CN109524059A - 一种快速稳定的动物个体基因组育种值评估方法 - Google Patents

一种快速稳定的动物个体基因组育种值评估方法 Download PDF

Info

Publication number
CN109524059A
CN109524059A CN201811620927.XA CN201811620927A CN109524059A CN 109524059 A CN109524059 A CN 109524059A CN 201811620927 A CN201811620927 A CN 201811620927A CN 109524059 A CN109524059 A CN 109524059A
Authority
CN
China
Prior art keywords
matrix
value
individual
genetic
effect
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
CN201811620927.XA
Other languages
English (en)
Other versions
CN109524059B (zh
Inventor
赵书红
刘小磊
杨翔
李新云
朱猛进
项韬
马云龙
余梅
王志全
尹立林
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.)
Guangzhou Shadow Technology Co Ltd
Huazhong Agricultural University
Original Assignee
Guangzhou Shadow Technology Co Ltd
Huazhong Agricultural 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 Guangzhou Shadow Technology Co Ltd, Huazhong Agricultural University filed Critical Guangzhou Shadow Technology Co Ltd
Priority to CN201811620927.XA priority Critical patent/CN109524059B/zh
Priority to US17/417,007 priority patent/US20220076781A1/en
Priority to PCT/CN2019/071514 priority patent/WO2020133588A1/zh
Priority to EP19903054.5A priority patent/EP3905253A4/en
Publication of CN109524059A publication Critical patent/CN109524059A/zh
Application granted granted Critical
Publication of CN109524059B publication Critical patent/CN109524059B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • 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
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biotechnology (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Public Health (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioethics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种快速稳定的动物个体基因组育种值评估方法，涉及动物育种技术领域。该方法采用HIBLUP使用表型、基因型和谱系信息进行基因组育种值的预测，最终输出中包括估计的个体遗传价值、每个个体的加性效应和显性效应值以及用于基因分型芯片中的每个遗传标记效应的反向解析值。本发明全面利用谱系、表型和基因型信息来预测每个动物的遗传(加性和显性效应)价值以及每个SNP标记位点的效应值，实现最先进的基因组育种值的预测和方差组分估计算法而实现基因组选择。

Description

一种快速稳定的动物个体基因组育种值评估方法
技术领域
本发明涉及动物育种技术领域，尤其涉及一种快速稳定的动物个体基因组育种值评估方法。
背景技术
随着覆盖整个基因组高密度单核苷酸多态性(SNP)基因分型技术的发展，基因组选择(预测)作为基因组统计分析的强大工具，被广泛应用于植物和动物育种中复杂性状的遗传价值(种用价值)预测和评估，以及在人类遗传学研究中的应用也越来越多。方差组分的估计可能是基因组选择过程中最耗时的部分。在基因组选择中流行的方差组分估计算法，例如EMAI，需要迭代计算，并且每次迭代的计算复杂度非常高。以前的基因组选择程序需要计算基因组亲缘关系矩阵的逆矩阵，并且随着基因分型样本量的增加，计算时间也随之迅速增加。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提出一种快速稳定的动物个体基因组育种值评估方法，基于HE-AI算法的BLUP(即最优线性无偏预测)被称为HIBLUP，HIBLUP全面利用谱系、表型和基因型信息来预测每个动物的遗传(加性和显性效应)价值以及每个SNP标记位点的效应值，实现最先进的基因组育种值的预测和方差组分估计算法而实现基因组选择。
为解决上述技术问题，本发明所采取的技术方案是：一种快速稳定的动物个体基因组育种值评估方法，采用HIBLUP使用表型、基因型和谱系信息进行基因组育种值的预测，最终输出中包括估计的个体遗传价值、每个个体的加性效应和显性效应值以及用于基因分型芯片中的每个遗传标记效应的反向解析值；具体包括以下步骤：
步骤1：将基因型进行数值化，基因型AA、AB和BB的编码分别为0、1和2；分别使用Henderson列表法的谱系信息和VanRaden方法的基因组信息构建个体之间的关系A(亲缘相关IBD)矩阵和G(状态相关IBS)矩阵，然后根据A矩阵和G矩阵的信息，构建动物个体间的混合相关矩阵H，如下式所示：
根据群体中的动物个体是否具有基因分型信息将个体分成两种不同的群组，下角标为“1”的代表仅具有系谱而没有基因组分型信息的个体群组，下角标为“2”的代表同时具有谱系和基因组分型信息的个体群组；其中A11、A22分别表示群组“1”内个体之间的亲缘相关和群组“2”内个体之间的亲缘相关矩阵，A12表示群组“1”和群组“2”的个体之间的亲缘相关矩阵，并且A21是A12的转置矩阵，α是融合矩阵G和矩阵A22之间的关系调和百分比；
步骤2：使用HE回归算法从H矩阵和表型值导出遗传方差和残差方差，其方程如下：
其中，y为表型值向量；为第i个随机效应所解释的方差；为残差方差，n是模型中随机效应的数目；Aj为对称非负矩阵，为Aj的最优估计值， Ki和Kj分别是第i个和第j个加性效应协变量矩阵；
步骤3：将HE回归的遗传方差和残差方差设置为后续AI迭代的先验值，然后使用AI迭代算法推导遗传方差和残差方差至收敛标准，并得到所估计的遗传参数；
AI算法分部分描述为：
a.Newton-Raphson算法：
其中，θ是要估计的遗传参数，k是迭代次数，是要估计的每个参数的最大对数似然函数的一阶导数，Hes是黑塞矩阵，它是每个方差的最大对数似然函数的二阶导数；
b.Fisher得分方法，Hes矩阵的逆矩阵用它的期望矩阵F取代，得到：
AI矩阵通过下式计算得到；
A1＝(-Hes+F)/2；
参数估计如下：
步骤4：通过Henderson方法3使用步骤3中估计的遗传参数求解混合模型方程，并获得每个个体的估计育种值，混合模型方程为：其中，Cov(u，e′)＝0，X代表对应固定效应的设计矩阵，Z是对应随机效应的设计矩阵，I是单位矩阵，K-1是亲缘关系矩阵的逆矩阵，是估计的固定效应向量，是估计育种值向量；
步骤5：用反向求解方法计算基因分型芯片中每个SNP标记的加性效应，计算公式为：
其中，是SNP标记的加性效应值向量，m是SNP标记数量，M′是加性标记协变量矩阵，pi和qi为第i个SNP遗传标记的等位基因频率；
步骤6：当等位基因AA、AB和BB的基因型分别编码为0、1和0时，使用步骤2至步骤5相同的方法处理显性模型来反向求解每个SNP标记的显性效应值。
采用上述技术方案所产生的有益效果在于：本发明提出的一种快速稳定的动物个体基因组育种值评估方法，使用Haseman-Elston(HE)回归和平均信息(AI)算法的组合策略来有效地获得方差组分的稳定估计，基于HE-AI算法的BLUP(最优线性无偏预测)被称为HIBLUP，HIBLUP全面利用谱系、表型和基因型信息来预测每个动物的遗传(加性和显性效应)价值以及每个SNP标记位点的效应值，实现最先进的基因组育种值的预测和方差组分估计算法而实现基因组选择。
附图说明
图1为本发明实施例提供的快速稳定的动物个体基因组育种值评估方法流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本实施例的方法如下所述。
一种快速稳定的动物个体基因组育种值评估方法，采用HIBLUP使用表型、基因型和谱系信息进行基因组育种值的预测，最终输出中包括估计的个体遗传价值、每个个体的加性效应和显性效应值以及用于基因分型芯片中的每个遗传标记效应的反向解析值；具体包括以下步骤：
步骤1：将基因型进行数值化，基因型AA、AB和BB的编码分别为0、1和2；分别使用Henderson列表法的谱系信息和VanRaden方法的基因组信息构建个体之间的关系A(亲缘相关IBD)矩阵和G(状态相关IBS)矩阵，然后根据A矩阵和G矩阵的信息，构建动物个体间的混合相关矩阵H，该矩阵包含来自A矩阵和G矩阵的信息，如下式所示：
根据群体中的动物个体是否具有基因分型信息将个体分成两种不同的群组，下角标为“1”的群组代表仅具有系谱而没有基因组分型信息的个体群组，下角标为“2”的群组代表同时具有谱系和基因组分型信息的个体群组；其中，A11、A22分别表示群组“1”内个体之间的亲缘相关和群组“2”内个体之间的亲缘相关矩阵，A12表示群组“1”和群组“2”的个体之间的亲缘相关矩阵，并且A21是A12的转置矩阵，α是融合矩阵G和矩阵A22之间的关系调和百分比；
步骤2：使用HE回归算法从H矩阵和表型值导出遗传方差和残差方差，其方程如下：
其中，y为表型值向量；为第i个随机效应所解释的方差；为残差方差，n是模型中随机效应的数目；Aj为对称非负矩阵，为Aj的最优估计值， Ki和Kj分别是第i个和第j个加性效应协变量矩阵；
步骤3：将HE回归的遗传方差和残差方差设置为后续AI迭代的先验值，然后迭代使用AI算法推导遗传方差和残差方差至收敛标准，并得到估计的遗传参数；
AI算法分部分描述为：
a.Newton-Raphson算法：
其中，θ是要估计的遗传参数，k是迭代次数，是要估计的每个参数的最大对数似然函数的一阶导数，Hes是黑塞矩阵，它是每个方差的最大对数似然函数的二阶导数；
b.Fisher得分方法，Hes矩阵的逆矩阵用它的期望矩阵F取代，得到：
AI矩阵通过下式计算得到；
AI＝(-Hes+F)/2；
参数估计如下：
步骤4：通过Henderson方法3使用步骤3中估计的遗传参数求解混合模型方程，并获得每个个体的估计育种值，混合模型方程为：
其中，Cov(u，e′)＝0，X代表对固定效应的设计矩阵，Z是对应随机效应的设计矩阵，I是单位矩阵，K-1是亲缘关系矩阵的逆矩阵，是估计的固定效应向量，是估计育种值向量；
步骤5：用反向求解方法计算基因分型芯片中每个SNP标记的加性效应，计算公式为：
其中，是SNP标记的加性效应值向量，m是SNP标记数量，M′是加性标记协变量矩阵，pi和qi为第i个SNP遗传标记的等位基因频率；
步骤6：当等位基因AA、AB和BB的基因型分别编码为0、1和0时，使用步骤2至步骤5相同的方法处理显性模型来反向求解每个SNP标记的显性效应值。
HIBLUP在猪基因组选择中的应用可用来缩短育种周期(时代间隔)，提高选择准确性并加速选择性状的遗传进展。该应用主要包括以下步骤：获得基因型数据、谱系数据和表型数据；以HIBLUP输入数据格式要求准备上述数据集；运行HIBLUP程序以获得每个个体的估计育种值(EBV)；使用多重性状的EBV计算选择指数；通过综合选择指数对个体排序，并提供候选名单。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (2)

1.一种快速稳定的动物个体基因组育种值评估方法，其特征在于：采用HIBLUP使用表型、基因型和谱系信息进行基因组育种值的预测，最终输出中包括估计的个体遗传价值、每个个体的加性效应和显性效应值以及用于基因分型芯片中的每个遗传标记效应的反向解析值；具体包括以下步骤：
步骤1：将基因型进行数值化，基因型AA、AB和BB的编码分别为0、1和2；分别使用Henderson列表法的谱系信息和VanRaden方法的基因组信息构建个体之间的关系A(亲缘相关IBD)矩阵和G(状态相关IBS)矩阵，然后根据A矩阵和G矩阵的信息，构建动物个体间的混合相关矩阵H，如下式所示：
根据群体中的动物个体是否具有基因分型信息将个体分成两种不同的群组，下角标为“1”的代表仅具有系谱而没有基因组分型信息的个体群组，下角标为“2”的代表同时具有谱系和基因组分型信息的个体群组；其中，A11、A22分别表示群组“1”内个体之间的亲缘相关和群组“2”内个体之间的亲缘相关矩阵，A12表示群组“1”和群组“2”的个体之间的亲缘相关矩阵，并且A21是A12的转置矩阵，α是融合矩阵G和矩阵A22之间的关系调和百分比；
步骤2：使用HE回归算法从H矩阵和表型值导出遗传方差和残差方差，其方程如下：
其中，y为表型值向量；为第i个随机效应所解释的方差；为残差方差，n是模型中随机效应的数目；Aj为对称非负矩阵，为Aj的最优估计值， Ki和Kj分别是第i个和第j个加性效应协变量矩阵；
步骤3：将HE回归的遗传方差和残差方差设置为后续AI迭代的先验值，然后使用AI迭代算法推导遗传方差和残差方差至收敛标准，并得到所估计的遗传参数；
步骤4：通过Henderson方法3使用步骤3中估计的遗传参数求解混合模型方程，并获得每个个体的估计育种值，混合模型方程为：
其中，Cov(u，e′)＝0，X代表对应固定效应的设计矩阵，Z是对应随机效应的设计矩阵，I是单位矩阵，K-1是亲缘关系矩阵的逆矩阵，是估计的固定效应向量，是估计育种值向量；
步骤5：用反向求解方法计算基因分型芯片中每个SNP标记的加性效应，计算公式为：
其中，是SNP标记的加性效应值向量，m是SNP标记数量，M′是加性标记协变量矩阵，pi和qi为第i个SNP遗传标记的等位基因频率；
步骤6：当等位基因AA、AB和BB的基因型分别编码为0、1和0时，使用步骤2至步骤5相同的方法处理显性模型来反向求解每个SNP标记的显性效应值。
2.根据权利要求1所述的快速稳定的动物个体基因组育种值评估方法，其特征在于：所述步骤3中的AI算法分部分描述为：
a.Newton-Raphson算法：
其中，θ是要估计的遗传参数，k是迭代次数，是要估计的每个参数的最大对数似然函数的一阶导数，Hes是黑塞矩阵，它是每个方差的最大对数似然函数的二阶导数；
b.Fisher得分方法，Hes矩阵的逆矩阵用它的期望矩阵F取代，得到：
AI矩阵通过下式计算得到；
AI＝(-Hes+F)/2；
参数估计如下：
CN201811620927.XA 2018-12-28 2018-12-28 一种快速稳定的动物个体基因组育种值评估方法 Active CN109524059B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201811620927.XA CN109524059B (zh) 2018-12-28 2018-12-28 一种快速稳定的动物个体基因组育种值评估方法
US17/417,007 US20220076781A1 (en) 2018-12-28 2019-01-14 Fast and stable genomic breeding value evaluating method for animal individuals
PCT/CN2019/071514 WO2020133588A1 (zh) 2018-12-28 2019-01-14 一种快速稳定的动物个体基因组育种值评估方法
EP19903054.5A EP3905253A4 (en) 2018-12-28 2019-01-14 RAPID AND STABLE METHOD FOR ASSESSING INDIVIDUAL ANIMAL GENOME REPRODUCTION VALUES

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811620927.XA CN109524059B (zh) 2018-12-28 2018-12-28 一种快速稳定的动物个体基因组育种值评估方法

Publications (2)

Publication Number Publication Date
CN109524059A true CN109524059A (zh) 2019-03-26
CN109524059B CN109524059B (zh) 2023-02-28

Family

ID=65797805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811620927.XA Active CN109524059B (zh) 2018-12-28 2018-12-28 一种快速稳定的动物个体基因组育种值评估方法

Country Status (4)

Country Link
US (1) US20220076781A1 (zh)
EP (1) EP3905253A4 (zh)
CN (1) CN109524059B (zh)
WO (1) WO2020133588A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060783A (zh) * 2019-04-16 2019-07-26 广州影子科技有限公司 防疫等级的认证方法、认证装置和认证系统
CN110317884A (zh) * 2019-07-30 2019-10-11 河南省农业科学院畜牧兽医研究所 一种快速选择繁殖用肉牛系祖的方法
CN110459265A (zh) * 2019-08-14 2019-11-15 中国农业科学院作物科学研究所 一种提高全基因组预测准确性的方法
WO2020229641A1 (en) 2019-05-14 2020-11-19 Agriculture And Food Development Authority (Teagasc) A method and system for estimation of the breeding value of an animal for eating quality and/or commercial yield prediction
CN112750494A (zh) * 2021-01-22 2021-05-04 贵州大学 一种评估香猪表型性状的个体基因组育种值方法
CN112837750A (zh) * 2021-02-07 2021-05-25 深圳市华大农业应用研究院 一种动植物育种值预测方法及装置
CN113223606A (zh) * 2021-05-13 2021-08-06 浙江大学 一种用于复杂性状遗传改良的基因组选择方法
CN113517020A (zh) * 2021-08-04 2021-10-19 华中农业大学 一种快速准确的动物基因组选配分析方法
CN114743601A (zh) * 2022-04-18 2022-07-12 中国农业科学院农业基因组研究所 基于多组学数据和深度学习的育种方法、装置、设备
CN115588465A (zh) * 2022-10-19 2023-01-10 温州医科大学 一种性状相关基因的筛选方法及其系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113555063A (zh) * 2021-07-28 2021-10-26 仲恺农业工程学院 一种基于snp芯片的阈性状基因组育种值估计方法及应用
CN114639446B (zh) * 2022-04-01 2024-03-15 中国海洋大学 一种基于mcp稀疏深层神经网络模型估计水产动物基因组育种值的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914632A (zh) * 2014-02-26 2014-07-09 中国农业大学 一种快速估计基因组育种值的方法和应用
US20150181822A1 (en) * 2013-12-31 2015-07-02 Dow Agrosciences Llc Selection based on optimal haploid value to create elite lines

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005129024A (ja) * 2003-09-30 2005-05-19 Mitsubishi Research Institute Inc ハプロタイプと量的表現型との関係を推定し、検定するアルゴリズム
CN105052729B (zh) * 2015-08-31 2017-12-22 华中农业大学 一种基于受选择位点指数评估动植物品种育种潜力的方法
CN106022005B (zh) * 2016-05-21 2019-02-05 安徽省农业科学院畜牧兽医研究所 一种连续性状和阈性状基因组育种值联合估计的贝叶斯方法
CN107338321B (zh) * 2017-08-29 2020-05-19 集美大学 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
CN107590364A (zh) * 2017-08-29 2018-01-16 集美大学 一种新的估计基因组育种值的快速贝叶斯方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150181822A1 (en) * 2013-12-31 2015-07-02 Dow Agrosciences Llc Selection based on optimal haploid value to create elite lines
CN103914632A (zh) * 2014-02-26 2014-07-09 中国农业大学 一种快速估计基因组育种值的方法和应用

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DAVID HABIER, ET.AL: "Genomic BLUP decoded: a look into the black box of genomic prediction", 《GENETICS》 *
P. M. VANRADEN: "Efficient methods to compute genomic predictions", 《JOURNAL OF DAIRY SCIENCE》 *
张巧霞等: "基于GBLUP与惩罚类回归方法的猪血液性状基因组选择研究", 《畜牧兽医学报》 *
张巧霞等: "猪血液免疫性状的复合基因组选择研究", 《猪业科学》 *
彭中镇等: "猪人工授精中心在育种值跨群比较中的应用", 《猪业科学》 *
王超等: "猪抗病育种的相关问题及研究进展", 《中国畜牧杂质》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060783A (zh) * 2019-04-16 2019-07-26 广州影子科技有限公司 防疫等级的认证方法、认证装置和认证系统
GB2599289A (en) * 2019-05-14 2022-03-30 Agriculture And Food Dev Authority Teagasc A method and system for estimation of the breeding value of an animal for eating quality and/or commercial yield prediction
WO2020229641A1 (en) 2019-05-14 2020-11-19 Agriculture And Food Development Authority (Teagasc) A method and system for estimation of the breeding value of an animal for eating quality and/or commercial yield prediction
CN110317884A (zh) * 2019-07-30 2019-10-11 河南省农业科学院畜牧兽医研究所 一种快速选择繁殖用肉牛系祖的方法
CN110459265B (zh) * 2019-08-14 2022-07-05 中国农业科学院作物科学研究所 一种提高全基因组预测准确性的方法
CN110459265A (zh) * 2019-08-14 2019-11-15 中国农业科学院作物科学研究所 一种提高全基因组预测准确性的方法
CN112750494A (zh) * 2021-01-22 2021-05-04 贵州大学 一种评估香猪表型性状的个体基因组育种值方法
CN112750494B (zh) * 2021-01-22 2024-04-09 贵州大学 一种评估香猪表型性状的个体基因组育种值方法
CN112837750A (zh) * 2021-02-07 2021-05-25 深圳市华大农业应用研究院 一种动植物育种值预测方法及装置
CN113223606A (zh) * 2021-05-13 2021-08-06 浙江大学 一种用于复杂性状遗传改良的基因组选择方法
CN113517020A (zh) * 2021-08-04 2021-10-19 华中农业大学 一种快速准确的动物基因组选配分析方法
CN114743601A (zh) * 2022-04-18 2022-07-12 中国农业科学院农业基因组研究所 基于多组学数据和深度学习的育种方法、装置、设备
CN114743601B (zh) * 2022-04-18 2023-02-03 中国农业科学院农业基因组研究所 基于多组学数据和深度学习的育种方法、装置、设备
CN115588465A (zh) * 2022-10-19 2023-01-10 温州医科大学 一种性状相关基因的筛选方法及其系统
CN115588465B (zh) * 2022-10-19 2023-05-23 温州医科大学 一种性状相关基因的筛选方法及其系统

Also Published As

Publication number Publication date
US20220076781A1 (en) 2022-03-10
EP3905253A4 (en) 2022-09-07
CN109524059B (zh) 2023-02-28
WO2020133588A1 (zh) 2020-07-02
EP3905253A1 (en) 2021-11-03

Similar Documents

Publication Publication Date Title
CN109524059A (zh) 一种快速稳定的动物个体基因组育种值评估方法
Lovell et al. Mutation accumulation in an asexual relative of Arabidopsis
Haller et al. Tree‐sequence recording in SLiM opens new horizons for forward‐time simulation of whole genomes
Waldmann et al. Evaluation of the lasso and the elastic net in genome-wide association studies
Martini et al. Epistasis and covariance: how gene interaction translates into genomic relationship
Ratcliffe et al. A comparison of genomic selection models across time in interior spruce (Picea engelmannii× glauca) using unordered SNP imputation methods
Stetter et al. Genetic architecture and selective sweeps after polygenic adaptation to distant trait optima
Hofheinz et al. Genome-based prediction of test cross performance in two subsequent breeding cycles
Weber et al. Species delimitation in the presence of strong incomplete lineage sorting and hybridization: Lessons from Ophioderma (Ophiuroidea: Echinodermata)
Singh et al. Heterosis and combining ability in cytoplasmic male sterile and doubled haploid based Brassica oleracea progenies and prediction of heterosis using microsatellites
Zhang et al. Advances in genomic selection in domestic animals
D’Aloia et al. Unraveling hierarchical genetic structure in a marine metapopulation: A comparison of three high‐throughput genotyping approaches
CN107590364A (zh) 一种新的估计基因组育种值的快速贝叶斯方法
Ali et al. Modeling and simulation of recurrent phenotypic and genomic selections in plant breeding under the presence of epistasis
Yin et al. Strategy for the simulation and analysis of longitudinal phenotypic and genomic data in the context of a temperature× humidity-dependent covariate
Yang et al. A new genotype imputation method with tolerance to high missing rate and rare variants
Alvarenga et al. Comparing alternative single-step GBLUP approaches and training population designs for genomic evaluation of crossbred animals
Illingworth et al. Inferring genome-wide recombination landscapes from advanced intercross lines: application to yeast crosses
CN110867208A (zh) 一种提高水产动物全基因组选择育种效率的方法
CN112687340A (zh) 一种基于全基因组关联分析和全基因组选择选育玉米高产材料的方法
Yang et al. Nonparametric functional mapping of quantitative trait loci
Böndel et al. The distribution of fitness effects of spontaneous mutations in Chlamydomonas reinhardtii inferred using frequency changes under experimental evolution
Technow et al. Back to the future: implications of genetic complexity for the structure of hybrid breeding programs
Cooper et al. Complexity, quantitative traits and plant breeding: a role for simulation modelling in the genetic improvement of crops.
Kolbehdari et al. Power of QTL detection by either fixed or random models in half-sib designs

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