CN107338321A - 一种确定最佳snp数量及其通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法 - Google Patents

一种确定最佳snp数量及其通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法 Download PDF

Info

Publication number
CN107338321A
CN107338321A CN201710755157.9A CN201710755157A CN107338321A CN 107338321 A CN107338321 A CN 107338321A CN 201710755157 A CN201710755157 A CN 201710755157A CN 107338321 A CN107338321 A CN 107338321A
Authority
CN
China
Prior art keywords
snp
mtd
msup
mrow
selection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710755157.9A
Other languages
English (en)
Other versions
CN107338321B (zh
Inventor
王志勇
董林松
肖世俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jimei University
Original Assignee
Jimei University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jimei University filed Critical Jimei University
Priority to CN201710755157.9A priority Critical patent/CN107338321B/zh
Publication of CN107338321A publication Critical patent/CN107338321A/zh
Application granted granted Critical
Publication of CN107338321B publication Critical patent/CN107338321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/124—Animal traits, i.e. production traits, including athletic performance or the like
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/156—Polymorphic or mutational markers

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biotechnology (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Organic Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Wood Science & Technology (AREA)
  • Genetics & Genomics (AREA)
  • Zoology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Microbiology (AREA)
  • Physiology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种确定最佳SNP数量及通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法。先对参考群个体进行生产性能的表型测定和基因组测序，获得SNP位点；筛选出合格的SNP位点，并将缺失的基因型补齐；将参考群分为训练集和验证集进行杂交验证；通过单标记分析筛选与性状最显著关联的SNP位点，然后只使用这些位点通过GBLUP方法计算验证集个体的GEBV；进一步得到各个筛选SNP数量下的育种值估计准确度；最后确定SNP筛选的最佳数量。再根据该最佳数量，通过GBLUP方法计算出GEBV，进一步得到育种值估计准确度，根据该值的高低进行基因组选择育种。本发明可显著节省对大黄鱼生产性能的基因组选择费用。

Description

一种确定最佳SNP数量及其通过筛选标记对大黄鱼生产性能 进行基因组选择育种的方法
技术领域
本发明涉及基因组选择育种领域，尤其涉及一种确定最佳SNP数量及其通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法。
背景技术
传统的育种值估计方法主要通过表型和系谱记录来进行，该方法叫做最佳线性无偏预测(Best Linear Unbiased Prediction，BLUP)。尽管BLUP方法在动物育种中取得巨大成功，但是该方法依然有其局限性，这是因为传统的方法只能将基因组的信息当作“黑箱子”，等位基因的传递信息只能通过推断而不能进行直接观测，这就有可能导致育种值估计不够准确。随着高通量测序技术的发展，目前已经完全有可能在动植物上获得高密的SNP标记。Meuwissen等人在2001年提出基因组选择(genomic selection)的概念，该方法利用表型记录和全基因组的分子标记信息来估计个体的育种值，并根据育种值的高低进行选种。
目前，基因组选择研究已经在各个物种上开展，例如猪、鸡、牛、羊、老鼠、大西洋鲑、果蝇、小麦、玉米和松果，等等。大黄鱼是中国养殖量最大的海水鱼，大黄鱼的肉质性状好坏与其经济价值关系十分密切，品质好与差的大黄鱼市场价格相差数十倍，甚至相差数百倍。但目前还没有对大黄鱼的肉质性状开展基因组选择育种的报道。
发明内容
本发明的目的在于建立大黄鱼肉质性状的基因组选择方法。本发明不需要系谱记录，只需要个体存在性能测定记录以及基因组的SNP位点信息，首先寻找基因组内对性状显著关联的SNP位点，然后建立表型与筛选之后的标记之间的数学模型来估计育种值。
为实现上述目的，一种确定基因组选择育种的最佳SNP数量的方法，其特征在于，
(1)对所有参考群个体进行生产性能的表型测定和基因组测序，获得基因组的SNP位点；
(2)质量控制：从上述所得到的基因组的SNP位点中筛选符合下面要求的SNP位点：MAF>0.05，哈代温伯格平衡检验P-value>0.001，位点缺失率低于20％；筛选出合格的SNP位点；通过Beagle 3.3.2软件将缺失的基因型补齐；
(3)将参考群进行50次杂交验证，每次杂交验证都随机将80％个体当作训练集，另外20％个体当作验证集；通过单标记分析筛选与性状最显著关联的SNP位点，然后只使用筛选出的SNP位点用GBLUP方法计算验证集个体的基因组育种值GEBV；计算验证集的基因组育种值GEBV与减去固定效应的表型值之间的相关系数，该相关系数即为各个筛选SNP数量下的育种值估计准确度；
(4)根据筛选的不同的SNP数量下的育种值估计准确度来确定SNP筛选的最佳数量，育种值估计准确度最高的情况下的SNP数量即为最佳SNP数量。
进一步，所述(3)步骤的单标记分析为一元线性回归，其数学模型为：
Yi＝u+sexk+SNPij+ei
其中，Yi为第i个体的表型值，u为总体平均值，sexk为第k种性别的固定效应，其中k取值为1或2，分别对应性别雄或雌，SNPij为第i个体的第j位点的SNP基因型，ei为第i个体的随机误差；采用F检验，并获得检验统计量的相伴概率P-value作为检验SNP位点与性状是否显著关联的依据，其中P-value越小说明SNP与性状关联越强。
进一步，所述(3)步骤的通过GBLUP方法计算出基因组育种值GEBV，其求解方程组如下：
其中，X为固定效应关联矩阵，B为随机效应-基因组育种值GEBV-关联矩阵，为固定效应向量，为随机效应-基因组育种值GEBV-向量，y为表型值向量，G矩阵为个体之间的加性遗传相关矩阵，计算公式为：其中P的第j列为一向量pj为第j个SNP位点的等位基因“a”的频率；λ＝σe 2/σg 2＝(1-h2)/h2，h2为性状的遗传力，各个方差组分和基因组育种值GEBV的计算使用R语言包“EMMREML”，版本3.1。
进一步，所述生产性能是指肉质性状。
进一步，所述肉质性状是指n-3高不饱和脂肪酸含量，EPA含量、DHA含量、ARA含量或DPA含量。
本发明还提供一种通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法，其特征在于，根据所述得到的最佳SNP数量里的对应的SNP位点，测定待测大黄鱼的所述SNP位点，通过GBLUP方法计算出基因组育种值GEBV，根据基因组育种值GEBV计算出育种值估计准确度，根据育种值估计准确度的高低，来进行基因组选择育种。
进一步，所述育种值估计准确度为验证集的基因组育种值GEBV与减去固定效应的表型值之间的相关系数，即
进一步，所述生产性能是指肉质性状。
进一步，所述肉质性状是指n-3高不饱和脂肪酸含量，EPA含量、DHA含量、ARA含量或DPA含量。
本发明所述所有参考群个体的数目至少50个。
所述sexk为第k种性别的固定效应，其通过表型值和每条鱼的性别就可通过GBLUP模型算出性别的固定效应。
本发明所述的12个snp位点中：
C/T，基因型CC纯合性，C/T杂合性、TT纯合性分别对应的代码就是0，1和2；
A/G，基因型AA纯合性，A/G杂合性或者GG纯合性分别对应的代码就是0，1和2；
A/T，基因型AA纯合性，A/T杂合性或者TT纯合性分别对应的代码就是0，1和2；
A/AT，基因型AA纯合性，A/AT杂合性或者ATAT纯合性分别对应的代码就是0，1和2；
G/T，基因型GG纯合性，G/T杂合性或者TT纯合性分别对应的代码就是0，1和2；
G/GT，基因型GG纯合性,G/GT杂合性，GTGT纯合性分别对应的代码就是0，1，2。
本发明的SNP位点，是通过对覆盖全基因组的超过3万个SNP标记与大黄鱼肌肉肉质性状关系进行分析后，筛选出的SNP位点。
本发明所述单标记分析是通过F检验获得每个SNP位点的P-value，P-value最低的SNP位点就是与性状最显著的SNP位点。
所述R语言包“EMMREML”，版本3.1见
https://cran.r-project.org/web/packages/EMMREML/。
所述参考群体是采用基因组测序的，只有估计群体才可以只获取目标位点的SNP基因型，因此本发明可以节省估计群体中的基因型检测费用。
本发明是首次在大黄鱼的生产性能(比如肉质性状)上开展基因组选择育种研究。肉质性状是大黄鱼育种中的重要的经济性状，但由于该性状不能直接对亲鱼进行测定，因此通过基因组预测育种值的方法更为合理。然而，由于基因组选择成本昂贵，直接对所有个体进行测序不太现实，可以寻找一些节省基因组选择费用的方法，比如对参考群进行基因组测序，并筛选一些显著的标记，然后对估计群只获取这些筛选的标记的信息，这就可以大大节省基因组预测的费用。本发明采用的就是这种方法来对大黄鱼肉质性状进行基因组预测。
本发明的肉质性状测定是指n-3(也称ω-3)高不饱和脂肪酸含量，EPA、DHA、ARA和DPA含量等等。
本发明的有益效果为：(1)首次将基因组选择育种技术应用到大黄鱼的肉质性状的遗传改良，为改良养殖大黄鱼的品质提供了一种有效的方法；(2)通过筛选部分标记进行候选亲鱼的基因型检测，用于基因组育种值GEBV预测，降低了对候选亲鱼分子标记基因型检测的成本，显著节省基因组育种费用。
附图说明
图1为本发明筛选最佳的SNP数量的流程图。
图2为筛选的不同标记数量对应的育种值估计准确度的变化图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用试剂或仪器未注明生产厂商者，均为可以通过市购获得的常规产品。
实施例1 SNP筛选数量的确定
实验材料：试验数据为大黄鱼，饲养于福建省宁德市金铃水产科技有限公司。30尾雄鱼和30尾雌鱼混养在一个水池中，通过注射促黄体素释放素A3(LRH-A3)，所有亲鱼几乎同一时间排出精子或卵子，因此所有后代拥有相同的日龄。在后代长至2年龄时，随机选取176个体(包括61尾雄鱼与115尾雌鱼)作为本研究的试验材料即参考群，研究性状为n-3高不饱和脂肪酸含量(n3-HUFA)。
表型(n-3高不饱和脂肪酸含量)测定的方法：“总脂质的抽出采用Folch法，总脂抽出后采用50％KOH和乙醇进行皂化后再用7％BF3，甲醇(methanol)加热甲酯化后得到的甲酯(Fatty acid methyl ester)用色谱纯二氯甲烷冲淡，然后用Agilent 6890气相色谱仪测定脂肪酸组成和含量”。
步骤：流程见图1。
1.采用GBS(genotyping-by-sequencing)技术对所有要研究的个体即参考群进行SNP基因型测定和肉质性状测定，本实施例的肉质性状测定是指n-3高不饱和脂肪酸含量，通过SNP基因型测定获得基因组的SNP位点，通过n-3高不饱和脂肪酸含量获得参考群表型数据。筛选上述合格的SNP位点，从而进行质量控制，筛选的标准为：MAF>0.05，哈代-温伯格平衡检验P-value>0.001，位点缺失率低于20％的SNP标记，一共获得基因组中32249个合格的SNP位点。缺失基因型填充：对于缺失的位点，使用软件Beagle 3.3.2版本的imputation程序补齐。
2.为了尽可能减小误差，本试验采取杂交验证的方式来观察实验结果。具体做法为：从176个体中随机抽取140(80％)个体作为训练集，其余20％个体作为验证集。在每次杂交验证中，先将所有标记(即32249个合格的SNP位点)一起加入GBLUP模型，通过R语言包“EMMREML”，版本3.1(https://cran.r-project.org/web/packages/EMMREML/)来计算验证集的基因组育种值GEBV和固定效应值，然后通过单标记分析筛选与性状最显著关联的SNP位点，用来计算验证集的基因组育种值GEBV。筛选的标记数量依次为100，50，45，40，35，30，25，20，18，16，14，12，10，8，6，4和2个。育种值估计准确度评价标准为验证集的基因组育种值(GEBV)与减去固定效应的表型值(计算方法见上述语言包“EMMREML”，版本3.1)之间的相关系数，即也即图2中的相关准确度。相关系数越高，说明方法的预测能力越好。上述过程重复50次，取50次结果的平均值作为最终的预测结果。结果见图2。
通过单标记分析筛选的SNP数量与育种值估计准确度的关系如图2所示。可以看出当通过单标记分析筛选到12个左右的SNP位点时，育种值估计准确度最高，因此对于估计群体，只需要获得对性状最显著的12个左右的SNP位点标记的基因型即可，这样就节省了在估计群中的基因组选择的费用。
12个SNP位点分别如下：其中括号内即为SNP位点。
>LG21_4693033_snp
ACCGCTGTGACCCCACTTACTTGACATTACAGTGAACCCAAAATTTCCCTGTGTTTTGATTACAGTAAATAGATCAAAAGGATCGCAAAACAACTACGTCATGACAGCAATTTGTAGTCTGAATTCATATTTTATCAAGTCTGGCCACAA(A/G)CAAACTTTTAAACTGCTTGTTTTCTGAAGAGAGTTCATACAAGGATATACTAACTTAGTTCAAAATAAAGTAAAGCTGGGGTCAACTGACAAACATATTTTTAACTCTGTTGCTTACTTTCCCCTAAGCAGTCTCAAGGTTCTCACCTAT SEQ ID NO:1
>LG22_11996721_snp
CAAACAAACATACGTTACTTACTGGAGCCTCTTAAGTGCTGTCAGAAGGCATTCCTGTGATGGTGTTTTAGGGCTTGGTGTTTCACATAGCAGGTATTTCATCACACGTCTCTGATCATTGCAGGGTTTACTGTATTAGCAACTCAATTT(A/T)AAAAAAGCTGCATGTTTAATGCCCAGAGCAAGCAACACCGATGCTTTTCATATGTCACTCTTCAACTAACATGTGATATATTACATAACATTAAACTACTGTAAATTGTACTCTATTGCTCTCATTTTAACCTTTCTCCCAAAGTTTTAC SEQ ID NO:2
>000000740_50889_snp
GGGCCAAGGACGAGAGACAAACAGAACAGGGACCCTCACATGTAATTCATATTTTGGCAGACCCCCCTACCAGTACCTCTGCGGACCCTCTAGGGGTTGCGGAGCCCCCAGTTGAAGACCCCTGCATTAGAGGATGCCACGCCGGGTTTG(A/T)GTTTCTGGAATTTTATGGACCAAACAATGAATCGATTAATTAAGAAAACGATCGACAGATTAATCAGTGATTAATAACTGAAAAACCTCATGGCTAACTCGTGATCTGCAATAAAACATCAGCATCCTATGGACGTGAGCTGCAGGGTGG SEQ ID NO:3
>LG8_593637_snp
GGACAGTGAGGTCGAGAGGTGGTGGTGCTCTGTTACAACATGACGTAATATGGTAAGGGGGGGATTTGGTCGATTCTGGAGAATTCGTTCGACTGTCCAAGAAGAATTTTGGGTATTACAAAATTTTTACAGTGTCAGAGTTCCTGCTGA(A/G)GCCCCTGTGTGCAGTTTTTGGACTAAAGCAGAGCCCCGTGCTTTCATACTGTTTATTAAAGACTTGCAGAGTGTTTATGTATCATAGAAACCCTCAACTAACCCTTTTAAAGTACTTTTTTTGGGGCGTATTTTCTGATTAATGAAACGT SEQ ID NO:4
>LG8_17227801_snp
GTCCCCATCTGCTTTCAAGTCTTTCCACATATGTCGCAGGTGCTGCTCTTTCATTTTCTGGGCCTCCAGACTTCCACACACAAATCTCCTGAGGCTATAGCAAGGACTCCAGCGTCCACACTCAGCTGGCAGTTGAAGACGAGGTATTTT(A/G)AGCGAGACGGTGAAAGCGCAGGGAGAGATGAGAATTCATTAATTAATTGCAAATATCTTTTAAACCATAAAGACCACACACAGCTGATGTGTATGTACTGACTGGTGACTCGGGTTTACTTTTTTGATTTTTCGGAAAGTTTCTCTTTAG SEQ ID NO:5
>LG8_26071645_snp
ACTAAATTAATCACACGCATTTTGAATTCATTAATTAATCCAGTTGTTTAATTTTTGTAGCTTGAATTCAATCATCTCTGCCTGTTTAAAGAAACTTTCATTTTTATGTTTAACTTCACGTGTGCCAGGATTAAATCCGATAACTGAAAA(C/T)GTTGTTTCATGTTTCAGAAGCTTCATATTTCTGATTTTTTTTATTGATCAACATTCAGGGAGAAAATAAAAGGCAGGAAGTCATTTCAACTCAAAACAAAGTGCGCCTGTCCGAATGCGTAATTGCGCAGTGACCCGTGTTTCCGACTGT SEQ ID NO:6
>LG9_29137219_snp
TAAAAAATGGTCGACCACATTGTTTTATGAAAAAGTGGATTTTTTTTATTTCAGGTTTCCGTGTCGAGAGAATACAGATGAGCTTCTTTTAGCAAGAAGAAGCTAACCGATGAGACTATAGTGAACAGTTAGGATCCAACCTGCAAGAGT(A/T)TAAACATCGTGATTGTTTTATTAAGATTTGTGAATTAAAGCACAAAGTGTAACTCAGTAAGAACTGAAGACAAGACAACATGTGTTATGAGTGTTGGCTGGATTATAACGAGAATGTTTTAATGTTTTAATAGCAAACTGAGAATAAATA SEQ ID NO:7
>000000271_220169_indel
CCTGTTTAAAGAAAACATTTGTCATTTACCTCTCTTATATGCACAGTGTTGTTTGCGTCCTGCGTTATCAGGCTGTCCGCGACACCAGTTATGATAGTTGTAACGTGTACCATCACTCCAGAACCAGTAACGTTCCTGGAAGACAGAACA(G/GT)TAAGGACATTGAATATGAGAAATCCAAAACACATTGAATTAAATACCCATCAGACTTTGTCTAATGTACCTGCTGTGCATCAGAGAATCCGATCCATACTGCTCTGTTGCGTGCCACAGCACGGTCACATTATTTTCATACGTGCTGTGC SEQ ID NO:8
>000000271_220171_snp
TGTTTAAAGAAAACATTTGTCATTTACCTCTCTTATATGCACAGTGTTGTTTGCGTCCTGCGTTATCAGGCTGTCCGCGACACCAGTTATGATAGTTGTAACGTGTACCATCACTCCAGAACCAGTAACGTTCCTGGAAGACAGAACAGT(A/AT)AGGACATTGAATATGAGAAATCCAAAACACATTGAATTAAATACCCATCAGACTTTGTCTAATGTACCTGCTGTGCATCAGAGAATCCGATCCATACTGCTCTGTTGCGTGCCACAGCACGGTCACATTATTTTCATACGTGCTGTGCAC SEQ ID NO:9
>LG11_15004652_indel
AGGGAAACAATCATGGTACAGCGCAACTAGGACATGAGATTTAACTAGGGCTGCCACGTTAGTCACGATTATGTCGACAAACAAACAACTAATTTAGTAGTCGACGCATTGTTTCCGCGTGAATTCAGGGCGGTGTTGTAATTTTAACCA(A/AT)TCCTGCAATTTTTCCGCAACTTCCGCGAAGTCTGCCCGGGGGATTCAACTCGGCAGGTCAGGGACGGCCGGACGGTGTGGGAGGATCCCCTCTTGGGACCTCTCCCCGGCGCTGGCTGGCCCCCGCCAGGCGCATTTCCTCGGTGGCGGC SEQ ID NO:10
>LG4_5626625_snp
GATGGGTTTATGTTCTGACTTTGGGGGTGATTAACAGGACACTACCTTAGGGTTCATAGGTTAAAACCCAATTCGATAAATAGGTGAGACTAAGATCATTAAGAGCTTAAAAGAATTCAGAAAAAGAATTGATTCTGAAGCAGACAAATA(G/T)CCAGAGAAAAGGTTGCACTCTGGTAATGTTCTTAAGATGATAAAAGTTATATTTGTAATATGAGGTTCATCAAAGATAATCAGGTTTTTTTATTTGTTAACAGGGTTTTAATATCAGTGCTTGTAGTTTCATGTTTAGTTTCTCTCTGAG SEQ ID NO:11
>LG13_4408368_snp
TTTCTCAAGAAGTGCCGCCTTTTTGAAGCTCCATTGTAAACGAAAGAAAATATCAAGTTTTATCAAACTGTTATATGTTATCTTGGATTTTCTGTGGAATCGAATTCTCTCGGGGAAAACATTCACTCCTTCACTCCTCAAGCTTATTCT(C/T)TTTACAAATAGAAGTGTCAGCTGAGCTCTTCTTCAAAGACATCTCCACTCTTATCATTTCTTTGACGCCATCTGCTGGATCCTCATTACCTTCATTTCACTGAAAGTTCAAAGCAGAGCTGCACACATCAGCACAACGCACATCCTTCTG SEQ ID NO:12
实施例2:197尾鱼的肉质性状筛选实验
实验材料：试验数据为大黄鱼，饲养于福建省宁德市金铃水产科技有限公司。30尾雄鱼和30尾雌鱼混养在一个水池中，通过注射促黄体素释放素A3(LRH-A3)，所有亲鱼几乎同一时间排出精子或卵子，因此所有后代拥有相同的日龄。在后代长至2年龄时，随机选取197个体(包括89尾雄鱼与108尾雌鱼)。
测定这197尾鱼的12个SNP位点，通过GBLUP方法(其求解方程组如R语言包“EMMREML”，版本3.1所示。)计算出基因组育种值GEBV。将基因组育种值GEBV最高的4尾雄鱼和5尾雌鱼筛选出来作为选育组，并从群体内随机抽取181尾个体(84雄97雌)作为对照组。
对不同组后代个体的n3-HUFA、EPA和DHA含量进行表型测定，结果如表1所示。
表1利用筛选的12个标记进行选育后，选育组与对照组n3-HUFA、EPA和DHA含量测定结果表
组别 EPA DHA EPA+DHA n3-HUFA
选育组 4.460±0.3285 11.692±0.3337 16.152±0.0052 19.269±0.3487
对照组 3.920±0.0216 11.115±0.4988 15.035±0.4785 17.316±0.4325
选育组/对照组 113.78％ 105.19％ 107.43％ 111.28％
从表1可以看出，采用本发明的方法选育出的大黄鱼肌肉中n3-HUFA、EPA和DHA的含量明显高于对照组。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
SEQUENCE LISTING
<110> 集美大学
<120> 一种确定最佳SNP数量及其通过筛选标记对大黄鱼生产性能进行基因组选择
育种的方法
<130> JMDX-17008-CNI
<160> 12
<170> PatentIn version 3.5
<210> 1
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> WY代表AA,AG或GG
<400> 1
accgctgtga ccccacttac ttgacattac agtgaaccca aaatttccct gtgttttgat 60
tacagtaaat agatcaaaag gatcgcaaaa caactacgtc atgacagcaa tttgtagtct 120
gaattcatat tttatcaagt ctggccacaa wycaaacttt taaactgctt gttttctgaa 180
gagagttcat acaaggatat actaacttag ttcaaaataa agtaaagctg gggtcaactg 240
acaaacatat ttttaactct gttgcttact ttcccctaag cagtctcaag gttctcacct 300
at 302
<210> 2
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> WX代表AA，AT或TT
<400> 2
caaacaaaca tacgttactt actggagcct cttaagtgct gtcagaaggc attcctgtga 60
tggtgtttta gggcttggtg tttcacatag caggtatttc atcacacgtc tctgatcatt 120
gcagggttta ctgtattagc aactcaattt wnaaaaaagc tgcatgttta atgcccagag 180
caagcaacac cgatgctttt catatgtcac tcttcaacta acatgtgata tattacataa 240
cattaaacta ctgtaaattg tactctattg ctctcatttt aacctttctc ccaaagtttt 300
ac 302
<210> 3
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> WX代表AA，AT 或TT
<400> 3
gggccaagga cgagagacaa acagaacagg gaccctcaca tgtaattcat attttggcag 60
acccccctac cagtacctct gcggaccctc taggggttgc ggagccccca gttgaagacc 120
cctgcattag aggatgccac gccgggtttg wngtttctgg aattttatgg accaaacaat 180
gaatcgatta attaagaaaa cgatcgacag attaatcagt gattaataac tgaaaaacct 240
catggctaac tcgtgatctg caataaaaca tcagcatcct atggacgtga gctgcagggt 300
gg 302
<210> 4
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> WY代表AA,AG或GG
<400> 4
ggacagtgag gtcgagaggt ggtggtgctc tgttacaaca tgacgtaata tggtaagggg 60
gggatttggt cgattctgga gaattcgttc gactgtccaa gaagaatttt gggtattaca 120
aaatttttac agtgtcagag ttcctgctga wygcccctgt gtgcagtttt tggactaaag 180
cagagccccg tgctttcata ctgtttatta aagacttgca gagtgtttat gtatcataga 240
aaccctcaac taaccctttt aaagtacttt ttttggggcg tattttctga ttaatgaaac 300
gt 302
<210> 5
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> WY代表AA,AG或GG
<400> 5
gtccccatct gctttcaagt ctttccacat atgtcgcagg tgctgctctt tcattttctg 60
ggcctccaga cttccacaca caaatctcct gaggctatag caaggactcc agcgtccaca 120
ctcagctggc agttgaagac gaggtatttt wyagcgagac ggtgaaagcg cagggagaga 180
tgagaattca ttaattaatt gcaaatatct tttaaaccat aaagaccaca cacagctgat 240
gtgtatgtac tgactggtga ctcgggttta cttttttgat ttttcggaaa gtttctcttt 300
ag 302
<210> 6
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> MX代表CC,CT或TT
<400> 6
actaaattaa tcacacgcat tttgaattca ttaattaatc cagttgttta atttttgtag 60
cttgaattca atcatctctg cctgtttaaa gaaactttca tttttatgtt taacttcacg 120
tgtgccagga ttaaatccga taactgaaaa mngttgtttc atgtttcaga agcttcatat 180
ttctgatttt ttttattgat caacattcag ggagaaaata aaaggcagga agtcatttca 240
actcaaaaca aagtgcgcct gtccgaatgc gtaattgcgc agtgacccgt gtttccgact 300
gt 302
<210> 7
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> WX代表AA,AT或TT
<400> 7
taaaaaatgg tcgaccacat tgttttatga aaaagtggat tttttttatt tcaggtttcc 60
gtgtcgagag aatacagatg agcttctttt agcaagaaga agctaaccga tgagactata 120
gtgaacagtt aggatccaac ctgcaagagt wntaaacatc gtgattgttt tattaagatt 180
tgtgaattaa agcacaaagt gtaactcagt aagaactgaa gacaagacaa catgtgttat 240
gagtgttggc tggattataa cgagaatgtt ttaatgtttt aatagcaaac tgagaataaa 300
ta 302
<210> 8
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> YH代表GG,GGT或GTGT
<400> 8
cctgtttaaa gaaaacattt gtcatttacc tctcttatat gcacagtgtt gtttgcgtcc 60
tgcgttatca ggctgtccgc gacaccagtt atgatagttg taacgtgtac catcactcca 120
gaaccagtaa cgttcctgga agacagaaca yhtaaggaca ttgaatatga gaaatccaaa 180
acacattgaa ttaaataccc atcagacttt gtctaatgta cctgctgtgc atcagagaat 240
ccgatccata ctgctctgtt gcgtgccaca gcacggtcac attattttca tacgtgctgt 300
gc 302
<210> 9
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> WK代表AA,AAT或ATAT
<400> 9
tgtttaaaga aaacatttgt catttacctc tcttatatgc acagtgttgt ttgcgtcctg 60
cgttatcagg ctgtccgcga caccagttat gatagttgta acgtgtacca tcactccaga 120
accagtaacg ttcctggaag acagaacagt wkaggacatt gaatatgaga aatccaaaac 180
acattgaatt aaatacccat cagactttgt ctaatgtacc tgctgtgcat cagagaatcc 240
gatccatact gctctgttgc gtgccacagc acggtcacat tattttcata cgtgctgtgc 300
ac 302
<210> 10
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> WK代表AA,AAT或ATAT
<400> 10
agggaaacaa tcatggtaca gcgcaactag gacatgagat ttaactaggg ctgccacgtt 60
agtcacgatt atgtcgacaa acaaacaact aatttagtag tcgacgcatt gtttccgcgt 120
gaattcaggg cggtgttgta attttaacca wktcctgcaa tttttccgca acttccgcga 180
agtctgcccg ggggattcaa ctcggcaggt cagggacggc cggacggtgt gggaggatcc 240
cctcttggga cctctccccg gcgctggctg gcccccgcca ggcgcatttc ctcggtggcg 300
gc 302
<210> 11
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> YX代表GG,GT或TT
<400> 11
gatgggttta tgttctgact ttgggggtga ttaacaggac actaccttag ggttcatagg 60
ttaaaaccca attcgataaa taggtgagac taagatcatt aagagcttaa aagaattcag 120
aaaaagaatt gattctgaag cagacaaata ynccagagaa aaggttgcac tctggtaatg 180
ttcttaagat gataaaagtt atatttgtaa tatgaggttc atcaaagata atcaggtttt 240
tttatttgtt aacagggttt taatatcagt gcttgtagtt tcatgtttag tttctctctg 300
ag 302
<210> 12
<211> 302
<212> DNA
<213> 大黄鱼（ Larimichthys crocea）
<220>
<221> SNP位点
<222> (151)..(152)
<223> MX代表CC,CT或TT
<400> 12
tttctcaaga agtgccgcct ttttgaagct ccattgtaaa cgaaagaaaa tatcaagttt 60
tatcaaactg ttatatgtta tcttggattt tctgtggaat cgaattctct cggggaaaac 120
attcactcct tcactcctca agcttattct mntttacaaa tagaagtgtc agctgagctc 180
ttcttcaaag acatctccac tcttatcatt tctttgacgc catctgctgg atcctcatta 240
ccttcatttc actgaaagtt caaagcagag ctgcacacat cagcacaacg cacatccttc 300
tg 302

Claims (9)

1.一种确定基因组选择育种的最佳SNP数量的方法，其特征在于，
(1)对所有参考群个体进行生产性能的表型测定和基因组测序，获得基因组的SNP位点；
(2)质量控制：从上述所得到的基因组的SNP位点中筛选符合下面要求的SNP位点：MAF>0.05，哈代温伯格平衡检验P-value>0.001，位点缺失率低于20％；筛选出合格的SNP位点；通过Beagle 3.3.2软件将缺失的基因型补齐；
(3)将参考群进行50次杂交验证，每次杂交验证都随机将80％个体当作训练集，另外20％个体当作验证集；通过单标记分析筛选与性状最显著关联的SNP位点，然后只使用筛选出的SNP位点用GBLUP方法计算验证集个体的基因组育种值GEBV；计算验证集的基因组育种值GEBV与减去固定效应的表型值之间的相关系数，该相关系数即为各个筛选SNP数量下的育种值估计准确度；
(4)根据筛选的不同的SNP数量下的育种值估计准确度来确定SNP筛选的最佳数量，育种值估计准确度最高的情况下的SNP数量即为最佳SNP数量。
2.权利要求1所述确定基因组选择育种的最佳SNP数量的方法，其特征在于，所述(3)步骤的单标记分析为一元线性回归，其数学模型为：
Yi＝u+sexk+SNPij+ei
其中，Yi为第i个体的表型值，u为总体平均值，sexk为第k种性别的固定效应，其中k取值为1或2，分别对应性别雄或雌，SNPij为第i个体的第j位点的SNP基因型，ei为第i个体的随机误差；采用F检验，并获得检验统计量的相伴概率P-value作为检验SNP位点与性状是否显著关联的依据，其中P-value越小说明SNP与性状关联越强。
3.权利要求1所述确定基因组选择育种的最佳SNP数量的方法，其特征在于，所述(3)步骤的通过GBLUP方法计算出基因组育种值GEBV，其求解方程组如下：
<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msup> <mi>X</mi> <mo>&amp;prime;</mo> </msup> <mi>X</mi> </mrow> </mtd> <mtd> <mrow> <msup> <mi>X</mi> <mo>&amp;prime;</mo> </msup> <mi>B</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>B</mi> <mo>&amp;prime;</mo> </msup> <mi>X</mi> </mrow> </mtd> <mtd> <mrow> <msup> <mi>B</mi> <mo>&amp;prime;</mo> </msup> <mi>B</mi> <mo>+</mo> <msup> <mi>G</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mi>&amp;lambda;</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mover> <mi>u</mi> <mo>^</mo> </mover> </mtd> </mtr> <mtr> <mtd> <mover> <mi>g</mi> <mo>^</mo> </mover> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msup> <mi>X</mi> <mo>&amp;prime;</mo> </msup> <mi>y</mi> </mtd> </mtr> <mtr> <mtd> <msup> <mi>B</mi> <mo>&amp;prime;</mo> </msup> <mi>y</mi> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，X为固定效应关联矩阵，B为随机效应-基因组育种值GEBV-关联矩阵，为固定效应向量，为随机效应-基因组育种值GEBV-向量，y为表型值向量，G矩阵为个体之间的加性遗传相关矩阵，计算公式为：其中P的第j列为一向量(2pj,2pj,...,2pj)′，pj为第j个SNP位点的等位基因“a”的频率；λ＝σe 2/σg 2＝(1-h2)/h2，h2为性状的遗传力，各个方差组分和基因组育种值GEBV的计算使用R语言包“EMMREML”，版本3.1。
4.权利要求1所述确定基因组选择育种的最佳SNP数量的方法，其特征在于，所述生产性能是指肉质性状。
5.权利要求1所述确定基因组选择育种的最佳SNP数量的方法，其特征在于，所述肉质性状是指n-3高不饱和脂肪酸含量，EPA含量、DHA含量、ARA含量或DPA含量。
6.一种通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法，其特征在于，根据权利要求1得到的最佳SNP数量里的对应的SNP位点，测定待测大黄鱼的所述SNP位点，通过GBLUP方法计算出基因组育种值GEBV，根据基因组育种值GEBV计算出育种值估计准确度，根据育种值估计准确度的高低，来进行基因组选择育种。
7.权利要求6所述通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法，其特征在于，所述育种值估计准确度为验证集的基因组育种值GEBV与减去固定效应的表型值之间的相关系数，即
8.权利要求6所述通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法，其特征在于，所述生产性能是指肉质性状。
9.权利要求6所述通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法，其特征在于，所述肉质性状是指n-3高不饱和脂肪酸含量，EPA含量、DHA含量、ARA含量或DPA含量。
CN201710755157.9A 2017-08-29 2017-08-29 一种确定最佳snp数量及其通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法 Active CN107338321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710755157.9A CN107338321B (zh) 2017-08-29 2017-08-29 一种确定最佳snp数量及其通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710755157.9A CN107338321B (zh) 2017-08-29 2017-08-29 一种确定最佳snp数量及其通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法

Publications (2)

Publication Number Publication Date
CN107338321A true CN107338321A (zh) 2017-11-10
CN107338321B CN107338321B (zh) 2020-05-19

Family

ID=60214924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710755157.9A Active CN107338321B (zh) 2017-08-29 2017-08-29 一种确定最佳snp数量及其通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法

Country Status (1)

Country Link
CN (1) CN107338321B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108424958A (zh) * 2018-06-08 2018-08-21 集美大学 一种大黄鱼遗传性别相关的snp标记及其引物和应用
CN108920893A (zh) * 2018-09-06 2018-11-30 南京医科大学 一种基于人工智能的颅颌面骨骼和软组织形态预测方法
CN109101786A (zh) * 2018-08-29 2018-12-28 广东省农业科学院动物科学研究所 一种整合显性效应的基因组育种值估计方法
CN109182538A (zh) * 2018-09-29 2019-01-11 南京农业大学 奶牛乳腺炎关键SNPs位点rs88640083及2b-RAD基因分型和分析方法
CN110211635A (zh) * 2019-06-12 2019-09-06 北京康普森农业科技有限公司 用于畜禽基因组选择分析的方法及畜禽育种方法
CN110867208A (zh) * 2019-11-29 2020-03-06 中国科学院海洋研究所 一种提高水产动物全基因组选择育种效率的方法
CN111128306A (zh) * 2020-01-06 2020-05-08 中国水产科学研究院黄海水产研究所 一种罗非鱼基因组选择育种方法
WO2020133588A1 (zh) * 2018-12-28 2020-07-02 华中农业大学 一种快速稳定的动物个体基因组育种值评估方法
CN111883206A (zh) * 2020-08-03 2020-11-03 集美大学 一种拟合非加性效应的基因组估计育种值的方法
CN112273291A (zh) * 2020-10-28 2021-01-29 厦门大学 基于全基因组选择的大黄鱼抗刺激隐核虫病的选育方法
CN112410435A (zh) * 2020-08-31 2021-02-26 厦门大学 一种大黄鱼基因组育种芯片及应用
CN112501317A (zh) * 2020-12-28 2021-03-16 厦门大学 一组可应用于大黄鱼抗刺激隐核虫育种的snp标记
CN114410746A (zh) * 2022-03-29 2022-04-29 中国海洋大学三亚海洋研究院 一种东星斑分子溯源选择育种方法及其应用
CN114657262A (zh) * 2022-03-31 2022-06-24 集美大学 一种抗内脏白点病大黄鱼的分子标记辅助选育方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512510A (zh) * 2015-12-03 2016-04-20 集美大学 一种通过基因组数据对遗传力进行评估的算法
CN105868584A (zh) * 2016-05-23 2016-08-17 厦门胜芨科技有限公司 通过选取极端性状个体来进行全基因组选择育种的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512510A (zh) * 2015-12-03 2016-04-20 集美大学 一种通过基因组数据对遗传力进行评估的算法
CN105868584A (zh) * 2016-05-23 2016-08-17 厦门胜芨科技有限公司 通过选取极端性状个体来进行全基因组选择育种的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHANGLIANG QIU ET AL: "Genetic parameter estimation of nine quantitative traits by a marker-based method in Large Yellow Croaker, Larimichthys crocea (Richardson)", 《AQUACULTURE RESEARCH》 *
LINSONG DONG ET AL: "Comparative analysis of the GBLUP, emBayesB, and GWAS algorithms to predict genetic values in large yellow croaker (Larimichthys crocea)", 《BMC GENOMIC》 *
SHIJUN XIAO ET AL: "Whole-genome single-nucleotide polymorphism (SNP) marker discovery and association analysis with the eicosapentaenoic acid (EPA) and docosahexaenoic acid (DHA) content in Larimichthys crocea", 《PEERJ》 *
李恒德等: "基因组选择及其应用", 《遗传HEREDITAS (BEIJING)》 *
董林松: "通过预选标记法进行基因组选择", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108424958A (zh) * 2018-06-08 2018-08-21 集美大学 一种大黄鱼遗传性别相关的snp标记及其引物和应用
CN108424958B (zh) * 2018-06-08 2021-06-22 集美大学 一种大黄鱼遗传性别相关的snp标记及其引物和应用
CN109101786A (zh) * 2018-08-29 2018-12-28 广东省农业科学院动物科学研究所 一种整合显性效应的基因组育种值估计方法
CN109101786B (zh) * 2018-08-29 2021-02-09 广东省农业科学院动物科学研究所 一种整合显性效应的基因组育种值估计方法
CN108920893A (zh) * 2018-09-06 2018-11-30 南京医科大学 一种基于人工智能的颅颌面骨骼和软组织形态预测方法
CN108920893B (zh) * 2018-09-06 2019-04-16 南京医科大学 一种基于人工智能的颅颌面骨骼和软组织形态预测方法
CN109182538A (zh) * 2018-09-29 2019-01-11 南京农业大学 奶牛乳腺炎关键SNPs位点rs88640083及2b-RAD基因分型和分析方法
CN109182538B (zh) * 2018-09-29 2022-01-04 南京农业大学 奶牛乳腺炎关键SNPs位点rs88640083及2b-RAD基因分型和分析方法
WO2020133588A1 (zh) * 2018-12-28 2020-07-02 华中农业大学 一种快速稳定的动物个体基因组育种值评估方法
CN110211635A (zh) * 2019-06-12 2019-09-06 北京康普森农业科技有限公司 用于畜禽基因组选择分析的方法及畜禽育种方法
CN110867208B (zh) * 2019-11-29 2023-06-20 中国科学院海洋研究所 一种提高水产动物全基因组选择育种效率的方法
CN110867208A (zh) * 2019-11-29 2020-03-06 中国科学院海洋研究所 一种提高水产动物全基因组选择育种效率的方法
CN111128306A (zh) * 2020-01-06 2020-05-08 中国水产科学研究院黄海水产研究所 一种罗非鱼基因组选择育种方法
CN111128306B (zh) * 2020-01-06 2023-09-22 中国水产科学研究院黄海水产研究所 一种罗非鱼基因组选择育种方法
CN111883206A (zh) * 2020-08-03 2020-11-03 集美大学 一种拟合非加性效应的基因组估计育种值的方法
CN111883206B (zh) * 2020-08-03 2024-03-15 集美大学 一种拟合非加性效应的基因组估计育种值的方法
CN112410435A (zh) * 2020-08-31 2021-02-26 厦门大学 一种大黄鱼基因组育种芯片及应用
CN112273291A (zh) * 2020-10-28 2021-01-29 厦门大学 基于全基因组选择的大黄鱼抗刺激隐核虫病的选育方法
CN112273291B (zh) * 2020-10-28 2021-09-07 厦门大学 基于全基因组选择的大黄鱼抗刺激隐核虫病的选育方法
CN112501317A (zh) * 2020-12-28 2021-03-16 厦门大学 一组可应用于大黄鱼抗刺激隐核虫育种的snp标记
CN114410746B (zh) * 2022-03-29 2022-07-12 中国海洋大学三亚海洋研究院 一种东星斑分子溯源选择育种方法及其应用
CN114410746A (zh) * 2022-03-29 2022-04-29 中国海洋大学三亚海洋研究院 一种东星斑分子溯源选择育种方法及其应用
CN114657262A (zh) * 2022-03-31 2022-06-24 集美大学 一种抗内脏白点病大黄鱼的分子标记辅助选育方法

Also Published As

Publication number Publication date
CN107338321B (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN107338321A (zh) 一种确定最佳snp数量及其通过筛选标记对大黄鱼生产性能进行基因组选择育种的方法
Varshney et al. Accelerating genetic gains in legumes for the development of prosperous smallholder agriculture: integrating genomics, phenotyping, systems modelling and agronomy
Rutkoski A practical guide to genetic gain
Clark et al. Three-dimensional root phenotyping with a novel imaging and software platform
Kjellsson et al. Methods for risk assessment of transgenic plants: I. Competition, establishment and ecosystem effects
Tackenberg et al. Wind dispersal of alpine plant species: a comparison with lowland species
Bustos-Korts et al. From QTLs to adaptation landscapes: using genotype-to-phenotype models to characterize G× E over time
CN106779076A (zh) 基于生物信息的选育良种系统及其算法
AU2011261447B2 (en) Methods and compositions for predicting unobserved phenotypes (PUP)
CN110211635A (zh) 用于畜禽基因组选择分析的方法及畜禽育种方法
Pollak Application and impact of new genetic technologies on beef cattle breeding: a ‘real world’perspective
Wallace Spatial genetic structure and frequency of interspecific hybridization in Platanthera aquilonis and P. dilatata (Orchidaceae) occurring in sympatry
Volk et al. Malus sieversii: a diverse Central Asian apple species in the USDA-ARS national plant germplasm system
Van Tassel et al. Re-imagining crop domestication in the era of high throughput phenomics
Thompson et al. Model-based analysis of the likelihood of gene introgression from genetically modified crops into wild relatives
Hudson et al. Analysis of genotype-by-environment interactions in a maize mapping population
Mugniéry et al. Assessment of partial resistance of potato to, and pathotype and virulence differences in, potato cyst nematodes
Bartholomé et al. Genomic prediction: progress and perspectives for rice improvement
CN109727642B (zh) 基于随机森林模型的全基因组预测方法及装置
Eizenga et al. Phenotypic variation and the impact of admixture in the Oryza rufipogon species complex (ORSC)
Miller et al. Genomic selection of soybean (Glycine max) for genetic improvement of yield and seed composition in a breeding context
Blanchong et al. Changes in artificial feeding regulations impact white‐tailed deer fine‐scale spatial genetic structure
Rotundo et al. Reduced soybean photosynthetic nitrogen use efficiency associated with evolutionary genetic bottlenecks
Smouse et al. Implications of natural propagule flow for containment of genetically modified forest trees
Snyman et al. Assessing the likelihood of gene flow from sugarcane (Saccharum hybrids) to wild relatives in South Africa

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant