[发明专利]改进的分子育种方法

说明书

背景技术

分子育种技术涉及将遗传特征(基因型)与表型性状(表型)联系起来。因为基因型可以比表型更快地确定，所以可以加速育种周期。在植物和动物育种中使用基因组预测来预测用于选择目的的育种值，并且在人类遗传学上使用基因组预测来预测疾病风险。基因组预测方法取决于一组个体(“训练个体”)的表型的数据集(“训练数据集”)和相关联的基因型数据(典型地在许多遗传标记上)。将统计方法与训练数据集和选择候选物基因型的组合一起用来预测该选择候选物的育种值或疾病风险。然而，通常，常规的基因组预测方法例如流行的GBLUP方法在非线性遗传效应的影响下不能对复杂性状进行准确预测，该非线性遗传效应例如是由在输出性状与环境中的潜在组分性状之间的非线性关系以及基因型与环境的相互作用(其进一步扩大与组分性状的非线性关系的复杂性)传达。因此，当该复杂性状与组分性状具有非线性关系并且具有基因型与环境的相互作用时，在基因组预测领域中需要改进的基因组预测，特别是对候选物的复杂性状的选择。

发明概述

一个实施例包括在育种程序中选择个体的方法，所述方法包括：种植和生长训练个体的遗传多样性群体(genetically diverse population)或遗传狭窄群体(genetically narrow population)；对该训练个体的遗传多样性群体或遗传狭窄群体进行表型分型以产生表型训练数据集；使用生物模型例如作物生长模型将该表型训练数据集与包含跨每个训练个体基因组的遗传信息的基因型训练数据集相关联，所述作物生长模型是用于评估基因型标记的效应的方法和用于将该基因型标记的效应的估计与该生物模型联系的方法；对育种个体的遗传多样性群体进行基因分型；使用该关联训练数据集、生物模型例如作物生长模型来预测育种个体的性状表现，所述作物生长模型是一种用于评估基因型标记的效应的方法和用于将该基因型标记的效应的估计与该生物模型联系的方法：使用关联训练数据集和生长模型、基于植物基因型从该育种个体的遗传多样性群体中选择育种对，以选择可能产生具有一种或多种所希望的性状的后代的育种对；将该育种对杂交以产生后代；并且使该具有一种或多种所希望的性状的后代生长。

在另一个实施例中，该方法可以用于对数量性状基因座(QTL)作图，该数量性状基因座然后可以用于标记辅助选择策略。

附图说明

图1是ABC(相关性0.78)和GBLUP(相关性0.52)的验证集中的预测值与观测值的图。

图2是ABC(相关性0.57)和GBLUP(相关性0.51)的验证集中的预测值与观测值的图。

图3是总叶片数(TLN)和最终生物量产量(BM)之间关系的图。

图4是ABC和GBLUP的预测的和观测的最终生物量产量(BM)的图。

图5是由ABC预测的总叶片数(TLN)与在验证集中DH系的“观测的”TLN值的图。注意，当拟合模型时，TLN是未观测的。

图6是在环境E1(干旱)和E2(非干旱)中25个代表性基因型的生物量产量的相互作用图。

图7是在环境E1和E2中验证集DH系的观测和预测的生物量产量的图。使用的方法是ABC。将来自E2的表型数据用于估计(但为不同DH系)。

图8是在环境E1和E2中验证集DH系的观测和预测的生物量产量的图。使用的方法是GBLUP。将来自E2的表型数据用于估计(但为不同DH系)。

图9是在环境E1和E2中25个代表性DH系的最终生物量产量的相互作用图。最终生物量产量值在每个环境中被标准化以改善可视化。

图10分别是代表性实例中对于2,000个DH系的在环境E2中的最终生物量产量(BM)和总叶片数(TLN)和最大叶片面积(AM)的的散点图。

图11是在方法ABC-CGM的验证集中DH系的预测的与观测的TLN和AM值的图。在这个特定的实例中，在预测值和观测值之间的相关性为0.86(TLN)和0.88(AM)。对于比较，与GBLUP的相关性为-0.28(TLN)和0.63(AM)。

图12是使用ABC-CGM和GBLUP方法获得的在环境E2和E1中在验证集中DH系的预测与观测的最终生物量产量(BM)的图。在这个特定的实例中，对于ABC-CGM，在预测值和观测值之间的相关性为0.75(E2)和0.79(E1)，并且对于GBLUP，为0.28(E2)和0.15(E1)。

图13是在环境E2中观测的最终生物量产量(BM)与对于不同的AM值范围来自模型BM～TLN+AM的拟合值的图。