CN110853710B - 一种预测烟草淀粉含量的全基因组选择模型及其应用 - Google Patents

一种预测烟草淀粉含量的全基因组选择模型及其应用 Download PDF

Info

Publication number
CN110853710B
CN110853710B CN201911140627.6A CN201911140627A CN110853710B CN 110853710 B CN110853710 B CN 110853710B CN 201911140627 A CN201911140627 A CN 201911140627A CN 110853710 B CN110853710 B CN 110853710B
Authority
CN
China
Prior art keywords
tobacco
starch content
population
model
rrblup
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.)
Active
Application number
CN201911140627.6A
Other languages
English (en)
Other versions
CN110853710A (zh
Inventor
童治军
肖炳光
陈学军
方敦煌
姚恒
曾建敏
焦芳婵
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.)
Yunnan Academy of Tobacco Agricultural Sciences
Original Assignee
Yunnan Academy of Tobacco Agricultural Sciences
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 Yunnan Academy of Tobacco Agricultural Sciences filed Critical Yunnan Academy of Tobacco Agricultural Sciences
Priority to CN201911140627.6A priority Critical patent/CN110853710B/zh
Publication of CN110853710A publication Critical patent/CN110853710A/zh
Application granted granted Critical
Publication of CN110853710B publication Critical patent/CN110853710B/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
    • 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
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioethics (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种预测烟草淀粉含量的全基因组选择模型及其应用，所述的用于预测烟草淀粉含量的全基因组选择模型为rrBLUP_st，为使该模型对烟草中淀粉含量表型值的预测精度达到最优，对经过初步筛选而获得的候选预测模型rrBLUP中的分子标记数量（n1）、训练群体规模（n2）、训练群体与测试群体比例（n3）及模型预测精度值（n4）等核心参数值进行了明确规定。所述的应用为利用所述的全基因组选择模型rrBLUP_st分析烟草群体的基因型数据来预测其淀粉含量的应用。本发明所述的烟草淀粉含量全基因组选择模型rrBLUP_st可以依据烟草群体的基因型来精确预测出该群体中各烟株的淀粉含量值，从而实现烟草品质育种中不同淀粉含量优良烟草品种（系）的培育。

Description

一种预测烟草淀粉含量的全基因组选择模型及其应用
技术领域
本发明属于生物技术领域，具体涉及一种预测烟草淀粉含量的全基因组选择模型及其应用。
背景技术
作为我国重要经济作物的烟草，其产量是以烘烤后的叶片为单位进行衡量的，而烘烤后烟叶中的淀粉含量是构成卷制成品烟支吸食品质的关键因素之一。大量的研究表明，烘烤后烟草叶片中的淀粉含量属于受环境和效应微小且数量众多基因位点控制的数量性状，不同淀粉含量的烟草品种间杂交产生的后代群体或不同烟草品种（系）构成的自然群体中烟株叶片中淀粉含量数值呈现出符合数量性状的标准正态分布（肖炳光，卢秀萍，焦芳婵，李永平，孙玉合，郭兆奎，烤烟几种化学成分的QTL初步分析，作物学报，2008,34（10）：1762-1769）。基于特定的烟草群体（即，两个固定亲本品种衍生的群体）并结合较少数量的分子标记获得的基因型数据和多年多点获得的烘烤后烟叶中淀粉含量表型数据，研究人员将控制烟草淀粉含量性状的基因位点尝试着进行了初步定位分析，并获得了少量的控制烟草淀粉含量性状的QTL位点（童治军，陈学军，方敦煌，曾建敏，吴兴富，肖炳光，231份烤烟种质资源SSR标记遗传多样性及其与农艺性状和化学成分的关联分析，中国烟草学报，2017,8：207）。但由于烟草淀粉含量数据获得较困难，往往需要经过漫长的田间生育期后，经过采收、烘烤、初选、分级、制样、检测等复杂而繁琐的工序后，才能获得烟草淀粉含量表型数据。上述的全过程至少需要耗时2年以上，且每个工序过程均极易受到环境、技术、仪器及人为等因素的影响而导致最终获得的淀粉含量表型值的准确度较低。故此，在分子水平上尤其是针对控制烟叶中淀粉含量性状的基因位点/QTL的遗传分析或定位研究相对较少且结果的准确度偏低，从而导致至今无法有效的利用分子标记辅助选择等生物技术手段开展针对烟叶淀粉含量的优质烟草品种的选育工作。
鉴于此，本发明一方面利用烤烟品种YY3（淀粉含量低，2.8±0.31%）和烤烟品种K326（淀粉含量高，9.9±0.23%）构建基于固定双亲衍生的重组自交系（RILs，F7）群体，此外，也组建了一个含有347份不同烟草品种（系）的自然群体，将上述两种不同类型群体代表全部烟草群体或烟草品种（系）；另一方面采用初步筛选获得的rrBLUP候选预测模型，进一步筛选、优化并构建预测烟草淀粉含量的全基因组选择模型rrBLUP_st，加速全基因组范围内分子标记辅助选择（Marker Assistant Selection，MAS）在具有理想淀粉含量的烟草品种选育工作中应用，从而实现科学、高效、精准、可靠的培育出具有理想淀粉含量水平的优质烟草品种。
发明内容
本发明的第一目的在于提供一种预测烟草淀粉含量的全基因组选择模型；第二目的在于提供所述的预测烟草淀粉含量的全基因组选择模型的应用。
本发明的第一目的是这样实现的，所述的预测烟草淀粉含量的全基因组选择模型为rrBLUP_st，所述的预测烟草淀粉含量的全基因组选择模型是在经初步筛选获得的rrBLUP候选预测模型基础上明确了模型中的分子标记数量（n1）、训练群体规模（n2）、训练群体与测试群体比例（n3）和模型预测精度值（n4）的数值构建得到，其公式如下：
或
其中：表示将4个核心参数n1、n2、n3及n4依次代入rrBLUP候选预测模型中。
本发明的第二目的是这样实现的，利用所述的预测烟草淀粉含量的全基因组选择模型rrBLUP_st分析烟草全体或品种（系）的基因型数据并在全基因组范围内精准预测出该群体中各烟草植株烘烤后叶片中淀粉含量表型值。
为了科学、高效、精准的选择具有不同淀粉含量水平的烟草品种，有针对性和特异性的选择具有理想淀粉含量的后代材料，本发明提供一种预测烟草淀粉含量的全基因组选择模型rrBLUP_st，利用该模型分别对重组自交系群体（RILs）、自然群体及两者混合后的综合群体进行基因型数据和烘烤后叶片中淀粉含量性状表型数据分析，在初选获得的rrBLUP候选预测模型基础上，筛选、优化并验证分子标记数量（n1）、训练群体规模（n2）、训练群体与测试群体比例（n3）及模型预测精度值（n4）等核心参数，最终获得预测烟草淀粉含量的全基因组选择模型rrBLUP_st，可以用于全基因组范围内对烟草淀粉含量QTL位点的辅助选择，以提高分子标记辅助选择的效率及理想淀粉含量品种选育的效率。
本发明一方面利用烤烟品种YY3（淀粉含量低，2.8±0.31%）和烤烟品种K326（淀粉含量高，8.6±0.23%）构建重组自交系（RILs，F7）群体，同时，组建一个含有347份不同烟草品种（系）的自然群体，利用上述两个群体代表全部的烟草群体或品种（系）；另一方面采用经初选获得的候选预测模型rrBLUP，进一步筛选、优化并构建预测烟草淀粉含量的全基因组选择模型rrBLUP_st，加速全基因组范围内分子标记辅助选择（Marker AssistantSelection，MAS）在具有理想淀粉含量的优质烟草品种选育工作。
本发明所述的预测烟草淀粉含量的全基因组选择模型rrBLUP_st具有科学、高效、准确和低成本的特点，因此该模型rrBLUP_st可以在培育具有理想淀粉含量的优质烟草新品种（系）中应用。
附图说明
图1是基于烟草综合群体的烘烤后叶片中淀粉含量表型值分布；
其中，横坐标表示烟草综合群体中各单株（系）烘烤后叶片中淀粉含量值%；纵坐标表示烟草植株数量；
图2 是利用烟草综合群体初步筛选获得rrBLUP候选预测模型；
其中，横坐标表示R语言包中提供的4种原始模型：Bayes A、Bayes B、Bayes C和rrBLUP；纵坐标表示该原始模型对待测烟草群体的淀粉含量表型值预测精度；
图3 是分子标记数量（n1）对rrBLUP_st模型的淀粉含量预测精度影响；
其中，横坐标为分子标记数量；纵坐标为rrBLUP_st模型对淀粉含量的预测精度；图中横坐标显示的1K、2K、4K、7K、11K、16K、22K、29K、37K和All分别表示用于烟草综合群体（重组自交系群体和自然群体的混合群体）进行基因型分析的SNP标记数量为1000、2000、4000、7000、11000、16000、22000、29000、37000和50000个；
图4 是训练群体规模（n2）对rrBLUP_st模型的淀粉含量预测精度影响；
其中，横坐标为rrBLUP_st模型对淀粉含量的预测精度；纵坐标为训练群体规模（训练群体包含的烟草植株数量）；
图5 是训练群体与测试群体比例（n3）对rrBLUP_st模型的淀粉含量预测精度影响；
其中，横坐标为训练群体与测试群体的比例（即，训练群体中的烟草植株数量：测试群体中的烟草植株数量）；纵坐标为rrBLUP_st模型对淀粉含量的预测精度；图中右侧图标1/5、1/4、1/3、1/2、1、2、3、4、5、6和10分别表示训练群体：测试群体的比值为别为1:5、1:4、1:3、1:2、1:1、2:1、3:1、4:1、5:1、6:1和10:1。
具体实施方式
下面结合实施例和附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
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，均为可以通过购买获得的常规产品。
本发明所述的预测烟草淀粉含量的全基因组选择模型为rrBLUP_st，该模型是在初步筛选获得的rrBLUP候选预测模型基础上，通过实验筛选、优化并验证获得核心参数分子标记数量（n1）、训练群体规模（n2）、训练群体与测试群体比例（n3）及模型预测精度值（n4）的具体数值。
所述的模型rrBLUP_st中的4个核心参数值分别为：
分子标记数量（n1）：a，高性价比（追求较低或少投入，较高回报或收益）时，n1=4000个标记；b，高预测精度（追求获得最精准的烟草淀粉含量值）时，n1=11000个标记。
训练群体规模（n2）：a，高性价比时，n2=200个单株；b，高预测精度时，n2=250个单株。
训练群体与测试群体比例（n3）：a，高性价比时，n3=4:1（即，训练群体中烟草植株数量：测试群体中烟草植株数量=4:1）；b，高预测精度时，n3=5:1。
模型预测精度值（n4）：a，高性价比时，n4=0.58；b，高预测精度时，n4=0.63。
本发明所述的全基因组选择模型rrBLUP_st在苗期（早期）的烟草群体或品种（系）中分析各烟株基因型数据从而预测获得烘烤后烟草叶片中淀粉含量的应用。
所述的预测烟草淀粉含量的全基因组选择模型的应用是利用rrBLUP_st模型分析苗期（早期）待检测的烟草群体或品种（系）基因型值，并通过基因型值预测获得待测烘烤后烟草叶片的淀粉含量。
下面以具体实施案例对本发明做进一步说明：
实施例1
预测烟草淀粉含量的全基因组选择模型rrBLUP_st的构建及应用
一、实验材料
烤烟品种YY3（淀粉含量低，2.8±0.31%）和烤烟品种K326（淀粉含量高，9.9±0.23%）构建重组自交系（RILs，F7）群体，该RILs群体包含300个株系；此外，为构建具有烟草通用性的预测模型，组建了一个区别于固定双亲衍生群体的烟草自然群体，该自然群体由347份不同烟草品种（系）构成。
二、两种不同类型烟草群体的烘烤后叶片中淀粉含量数据获得
试验材料成苗后移栽至大田，待大田烟草植株成熟后开始烟草叶片采收、烘烤、分级、制样、检测并统计烟叶中淀粉含量值。由最终获得的表型数据结果可知：所有群体的烤后烟叶中淀粉含量值呈连续的正太分布，属于典型的数量性状，见图1。
三、SNP标记分析
烟草基因组DNA提取：采用常规CTAB法或植物组织DNA提取试剂盒均可，方法可参考已有的文献或试剂盒中的说明书。但需要对提取的烟草DNA进行去除RNA、蛋白质及其他有机杂质的纯化处理，使其达到开展SNP芯片分析的要求；如若对烟草样品进行基因组重测序挖掘SNP标记，则相应的烟草DNA质量需按照测序公司的要求进行处理。
四、全基因组选择模型rrBLUP_st的构建及应用
4.1 rrBLUP候选预测模型的初步筛选
分别利用烟草重组自交系（RILs，300个株系）、烟草自然群体（347个不同烟草品种）及前两者混合后组成的烟草综合群体（647个株系）的各烟草株系SNP基因型数据和烘烤后叶片中淀粉含量表型值，对R语言包中提供的4种原始模型（Bayes A、Bayes B、Bayes C和rrBLUP）进行烟草淀粉含量值的计算、模拟，初步筛选出能较好预测该目标性状表型值的原始模型，最后筛选获得rrBLUP作为符合预测烟草淀粉含量的全基因组选择候选预测模型，见图2。
4.2 rrBLUP_st模型的构建及应用
利用初步筛选获得的rrBLUP候选预测模型，分别对含有300个、347个单株（系）的重组自交系群体和自然群体及其混合后产生的含有647个单株（系）的烟草综合群体开展针对烟草烘烤后叶片中淀粉含量预测的全基因组选择模型的筛选、优化和验证。具体的方法如下：
首先，利用均匀分布于烟草全基因组上的50000个高质量SNP标记分析含有647个单株（系）的烟草综合群体并获得基因型数据；其次，检测并统计上述烟草综合群体在烘烤后各单株（系）的叶片中淀粉含量，获得烟草淀粉含量表型数据；第三，以初步筛选获得的rrBLUP作为候选预测模型，将上述烟草综合群体内各单株（系）的基因型数据和淀粉含量表型数据代入候选预测模型中进行计算、模拟，不断的筛选、优化和验证候选预测模型中核心参数分子标记数量（n1）、训练群体规模（n2）、训练群体与测试群体比例（n3）和模型预测精度值（n4）的具体数值，从而构建预测烟草淀粉含量的全基因组选择模型rrBLUP_st。即，将50000个SNP标记分为10个梯度（1000、2000、4000、7000、11000、16000、22000、29000、37000和50000）用于确定rrBLUP_st模型中的分子标记数量（n1）参数，结果见图3；将综合群体按照50、100、150、200、250和300个单株（系）作为训练群体，同时也将重组自交系群体（300个株系）、自然群体（347个株系）和综合群体（647个株系）分别单独作为训练群体用于确定rrBLUP_st模型中的训练群体规模（n2），其结果详见图4；将综合群体内的647个株系按照训练群体中烟草植株（系）数量：测试群体中烟草植株（系）数量分别为1:5、1:4、1:3、1:2、1:1、2:1、3:1、4:1、5:1、6:1和10:1共11个梯度来确定rrBLUP_st模型中的训练群体与测试群体比例（n3），其结果见图5。第四，经新建立的rrBLUP_st模型计算在苗期（早期）获得的基因型数据，获得烟草综合群体中每个单株（系）的烘烤后叶片中淀粉含量预测值，再与其各自的淀粉含量真实检测值进行比较，获得预测精度，选取预测精度最高的前2个值分别作为高预测精度值（n4=0.63）和高性价比预测精度值（n4=0.58）。最后，经上实验验证、述优化及实际应用后，构建获得预测烟草淀粉含量的全基因组选择模型rrBLUP_st，其公式如下：
或
其中：表示将4个核心参数n1、n2、n3及n4依次代入rrBLUP候选预测模型中。

Claims (3)

1.一种预测烟草淀粉含量的全基因组选择模型，其特征在于，所述的预测烟草淀粉含量的全基因组选择模型为rrBLUP_st，所述的预测烟草淀粉含量的全基因组选择模型是在经初步筛选获得的rrBLUP候选预测模型基础上明确了模型中的分子标记数量n1、训练群体规模n2、训练群体与测试群体比例n3和模型预测精度值n4的核心参数值构建得到，其公式如下：
或
其中：表示将4个核心参数n1、n2、n3及n4依次代入rrBLUP候选预测模型中。
2.一种权利要求1所述的预测烟草淀粉含量的全基因组选择模型的应用，其特征在于，利用所述的预测烟草淀粉含量的全基因组选择模型rrBLUP_st分析烟草群体或品种的基因型数据并在全基因组范围内精准预测出该群体中各烟草植株烘烤后叶片中淀粉含量表型值。
3.根据权利要求2所述的应用，其特征在于，利用全基因组选择模型rrBLUP_st，分析烟草群体或品种的基因型数据，在全基因组范围内预测烘烤后烟草叶片中精准的淀粉含量数值，从而实现在烟草苗期就能获得烟草群体或品种的烤后叶片淀粉含量精准数值。
CN201911140627.6A 2019-11-20 2019-11-20 一种预测烟草淀粉含量的全基因组选择模型及其应用 Active CN110853710B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911140627.6A CN110853710B (zh) 2019-11-20 2019-11-20 一种预测烟草淀粉含量的全基因组选择模型及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911140627.6A CN110853710B (zh) 2019-11-20 2019-11-20 一种预测烟草淀粉含量的全基因组选择模型及其应用

Publications (2)

Publication Number Publication Date
CN110853710A CN110853710A (zh) 2020-02-28
CN110853710B true CN110853710B (zh) 2023-09-12

Family

ID=69602599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911140627.6A Active CN110853710B (zh) 2019-11-20 2019-11-20 一种预测烟草淀粉含量的全基因组选择模型及其应用

Country Status (1)

Country Link
CN (1) CN110853710B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111883205B (zh) * 2020-07-14 2023-10-20 云南省烟草农业科学研究院 一种基于全基因组选择烟草有害成分预测方法及应用

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2014110321A (ru) * 2014-03-18 2015-09-27 Государственное научное учреждение Всероссийский научно-исследовательский институт генетики и разведения сельскохозяйственных животных Российской академии сельскохозяйственных наук Способ геномной селекции крупного рогатого скота
AR103075A1 (es) * 2014-12-18 2017-04-12 Pioneer Hi Bred Int Métodos mejorados de cultivo molecular
CN107278877A (zh) * 2017-07-25 2017-10-24 山东省农业科学院玉米研究所 一种玉米出籽率的全基因组选择育种方法
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
EP3474167A1 (en) * 2017-10-17 2019-04-24 Agroscope System and method for predicting genotype performance
CN109727641A (zh) * 2019-01-22 2019-05-07 袁隆平农业高科技股份有限公司 一种全基因组预测方法及装置
CN109741789A (zh) * 2019-01-22 2019-05-10 袁隆平农业高科技股份有限公司 一种基于rrblup的全基因组预测方法和装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080163824A1 (en) * 2006-09-01 2008-07-10 Innovative Dairy Products Pty Ltd, An Australian Company, Acn 098 382 784 Whole genome based genetic evaluation and selection process
GB201110888D0 (en) * 2011-06-28 2011-08-10 Vib Vzw Means and methods for the determination of prediction models associated with a phenotype
EP3135103B1 (en) * 2013-06-14 2019-09-04 Keygene N.V. Directed strategies for improving phenotypic traits
US10113174B2 (en) * 2014-07-02 2018-10-30 Altria Client Services Llc Tobacco having altered leaf properties and methods of making and using
CN109072299B (zh) * 2016-05-12 2022-01-04 先锋国际良种公司 同时合并基因分型的方法
US11610144B2 (en) * 2018-02-02 2023-03-21 BioRealm LLC Biosignature discovery for substance use disorder using statistical learning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2014110321A (ru) * 2014-03-18 2015-09-27 Государственное научное учреждение Всероссийский научно-исследовательский институт генетики и разведения сельскохозяйственных животных Российской академии сельскохозяйственных наук Способ геномной селекции крупного рогатого скота
AR103075A1 (es) * 2014-12-18 2017-04-12 Pioneer Hi Bred Int Métodos mejorados de cultivo molecular
CN107278877A (zh) * 2017-07-25 2017-10-24 山东省农业科学院玉米研究所 一种玉米出籽率的全基因组选择育种方法
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
EP3474167A1 (en) * 2017-10-17 2019-04-24 Agroscope System and method for predicting genotype performance
CN109727641A (zh) * 2019-01-22 2019-05-07 袁隆平农业高科技股份有限公司 一种全基因组预测方法及装置
CN109741789A (zh) * 2019-01-22 2019-05-10 袁隆平农业高科技股份有限公司 一种基于rrblup的全基因组预测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Determination of the optimal number of markers and individuals in a training population necessary for maximum prediction accuracy in F2 populations by using genomic selection models;Peixoto L A;Genetics and Molecular Research;第15卷(第4期);全文 *

Also Published As

Publication number Publication date
CN110853710A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN111223520B (zh) 一种预测烟草尼古丁含量的全基因组选择模型及其应用
Xu et al. Enhancing genetic gain in the era of molecular breeding
Keurentjes et al. Development of a near-isogenic line population of Arabidopsis thaliana and comparison of mapping power with a recombinant inbred line population
Juenger et al. Quantitative trait loci for floral morphology in Arabidopsis thaliana
CN107278877B (zh) 一种玉米出籽率的全基因组选择育种方法
Guo et al. Resequencing 200 flax cultivated accessions identifies candidate genes related to seed size and weight and reveals signatures of artificial selection
Li et al. Genomic insights into historical improvement of heterotic groups during modern hybrid maize breeding
AU2011261447B2 (en) Methods and compositions for predicting unobserved phenotypes (PUP)
Dong et al. Marker-assisted selection and evaluation of high oil in vivo haploid inducers in maize
CN110782943B (zh) 一种预测烟草株高的全基因组选择模型及其应用
CN105868584B (zh) 通过选取极端性状个体来进行全基因组选择育种的方法
CN108004302A (zh) 一种转录组参考的关联分析方法及其应用
CN110853711B (zh) 一种预测烟草果糖含量的全基因组选择模型及其应用
CN109929945A (zh) 甘蓝型油菜开花期和成熟期主效QTL位点的分子标记BrSF2604引物及其应用
Cubry et al. An initial assessment of linkage disequilibrium (LD) in coffee trees: LD patterns in groups of Coffea canephora Pierre using microsatellite analysis
CN110853710B (zh) 一种预测烟草淀粉含量的全基因组选择模型及其应用
White From genome to wheat: Emerging opportunities for modelling wheat growth and development
Hill et al. A global barley panel revealing genomic signatures of breeding in modern cultivars
CN110004242A (zh) 甘蓝型油菜开花期和成熟期主效QTL位点的分子标记BrSF0239引物及其应用
Tian et al. Genetic characterization of hull color using BSR-Seq and genome re-sequencing approaches in foxtail millet
CN111798920B (zh) 基于全基因组选择烟草经济性状表型值预测方法及应用
CN108504769A (zh) 一种与光周期敏感的白菜类作物开花时间紧密连锁的InDel分子标记及其应用
CN111898807B (zh) 一种基于全基因组选择烟叶产量预测方法及应用
Zhang Advances on methods for mapping QTL in plant
CN113073142B (zh) 利用三种单倍型检测水稻抽穗期性状的方法

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