗传多样性,从而有利于在长期选择中获取持续的遗传增益。3.全基因组选择中拟合上位性效应的研究利用一个水稻(Oryza sativa)重组自交系(recombinant inbred lines,RIL)群体和两个小麦自然群体,开展拟合上位性效应的GS研究,并与仅拟合加性效应的GS模型进行比较。结果表明,在绝大多数情况下,模型中加入上位性效应提高了模型的准确率。在少数性状和环境中,加入上位性效应的模型表现,与仅有加性效应的模型相当或者略低。因此,常规水稻和小麦这种纯系品种选育过程中利用GS方法时,应尽可能在预测模型中考虑上位性效应。4.全基因组选择中多环境表型的预测研究利用一个水稻RIL群体在多个地点的表型试验进行多环境GS研究。采用两种育种场景的交叉验证方案,比较不同模型的预测精度。结果表明,当被预测的品种在所有环境中都没有观测值时,多环境预测模型同单环境预测模型表现类似;当被预测的品种在其他环境中有观测值时,多环境预测模型的预测准确性大大高于单环境模型。因此,多环境模型能有效利用环境之间的相关性,从而提高性状预测的准确性。
【学位单位】：中国农业科学院
【学位级别】：博士
【学位年份】：2019
【中图分类】：S33
【部分图文】：

非线性的函数 ( )。在人工神经网络模型中，最基本的单元是“神经元”，如图1.1 所示：图1.1 单个神经元Figure 1.1 Single neuron神经元通过输入（ , , , 以及截距项 ）和激活函数（activation function）来获得神经元的输出，

人工神经网络模型通过多个神经元彼此相连而形成具有层次结构的模型。人工神经网络模型包含三个层次，输入层、隐层和输出层。每一层都由数目不等的神经元组成。其中输入层和输出层只有一层，隐层可以有多层。一个单隐层的人工神经网络模型如图1.2 所示：图1.2 单隐层人工神经网络模型Figure 1.2 Single hidden layer neuron network图 1.2 是一个输入层具有三个输入神经元，隐层具有三个隐藏神经元和一个单输出神经元构成的人工神经网络模型。在输入层和隐层中，+1 表示截距项，又称为偏倚单元（biasunit）。 代表第 层第 个神经元的激活值。可以看出，从输入层到输出层分为两步。首先，在隐层中，输入层的变量（在全基因组选择中的输入变量是个体的基因型）的线性组合作为隐层神经元的输入，通过激活函数获得隐层神经元的激活值，激活值再通过输出层神经元的激活函数获得最终的预测值。如果性状为分类变量，输出层的激活函数为sigmoid 函数。在全基因组选择中，一个单隐层前馈神经网络可以表示为： ( ) = ( ) （19）其中
【相似文献】

相关期刊论文 前10条

1 孙李红;;基于灰色组合预测的国内债券余额预测[J];哈尔滨商业大学学报(自然科学版);2012年02期

2 李涛;何承桂;沈健民;;随工程进展的海堤沉降优性组合预测研究[J];浙江水利水电专科学校学报;2011年02期

3 李树冬;;试论组合预测的精度估计分析[J];上海交通大学学报(农业科学版);2007年02期

4 马永开,唐小我;两种组合预测优化模型的分析和比较[J];电子科技大学学报;1998年01期

5 王应明,罗英;广义加权比例平均组合预测技术研究[J];系统工程与电子技术;1998年03期

6 王硕,唐小我,周俊;组合预测软科学方法研究[J];运筹与管理;1999年01期

7 杨桂元，唐小我，马永开;关于非负权重组合预测的若干问题的探讨[J];电子科技大学学报;1996年02期

8 刘建国，张刚元，陈国先;多模型专家组合预测系统大纲[J];四川师范学院学报(自然科学版);1996年02期

9 徐大江;组合预测及其应用研究[J];统计与预测;1996年01期

10 高仁祥，张世英，刘豹;组合预测贝叶斯方法研究[J];系统工程学报;1996年01期

相关博士学位论文 前10条

1 姚骥;全基因组选择和育种模拟在纯系育种作物亲本选配和组合预测中的利用研究[D];中国农业科学院;2019年

2 刘启浩;风险值组合预测的理论与实证[D];北京工业大学;2009年

3 邴兴国;城市土地储备决策研究[D];天津大学;2009年

4 胡冠中;区域经济与高等教育协调发展研究[D];天津大学;2015年

5 廖瑞金;变压器绝缘故障诊断黑板型专家系统和基于遗传算法的故障预测研究[D];重庆大学;2003年

6 钟仪华;特高含水油田开发规划动态预测方法研究[D];西南石油大学;2008年

7 郭晓君;灰色自忆性组合预测拓展模型及应用研究[D];南京航空航天大学;2015年

8 张雷;气候变化对中国主要造林树种/自然植被地理分布的影响预估及不确定性分析[D];中国林业科学研究院;2011年

9 詹蓉;面向即时顾客化定制的个性化需求预测方法研究[D];华中科技大学;2008年

10 刘颖;我国中药产业竞争力评价体系研究[D];华北电力大学（北京）;2011年

相关硕士学位论文 前10条

1 钱慧兰;基于MI算法的商品销量组合预测[D];南京大学;2019年

2 赵勤;两类改进的组合预测赋权方法及其应用[D];安徽大学;2019年

3 霍江游;基于小波多分辨分解的股价波动分频组合预测[D];江西财经大学;2018年

4 张千露;组合预测在我国民航客运量预测的应用[D];华中师范大学;2018年

5 勾海芝;大型风电场短期风功率预测研究[D];华北电力大学;2018年

6 吴涛;基于小波分解的基站电磁辐射研究[D];湘潭大学;2018年

7 季梦凡;风速和风电场功率组合预测及其不确定性分析[D];华北电力大学(北京);2018年

8 陶亭;基于GPS数据的公交车到站时间预测[D];长沙理工大学;2018年

9 李沫;手机端触媒总数的组合预测[D];天津商业大学;2018年

10 叶雲霄;覆盖权重投票法及其在能源市场预测中的应用[D];西安科技大学;2018年

本文编号：2837279