JP2016521984A - 表現形質改善のための制御された戦略 - Google Patents

Abstract

本発明は、個体からなる集団、好ましくは作物用植物または家畜の後続の世代において、対象とする少なくとも１つの表現形質を改善するための方法を提供する。本方法は特に、続いて交雑させた際に後続の世代において、対象とする少なくとも１つの表現形質を改善する可能性が最も高いと推定される、少なくとも３個体からなる組合せを同定する。本方法を実行するための指示を含むコンピュータ可読媒体も提供される。

Description

本発明は、個体からなる集団、好ましくは作物用植物または家畜の後続の世代において、対象とする少なくとも１つの表現形質を改善するための方法の分野に関する。本発明は特に、続いて交雑させた際に後続の世代において、対象とする少なくとも１つの表現形質を改善する可能性が最も高いと推定される、少なくとも３個体からなる組合せを同定するための方法に関する。

多数座位の影響下にある量的変異の管理に応用する際に生じる、マーカー利用選抜（ＭＡＳ）の限界は、同時にゲノムワイドマーカーを使用することによって大いに改善されると期待される。対費用効果の高い遺伝子型解析技術は、植物育種家が新しい変異を作製するために思いのままにできる全育種材料についての、ゲノム全体の数千の座位の遺伝的変異に関する情報を、育種会社が作製できるようにする。その結果、情報の溢れたこの新たな状況下において、植物／動物の育種を行うための新しい戦略が現れつつある。１つの戦略はゲノム選抜（ＧＳ）、すなわち推定育種価（ＥＢＶ）を予測するためのゲノムワイド遺伝子型データの、選抜を目的とした使用であり、これは、動物育種において最初に提案され［Ｍｅｕｗｉｓｓｅｎら、２００１年］、それ以来、例えば家畜および家禽における動物育種に成功裏に応用されてきた。ＥＢＶは成績データから計算され、これは個体の遺伝的メリットを概算したものである。ＧＳにおいて、ＥＢＶはゲノムワイド情報に基づき予測される。ＧＳは、リッジ回帰と称する、あるクラスの統計学的方法を使用して実行される。リッジ回帰はＥ．Ａ．Ｈｏｅｒｌ（１９５９）によって最初に導入された。リッジ回帰は、不良設定問題が観察された際、例えば観測総数よりも多くの変数が予測に使用された際に使用される。リッジ回帰における最も重要なパラメータは、モデルパラメータ（ＧＳモデル）に対して仮定された分布に対応する。この分布は、遺伝子型／表現型関係を捉えるために使用される。精力的な研究は複数の分布仮定へとつながり、これは次に、ＧＳモデルとも称する非常に多くの複数リッジ回帰モデル（ｍｕｌｔｉｐｌｅ ｒｉｄｇｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌｓ）（ベイズＡ法、ベイズＢ法、ベイズＣ法、ベイズＣπ法、ベイズＤ法、機械学習法、情報理論の方法など）へとつながった。絶えず統計学的方法が向上し続け、育種データのサイズも増加し続ける中で、遺伝子型／表現型関係を捉えるモデルの正確性が徐々に向上する可能性が高いと予期するのは妥当である。そしてこのような種々のモデルが育種に応用できるようになり、ＧＳがさらに一層重要な育種戦略となるのを可能にすると予期される。

近年、ゲノム選抜は、マーカー利用選抜（ＭＡＳ）および表現型選抜に代わる選択肢として、植物育種家によって研究されてきた。戦略としてのＧＳには、有意に連鎖／関連する座位または候補遺伝子を同定する必要なしに、ただゲノムワイドに分布する大量のマーカーについての量的遺伝子型／表現型モデルを構築することによって、極めて複雑な形質または複数の形質の組合せを改善する可能性がある。実際の表現型値ではなくゲノムワイド推定育種価（ＧＥＢＶ）を使用することによって、育種家は、実際に表現型解析を行うことなしに、形質の成績について個々の動物または植物を選抜する機会を得、これにより費用および時間が節約される可能性がある。これは単一の形質、複雑な形質の双方のみならず、複数の形質を組み合わせて１つの指標としたものに対しても応用できる。より初期の段階で形質を推定できると、育種サイクルの長い作物（すなわち樹木種）において特に有利であり、これによって簡単に複数年分得をしてしまうことがある。

ＧＳまたは全遺伝子型／表現型関係を捉える方法の、育種操作における主な応用の１つは、次の育種サイクルのための親の選抜である。これは、形質または形質の指標に関して、親候補群の全メンバーについてＧＥＢＶを予測することによってなされる。この後に、値の最も高い親をさらなる育種用に選抜するが、この操作は、実際の表現型に基づく従来の選抜操作に似ていなくもない［Ｈａｌｅｙ ａｎｄ Ｖｉｓｓｃｈｅｒ、１９９８年］。

育種法として、遺伝子型／表現型関係に基づく、予測ベースの戦略は、訓練フェーズおよび選抜フェーズの２つのフェーズによって進む。

訓練フェーズ
このフェーズにおいて、表現型予測モデルを組み立てることに傾注する。必要とされるのは、テスト集団または生殖質群のメンバーを正確に表現型解析すること、および同一個体を高密度に（１０^４−１０^５マーカー）遺伝子型解析することである。この２つのデータ型から、パブリックドメイン［例えばＭｅｕｗｉｓｓｅｎら、２００１年］においてこのために利用可能な複数の方法の１つによって、モデルが構築される。場合によって、構築されたモデルの予測の質は、遺伝子型および表現型双方が測定されている第２の集団においてテストされる。

選抜フェーズ
第２のフェーズにおいて、育種集団の全メンバーが、訓練フェーズと同一のマーカーセットを使用して遺伝子型解析される。前のフェーズにおいて構築されたモデルに遺伝子型データを入力することによって、実際の表現型測定を一切することなしに、育種価が各個体について予測される。予測価に基づいて、育種を目的とした集団からの選抜がなされる。

Ｍｅｕｗｉｓｓｅｎら、２００１年 Ｅ．Ａ．Ｈｏｅｒｌ（１９５９） Ｈａｌｅｙ ａｎｄ Ｖｉｓｓｃｈｅｒ、１９９８年

しかし表現型改善に関し最良の利得を得るために個体を選抜する最適な戦略は、従来技術においては案出されていない。したがって本発明の目的の１つは、次世代において成績が最も良い子孫を産生する可能性が最も高い個体を同定（および選抜）する、従来技術と比べより最適化されている、改良された手順を提供することである。

（発明の要旨）
本発明者らは、従来技術の選抜戦略は、現在の集団において行われた選抜が育種過程に与える長期的影響を考慮に入れていないことに思い当たった。これは従来技術の方法において、成績自体が最も良い親は互いに掛け合わせると成績が最も良い遺伝子型を後続の世代に生ずるはずであると、相加的モデルの下に仮定し、それらを選抜することになるからである。

しかし例えば、有利な対立遺伝子が大部分重なり合う親２個体が選抜された場合、将来の遺伝子型改善は、これらの座位に関しホモ接合対立遺伝子の固定された状態（この状態は、片親を近親交配させることによっても達成できる）を得ることに限定されるはずで、それに代わる座位上の他の有利な対立遺伝子を、他の親を導入することによって集める選抜機会を逃してしまう。

ＧＳモデルに基づくまたはＧＳモデルによって予測される、育種における選抜を行う従来技術の方法は、表現型観察による伝統的な選抜操作を踏まえて形作られており、ゲノム予測モデルが、どのゲノム区画が形質の正および負の成績に最も寄与するのかに関する詳細な情報を含むことを見落としている。ＧＳの基本原理は、ゲノムの全座位が形質に寄与すると仮定することなのだが、ほとんどのＧＳモデルは、各単一座位の相加効果のみを特定する（例えばＥＰ１９６２２１２またはＵＳ２０１０／００３７３４２を参照されたい）。したがって、直接測定可能な表現型および所与のＧＳ予測モデル双方が、任意の２個体について同程度に高い量的形質値を予測するようなことがあるとしても、次の育種ステップにおいて、いずれにおいてもその優れた成績が、両ゲノムの同一座位によって予測されるのか、または異なるゲノム領域によって予測されるのかは、大きな違いを生む。後者の場合は有利な対立遺伝子を組み合わせるので、続く育種サイクルにおいて形質の平均の改善が予期され得るが、これに対し前者の場合は、改善は予期され得ない。表現型選抜およびゲノム選抜において、親の成績は、互いに組み合わされた親の能力、および掛け合せの結果生じる遺伝子型が次世代または後続の世代で収めると予期される成功を、適切に予測しない。

異なるペアの親の、組み合わされた能力および予期される成功を予測する最初の試みは、ＷＯ２０１２０７５１２５に記述されている。つまりこの文書は、異なるペアの親の育種価を、各ペアの親における子孫の遺伝子型をシミュレートしたものの平均育種価を採用することによって計算することを提案している。しかし本発明者らは、集団の秘める最大限の能力、例えば特定の形質に関わる能力は、複数の親からなる組合せ（すなわち、単一ペアを超える個体数の親）のうちに存することに気付いた。完全なゲノムワイドな相補性は、単一ペアの親には生じそうにないからである。実際、数回の実験において本発明者らは、単一ペアの親を選抜（通常のゲノム選抜）し、そのペアを掛け合わせることに基づく戦略に比べ、少なくとも親３個体からなるサブセットを選抜することに基づくゲノム選抜戦略は、効率がはるかに高くなることを発見した。

技術的に言えば本発明者らはこれを、個々のペアの遺伝子型に注目するのではなく、親世代の少なくとも３個体からなる組合せの遺伝子型のゲノムワイド推定育種価に注目することによって達成した。少なくとも３つのマーカー遺伝子型からなる各サブセットは、ハプロタイプのライブラリーであって、その中の複数の組合せについて、達成可能な最も高い表現型値の予測される遺伝子型を生ずる可能性が予測可能なライブラリーと考えることができる。一部の実施形態においてこれは、次の育種サイクルまたは複数の育種サイクルで子孫に伝達される前に、遺伝子型内に存するハプロタイプを組み合わせることによって達成されることになる。むろん遺伝子型は、親２個体を掛け合わせる、または自家受精することによってのみ組み合わせることができる。しかし当業者には明白なように、少なくとも３つのゲノムからなるサブセットの混合は、本開示の選抜方法の後に実行し得る数回の並行なおよび／または連続する掛け合せによって実現され得る。

本開示はしたがって、訓練フェーズ（そこでは、変更は提案されていない）において作り上げたＧＳモデルの使用を、選抜フェーズの効率を向上させることによって拡張する。この手順は、成績が最も良いペアを選抜するのではなく、後続の世代において成績が最も良い子孫を生ずる可能性が最も高い少なくとも３個体からなる群の選抜を可能にする。このアプローチは、シミュレーションモデルにおいて、予想外に優れた育種結果を達成することが示された。

本開示を支える原理の例として、図１は、遺伝子型Ｇ１−３によって表される二倍体の３個体からなる育種集団における選抜過程をグラフに表示する。各個体は５座位、Ｌ１−５について遺伝子型解析されており、特定の遺伝子型を有する個体の表現型は、その座位に出現する各対立遺伝子に正または負の効果を割り当てる数理的なゲノムワイド予測モデルを使用して予測できる。本開示の発想は、現在の集団に出現するハプロタイプ（Ｈ１．１−Ｈ３．２）またはそれらの組換え体から、表現型の成績が最も高くなると予測される将来の仮想の遺伝子型を構築しようとするものである。図１の例において、１回の掛け合せにより得ることのできる最良の達成可能な遺伝子型は、ハプロタイプＨ１．１およびＨ３．１（太字にて示されている）を組み合わせることであり、これは互いを、座位Ｌ５において他の座位に対し補完し合う。本開示によると、また図１から外挿すると、より大きな集団においても、仮想の遺伝子型は、２個体超のハプロタイプから同様に構築され得ることが明白となる。

別のハプロタイプとの座位間の組換えが、正に寄与する対立遺伝子を増加させることになる場合（ハプロタイプＨ１．１においてそうであるように）、育種価は、組換えハプロタイプから、この組換えがそれらの座位間に起きる確率（θ_１→２の例、Ｐ［θ_１→２］は、座位１と座位２との間の組換えの推定頻度を定める）を乗じることで計算される。一方、組換えが、正に寄与する対立遺伝子の減少につながる場合、そのハプロタイプの予測表現型値には、組換えの起きない確率（例におけるＰ［ｎｏｔθ_３→４］＝１−Ｐ［θ_３→４］）を乗じる。

別の例が表１に示されている。これは、組み合わされたゲノム推定育種価（Ｃｏｍｂｉｎｅｄ Ｇｅｎｏｍｉｃ Ｅｓｔｉｍａｔｅｄ Ｂｒｅｅｄｉｎｇ Ｖａｌｕｅｓ）を使用した、集団からの選抜戦略を示す。二倍体ホモ接合の５個体からなる非常に小さな集団の遺伝子型が確立されていた（１２座位によって表されている；表の上部）。「Ａ」と印された各対立遺伝子が、ゲノム予測モデルによると所望の形質値に正に寄与し、「Ｂ」が他の全ての対立遺伝子を示す場合、達成可能な最良の遺伝子型は、最も高い割合の「Ａ」対立遺伝子を含む。

各個体のゲノム推定育種価（ＧＥＢＶ）は、表の下側の対角線上の影付きのセル（ｂｏｘｅｄ ｃｅｌｌ）に示されており、対角線から外れた欄はＣＧＥＢＶを含む。

ＧＥＢＶを使用して従来技術の選抜手順に従っていたなら、値の最も高い個体が次世代のための親として選抜されていたはずである。表１の例で言えばこれは個体１、２および４である。しかし親のペアの、組み合わされた能力を考慮に入れると、結果は異なったものとなることがある。例えば表１において、組み合わされたＧＥＢＶを順位付けすると、個体１および２；１および３；ならびに１および５からなる組合せが、個体１および４からなる組合せより優れていることが明らかとなる。これらのペアの親の方が、次世代において最高順位の遺伝子型を生ずる見込みが高いからである。

上述の集団に集まっている最良の対立遺伝子を見出す見込みは、親２個体超からなる組合せが比較される場合にさらに高くなる。親３個体からなる全組合せが比較されたなら、組合せ（１、２および３）ならびに（１、２および５）は優れた三つ組で、ＣＧＥＢＶが０．９２（表には示されていない）だが、一方、ＧＥＢＶ自体が優れた親の三つ組（１、２および４）は、たった０．８３のＣＧＥＢＶを有することが明らかになる。優れた三つ組は、親２個体の組合せ、（１、２）、（１、３）および（１、５）、について計算される優れたＣＧＥＢＶから直接推測することはできない。このことは表１の例において明白となる。組合せ（１、３および５）は、組合せ（１、２および５）ならびに（１、２および３）よりも低いＣＧＥＢＶ（０．８３）を有し、これは、親３個体の組合せが比較された場合に初めて見出され得るからである。

表１の例の全個体がホモ接合なので、ペア毎の（第１世代）ＣＧＥＢＶ推定に関しては、組換え過程は問題とされない。

さらなる例が表２に示されている。これは表１と同様の選抜戦略を示すが、ここではこの選抜戦略はヘテロ接合集団に対して適用されており、組換え事象を考慮に入れる。表２の例において、ＧＥＢＶ値によると、個体１および２が、最高順位の親であるが（それぞれ０．３３および０．２１）、異なるペアの親についてのＣＧＥＢＶ順位は、実際には組合せ（１、３）、（１、４）および（１、５）が最良の子孫遺伝子型を生じ得ることを示す。個体３、４および５の遺伝子型は同一であるが、ハプロタイプの対立遺伝子の相（ｔｈｅ ａｌｌｅｌｅ ｐｈａｓｅｓ）は異なる。個体３の第１のハプロタイプの対立遺伝子は、有利な対立遺伝子を全て連鎖相内に含み、有利な対立遺伝子を全て子孫に伝えるのに組換え事象を必要としない。個体４および５の遺伝子型は、全対立遺伝子を単一のハプロタイプに伝達するのに２回の組換えが必要とされる。個体４は、必要とされる１つ目の組換えは座位２から４の間であり、個体５はこれは座位１から２の間である。座位２から５の間の遺伝距離の方が大きいならば、必要とされる組換え事象は個体４において起きる確率がより高い。表中の元のＣＧＥＢＶ値を、組換え事象の起きる確率を用いて補正することによって、個体１の他個体とのＣＧＥＢＶの序列は３、４、５、２となる。結果として個体１および３からなる組合せが、現在の親群において、次世代のための最良のペアの親である。

定義
以下の記述および例において、いくつかの用語が使用される。このような用語に割り当てられた範囲を含め、明細書および特許請求の範囲の明白で一貫した理解が得られるように、明細書および特許請求の範囲に使用される用語について、以下に定義する。本明細書に別段の規定がない限り、使用される全ての技術および科学用語は、本発明の属する分野の当業者によって一般に理解されるのと同じ意味を有する。

選抜および選抜基準：次世代への遺伝物質に寄与することになる、集団内の個体を選ぶための過程、モデル、系またはアルゴリズム。特に、このような過程、モデル、系またはアルゴリズムは、自然のもしくは人工的な現象、または手順のステップ双方に基づくことがある。選抜基準は、表現型のまたはゲノムの特徴、例えば、それだけに限らないが、遺伝子、遺伝子発現、遺伝マーカー、遺伝子の組合せ、量的形質座位、形質または形質の組合せの存在または存在の程度に基づくことができる。

育種価：育種プログラムの個体など、遺伝の単位の遺伝的メリット。この遺伝的メリットは、対象とする少なくとも１つの表現形質を改善することを目的とした育種プログラムにおける、個体の一遺伝子もしくは複数の遺伝子または（遺伝）座位による、対象とする少なくとも１つの表現形質への寄与によって決定される。

推定育種価：個体の育種価の概算。これは特に、その個体の子孫の平均成績と、無作為交配集団の全子孫の平均成績との推定差異に基づく。無作為交配集団の全子孫の推定平均成績は、家族間の関係、すなわち系統関係にある個体は通常交配しないことを考慮に入れてもよい。

ゲノムワイド推定育種価：ゲノムワイドの情報、すなわちゲノムの異なるまたは離れた（遺伝）座位、例えば異なる染色体上の座位など、に由来する情報に基づく推定育種価。特に、ゲノムワイド推定育種価は、対象とする少なくとも１つの表現形質を改善することを目的とした育種プログラムにおける、個体のゲノムワイド遺伝子もしくはゲノムワイド（遺伝）座位またはゲノムワイドハプロタイプもしくはゲノムワイド分子マーカースコアによる、対象とする少なくとも１つの表現形質への寄与によって決定される、個体のゲノムワイドな遺伝的メリットの概算である。

組み合わされたゲノムワイド推定育種価（ＣＧＥＢＶ）：集団内の３個体以上からなる組合せのゲノムワイド推定育種価。ＣＧＥＢＶの最も高い組合せ（その他の組合せに比べ）は総合で、対象とする少なくとも１つの表現形質を改善することを目的とした育種プログラムでの後続の世代において成績が最も良い子孫を生ずる推定確率が最も高い。つまりＣＧＥＢＶは実際のところ、仮想の子孫の遺伝子型のゲノムワイド推定育種価を説明するのであって、単に個々の潜在的親の遺伝子型を別個に考慮するのではない。特に、潜在的親は、成績が最も良い個体自体でないことも、ゲノムワイド推定ゲノム育種価が最も良い潜在的親でないこともある。

制御されたゲノムワイド選抜：１つ以上の選抜基準を目的とした育種プログラムでの後続の世代において成績が最も良い子孫を生ずる可能性が総合で最も高い、集団内の個体からなる組合せに注目することに基づく選抜方法。制御されたゲノムワイド選抜において注目するのは、仮想の子孫の遺伝子型のゲノムワイド推定育種価（組み合わされたゲノムワイド推定育種価）であって、個々の親自身の遺伝子型に注目することによるのではない。特に、この選抜方法は、成績が最も良い個体自体を選抜することに基づいていない。

通常のゲノムワイド選抜：ゲノムワイド推定育種価が最も良い親自体を掛け合わせることに基づく選抜方法。

子孫：本明細書において使用される「子孫」という用語は、交雑によって得られる第１のまたはそれに続く世代を指す。

表現型：個体の特徴または形質の複合。特に、観察可能な特徴または形質、例えば、それだけに限らないが、形態的、身体的、生化学的、発生のまたは行動の特徴または形質の複合。個体の表現型は、遺伝子の発現および環境因子によって、遺伝子発現と環境因子との相互作用の上に形成され得る。

対象とする表現形質：特定の測定単位にて定量され得る植物または動物種の遺伝し得る特徴。対象とする量的表現形質の例は（それらだけに限らないが）、植物に関しては：果実のサイズ、果実の数、１ヘクタール（１００００平方メートル）当たりの収量ｋｇ、草高、相対成長速度、開花期、発芽率、葉の面積、耐病性、収量構成要素、生化学的組成であり、または動物に関しては：乳量、乳タンパク質含量、枝肉重量、飼料転換率、体脂肪組成物、産仔数、毛色、耐病性である。対象とする量的表現形質が増加または減少し、集団のその特徴の平均値におけるそれぞれのシフトが、親世代に対し相対的に集団、品種または子孫の経済価値を向上させる可能性のあることを望み得る。

遺伝子型：本明細書において使用される「遺伝子型」という用語は、細胞、生物体または個体（すなわち、各個体の特有な対立遺伝子構成）の遺伝的構成を指し、通常は、考慮対象とする特定の特徴または表現形質に言及している。しかし同じ遺伝子型の生物体が必ずしも全て同じように見えたり、振る舞ったりするわけではない。外見および挙動は、環境および発生条件によって修飾されるからである。同様に、似たように見える生物体が必ずしも全て同じ遺伝子型を有するわけでもない。

遺伝子型解析：本明細書において使用される「遺伝子型解析する」または「遺伝子型を決定する」という用語は、種の個体中の遺伝的変異を決定する過程を指す。一塩基多型（ＳＮＰ）は、遺伝子型解析に使用される最も一般的な種類の遺伝的変異であり、定義によれば、集団の１％超において見出される、特定座位の一塩基の違いのことである。ＳＮＰは、ゲノムのコード領域および非コード領域双方に見出され、対象とする量的表現形質など、対象とする表現形質と関連することがある。したがってＳＮＰは、対象とする量的表現形質のマーカーとして使用することができる。遺伝子型解析に使用される別の一般的な種類の遺伝的変異は「インデル」、または様々な長さのヌクレオチドの挿入および欠失である。ＳＮＰおよびインデル双方の遺伝子型解析に関して、個体中の遺伝子型を決定するための多くの方法が存在する。選択される方法は一般に、必要とされる処理量に依存し、処理量は、遺伝子型解析されている個体の数および各個体についてテストされている遺伝子型の数双方の関数である。選択される方法は、各個体または試料から得ることのできる試料物質の量にも依存する。例えば配列決定が、ＳＮＰなどのマーカーの有無を決定するために使用されることがある。例えばサンガー配列決定および高スループット配列決定法（ＨＴＳ）などである。サンガー配列決定は、１回に３８４本までのキャピラリーが配列解析され得る（キャピラリー）電気泳動による検出を介した配列決定を伴うことがある。高スループット配列決定は、一度に数千または数百万個以上の配列の並行配列決定を伴う。ＨＴＳは次世代シーケンシング、すなわち固相パイロシーケンシングに基づく手法として定義することも、または単一ヌクレオチド・リアルタイム配列決定（ＳＭＲＴ：ｓｉｎｇｌｅ ｎｕｃｌｅｏｔｉｄｅ ｒｅａｌ ｔｉｍｅ ｓｅｑｕｅｎｃｉｎｇ）に基づく次々世代シーケンシングとして定義することもできる。ＨＴＳ法は、Ｒｏｃｈｅ、ｌｌｌｕｍｉｎａおよびＡｐｐｌｉｅｄ Ｂｉｏｓｙｓｔｅｍｓ（Ｌｉｆｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ）によって提供されているものなどが入手可能である。高スループット配列決定技術はさらにＨｅｌｉｃｏｓ、Ｐａｃｉｆｉｃ Ｂｉｏｓｃｉｅｎｃｅｓ、Ｃｏｍｐｌｅｔｅ Ｇｅｎｏｍｉｃｓ、Ｉｏｎ Ｔｏｒｒｅｎｔ Ｓｙｓｔｅｍｓ、Ｏｘｆｏｒｄ Ｎａｎｏｐｏｒｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ、Ｎａｂｓｙｓ、ＺＳ Ｇｅｎｅｔｉｃｓ、ＧｎｕＢｉｏによっても記述されており、および／またはこれらから入手可能である。これら配列決定法のそれぞれには、実際の配列決定ステップの前に試料を調製する独自の方法がある。これらのステップは、高スループット配列決定法に含まれることがある。特定の場合、配列決定ステップに特有のステップが、効率または経済性の理由から、実際の配列決定ステップの前の試料調製プロトコール中に統合されていることがある。例えば、断片に連結されたアダプターが、続く配列決定ステップにおいて使用され得る区画を含むことがある（いわゆるシーケンシングアダプター）。配列決定の前に断片のうちのサブセットを増幅するのに使用されるプライマーは、後に配列決定ステップにおいて使用され得る区画を導入する部分を、これらプライマーの配列内に含むことがある。この区画導入は例えば、続く配列決定ステップにおいて使用され得るシーケンシングアダプターまたは捕捉部分（ａ ｃａｐｔｕｒｉｎｇ ｍｏｉｅｔｙ）を、増幅ステップを介して増幅産物に導入することによる。使用される配列決定法にも応じて、増幅ステップは省略してもよい。

遺伝子型／表現型関係モデル：集団の個体について、遺伝子型を表現型と関連付ける（相関させる）ことのできるモデル。このようなモデルを作るために、集団の個体を表現型解析し、同じ個体を遺伝子型解析することが通常必要とされる。特に、遺伝子型解析は、複数座位におけるＳＮＰの有無に関するデータなどの、高密度マーカーのデータに基づくことがある。同様に表現型解析は、例えば、対象とする量的表現形質の値を個体毎に測定することによって、高い正確性において実行し得る。遺伝子型／表現型関係モデルは、次に遺伝子型データと表現型データとの相関を計算することによって作ることができる。例えば、ＳＮＰ地図などの密なマーカー地図の場合、一部のマーカーは、対象とする特定の量的表現形質に対する正または負の効果と相関させることができる。こうすることでこのモデルは、対象とする量的表現形質への寄与を、マーカーの有無に帰属させることができる。この寄与は、対象とする量的表現形質（例えば果実のサイズ、乳産生量など）について使用される測定単位に応じ、例えばｋｇ、ｍ、Ｌにて表すことができる。このようなモデルを構築するために、多様な方法が当技術分野において利用可能である（Ｍｅｕｗｉｓｓｅｎら、２００１年）。

座位：本明細書において使用される「座位」または「座位」（複数）という用語は、ゲノム上の特定の部位（箇所）または部位を指す。例えば、一「座位」とは、その座位に２つの対立遺伝子が見出される、ゲノム上の部位を指す（二倍体生物の場合）。量的形質座位（ＱＴＬ）とは、量的形質に関連した対立遺伝子（遺伝子型／表現型関係モデルに基づく）を含む、ゲノム上の部位のことである。

対立遺伝子：「対立遺伝子」という用語は、特定座位の位置のうちの１つに存在するヌクレオチド配列変異体を指す。二倍体の個体は、一座位当たり、１つの対立遺伝子に対し２つの位置を有する。つまり、２つの相同染色体のうちのいずれの染色体上にも、１つの位置を有する。特定座位の位置の各々について、代わりに可能な１つ以上のヌクレオチド配列変異体が集団内に存在することがある。すなわち、各位置について、あり得る様々な対立遺伝子が集団内に存在することがある。しかし各個体は、座位の位置のうちの１つにつき、可能な対立遺伝子のうちの１つしか有することができない。代わりに可能なヌクレオチド配列変異体、すなわちあり得る様々な対立遺伝子は、ヌクレオチド配列が少なくとも多少異なり、通常、少なくとも１つのＳＮＰまたはインデルの有無に基づいて区別され得る。本明細書において「対立遺伝子の状態」が言及される場合、特定座位内の位置における、ある対立遺伝子の有無、これはその特定座位における、それぞれのマーカー（例えばＳＮＰまたはインデル）の有無として表され得るのだが、を言及している。

座位の対立遺伝子量：ゲノム中に存在する、所与の座位上の所与の対立遺伝子のコピー数。対立遺伝子量の範囲は、０（コピーは存在しない）から、ゲノムの（同質）倍数性レベルまでの間である。すなわち、二倍体の種ならば、所与の対立遺伝子の対立遺伝子量は０、１または２のいずれかであり得る。多倍体ゲノムならば、最大の対立遺伝子量は、相同染色体のコピー数に対応する。

帰属された対立遺伝子置換効果：この用語は、所与の座位上においてその１つの対立遺伝子（例えば、特定のＳＮＰの存在によって測定される）が、所与の遺伝的および／または環境的背景内の他の対立遺伝子によって置換された場合（例えば、その特定のＳＮＰの不在によって測定される）に推定される、形質に対する量的効果を指す。例えば果実の収量が、ある植物集団における、対象とする量的表現形質である場合、この形質に対する量的効果はｋｇにて表され得る。したがって、遺伝子型／表現型関係モデルに基づき、例えば０．０００１ｋｇの対立遺伝子置換効果が所与の座位上の特定の対立遺伝子（例えば、特定のＳＮＰの存在によって測定される）に帰属されることがあり得、これは、その特定の対立遺伝子が他の可能な対立遺伝子によって置換された場合（例えば、その特定のＳＮＰの不在によって測定される）、形質、すなわち果実の収量に対する量的効果が０．０００１ｋｇであると推定されることを意味する。

組換え確率について補正された、帰属された対立遺伝子置換効果：帰属された対立遺伝子置換効果は、組換え確率について補正することができる。２座位が互いに離れていればいるほど、２座位間において組換え（乗換え）の起きる確率が高くなる。座位間の距離は、組換え確率に関して測定され、ｃＭ（センチモルガン；１ｃＭとは、２つのマーカー間の減数分裂期組換えの確率が１％であること）にて与えられる。これは、正に寄与する対立遺伝子および負に寄与する対立遺伝子双方について、それらが子孫に伝達される確率を知りたいはずなので、妥当である。帰属された正の対立遺伝子置換効果は、この対立遺伝子が（別の個体と掛け合わせた後に）子孫のゲノムに伝達される確率を考慮に入れることによって、組換え確率について補正することができる。帰属された負の対立遺伝子置換効果は、この対立遺伝子が（別の個体と掛け合わせた後に）子孫のゲノムに伝達されない確率を考慮に入れることによって、組換え確率について補正することができる。

ヘテロ接合およびホモ接合：本明細書において使用される「ヘテロ接合」という用語は、異なる２つの対立遺伝子が特定座位、例えば対立遺伝子Ａ／Ｂを有する座位にあり、ここでＡおよびＢは、２つの相同染色体のそれぞれに位置する場合の遺伝的状態を指す。逆に、本明細書において使用される「ホモ接合」という用語は、同一の２つの対立遺伝子が特定座位、例えば対立遺伝子Ａ／Ａを有する座位にあり、２つの相同染色体のそれぞれに独立に位置する場合の遺伝的状態を指す。

分子マーカー法：本明細書において使用される「分子マーカー法」という用語は、個体（例えば（作物用）植物または家畜）において、対象とするマーカー対立遺伝子の有無を（直接または間接的に）示す（ＤＮＡベースの）アッセイを指す。好ましくは分子マーカー法は、特定の対立遺伝子が、任意の個体のその座位の位置のうちの１つに存在するか否かを、例えば配列決定することにより決定できるようにする。

発明の詳細な説明
本開示は、育種集団内の少なくとも３個体からなる組合せを選抜するための方法であって、この組合せが、対象とする少なくとも１つの表現形質に関して、育種集団内の少なくとも３個体からなる他の組合せのうちの少なくとも７０％と比べて高い、対象とする少なくとも１つの表現形質に関する子孫における組み合わされたゲノムワイド推定育種価を有する、方法に関する。本方法は、
ａ）個体からなる訓練集団を提供するステップ；
ｂ）訓練集団内の各個体について、対象とする少なくとも１つの形質に関する表現型データを収集するステップ；
ｃ）分子マーカー法、配列に基づく遺伝子型解析またはゲノムワイド配列決定を使用して、訓練集団内の各個体について遺伝子型データを収集し、対象とする少なくとも１つの表現形質に関する対立遺伝子置換効果を各個体の複数座位の各対立遺伝子に帰属させるステップ；
ｄ）個体からなる訓練集団について、遺伝子型／表現型関係モデルを提供するステップであって、このモデルが、個体の所与の遺伝子型について、複数座位の対立遺伝子置換効果による、対象とする少なくとも１つの表現形質への量的寄与がどの程度なのかを推定する、ステップ；
ｅ）育種集団内の各個体を遺伝子型解析するステップであって、好ましくは（育種集団内の各個体について遺伝子型データを収集することによって）ステップｃ）と同様に遺伝子型解析するステップ；
ｆ）ステップｄ）の遺伝子型／表現型関係モデルを使用し、隣接座位との組換え確率について補正することによって、育種集団内の各個体について、複数座位の各対立遺伝子に関する対立遺伝子置換効果を計算するステップであって、対立遺伝子置換効果が正の対立遺伝子については、効果に、対立遺伝子が子孫に伝達される確率を乗じ、対立遺伝子置換効果が負の対立遺伝子については、効果に、対立遺伝子が子孫に伝達されない確率を乗じる、ステップ；
ｇ）ステップｆ）において計算された個体の計算および補正された対立遺伝子置換効果を使用して、少なくとも３個体からなる各組合せについて、子孫の複数座位の各座位に関し、最も高い、対立遺伝子置換効果の組合せを計算することによって、育種集団内の少なくとも３個体からなる各組合せについて、対象とする少なくとも１つの表現形質に関する子孫における組み合わされたゲノムワイド推定育種価を決定するステップ；
ｈ）対象とする少なくとも１つの表現形質に関して、育種集団内の個体からなる他の組合せの子孫における組み合わされたゲノムワイド推定育種価のうちの少なくとも７０％より高い、子孫における組み合わされたゲノムワイド推定育種価を与える、育種集団内の少なくとも３個体からなる組合せを同定するステップ
を含む。

これまでの方法が、自身が最良のゲノムワイド推定育種価を有する、育種集団内の個体（のペア）を同定することに注力しているのに対して、本方法は、少なくとも親３個体からなるどのサブセットが、総合において最良の組み合わされたゲノムワイド推定育種価を有するのかを同定できるようにする。このような方法で、本方法は実際、少なくとも潜在的親３個体からなる様々な組合せからの、仮想の子孫のゲノムワイド推定育種価を評価すると通常いわれている。

換言すればこの方法は、（育種）集団内の少なくとも３個体（例えば少なくとも５個体、少なくとも１０個体）からなる少なくとも１通り（例えば少なくとも２通り、少なくとも３通り、少なくとも５通り、または少なくとも１０通り）の組合せであって、対象とする少なくとも１つ（または少なくとも２つ、３つ、４つ）の（量的）表現形質を改善することを目的とした育種プログラムでの後続の世代において成績が最も良い子孫を生ずる可能性が総合で最も高い組合せを同定（および／または（引き続いて）選抜）できるようにする。ある組合せの子孫のＣＧＥＢＶを参照する場合、仮想の子孫の育種価を反映する、個体からなるその組合せのＣＧＥＢＶが意味されている。

例えば、４個体ａ、ｂ、ｃ、ｄからなる集団において可能な３通りの組合せは、（ａ、ｂおよびｃ）；（ａ、ｃおよびｄ）；（ｂ、ｃおよびｄ）である。この例において、組合せ（ａ、ｂおよびｃ）が１０のＣＧＥＢＶを有し、（ａ、ｃおよびｄ）の組合せが２０のＣＧＥＢＶを有し、組合せ（ｂ、ｃおよびｄ）が３０のＣＧＥＢＶを有するならば、本方法は、組合せ（ｂ、ｃおよびｄ）を、３個体からなる最良の組合せ（サブセット）として同定できる。しかし本方法は、続く育種プログラムに使用するために、１通りよりも多くの組合せを同定および／または選抜できるようにもする。例えばこの例において本方法は、組合せ（ｂ、ｃおよびｄ）ならびに組合せ（ａ、ｃおよびｄ）を、それらのＣＧＥＢＶがいずれも組合せ（ａ、ｂおよびｃ）のＣＧＥＢＶよりも高いことから同定できる。全く同じ原理は、全ての三つ組、四つ組などについてＣＧＥＢＶを計算し、これらを順位付けることによって、より大きな群から、親３個体超からなるサブグループを抽出するために適用できる。

本方法のステップａ）において、個体からなる（訓練）集団が提供される。この集団は、遺伝子型／表現型関係モデルを構築するのに役立つので、場合によって訓練集団と呼ばれることがある。このようなモデルは、対象とする少なくとも１つの表現形質に関する対立遺伝子置換効果を、育種集団の個体の複数座位の対立遺伝子の各々に帰属できるようにする。したがって好ましくは、訓練集団および育種集団は、同じ植物種または非ヒト動物種に関し、より好ましくは、訓練集団は育種集団と同じであり、でなければ最も好ましくは、育種集団からの個体の選抜である。訓練集団が特別に設計された集団である、つまりこの集団が、表現型／遺伝子型関係モデルを作る目的のために特別に集められる、ということもあり得る。

本開示において「個体」という用語は、生きている対象を指し、特に（作物用）植物または家畜などの非ヒト動物を指す。好ましくは訓練集団は、少なくとも３個体、少なくとも１０個体、または少なくとも５０個体を含み、しかし（特に、個体が植物である場合に）訓練集団は、少なくとも１００個体、または少なくとも５００個体を含むこともある。

本方法のステップｂ）において、集団内の各個体につき、対象とする少なくとも１つの表現形質に関して表現型データが収集される。例えばこの形質が乳産生量（家畜）または花のサイズ（植物）に関する場合、訓練集団の各個体について、乳産生量（Ｌにおいて）または花のサイズ（ｍにおける直径）を測定できる。

次いで本方法のステップｃ）は、分子マーカー法、配列に基づく遺伝子型解析または全ゲノム配列決定などの、当業者によく知られた方法を使用して、訓練集団に関し、各個体について遺伝子型データを収集する。本明細書において既に説明されているが、遺伝子型解析するまたは遺伝子型を決定するとは、集団の個体中の遺伝的変異を決定する過程を指す。この目的において、当業者は、これらの個体間の配列変異を明らかにするために、ハイブリダイゼーション解析、ＰＣＲ、好ましくは配列決定など、個体のＤＮＡ分子を調べるための様々な分子生物学的手法を思いのままに利用できる。

本方法において使用される分子マーカー法は、好ましくは、ＳＮＰの検出、ＲＦＬＰの検出、ＳＳＲ多型の検出、ＲＡＰＤ、インデルまたはＣＮＶの検出およびＡＦＬＰからなる群から選択される。

分子生物学的手法は当業者によく知られており、例えば標準的なハンドブック、その例を挙げればＳａｍｂｒｏｏｋ ａｎｄ Ｒｕｓｓｅｌｌ（２００１）Ｍｏｌｅｃｕｌａｒ Ｃｌｏｎｉｎｇ： Ａ Ｌａｂｏｒａｔｏｒｙ Ｍａｎｕａｌ、第３版、Ｃｏｌｄ Ｓｐｒｉｎｇ Ｈａｒｂｏｒ Ｌａｂｏｒａｔｏｒｙ Ｐｒｅｓｓ、ＮＹ；ならびにＡｕｓｕｂｅｌら（１９９４）Ｃｕｒｒｅｎｔ Ｐｒｏｔｏｃｏｌｓ ｉｎ Ｍｏｌｅｃｕｌａｒ Ｂｉｏｌｏｇｙ、Ｃｕｒｒｅｎｔ Ｐｒｏｔｏｃｏｌｓ、ＵＳＡの第１および第２巻、に記述されている。植物を分子レベルにおいて扱うための標準的な材料と方法は、Ｐｌａｎｔ Ｍｏｌｅｃｕｌａｒ Ｂｉｏｌｏｇｙ Ｌａｂｆａｘ（１９９３）、Ｒ．Ｄ．Ｄ．Ｃｒｏｙ著、ＢＩＯＳ Ｓｃｉｅｎｔｉｆｉｃ Ｐｕｂｌｉｃａｔｉｏｎｓ Ｌｔｄ（ＵＫ）およびＢｌａｃｋｗｅｌｌ Ｓｃｉｅｎｔｉｆｉｃ Ｐｕｂｌｉｃａｔｉｏｎｓ、ＵＫ出版に記述されている。

引き続いてステップｃ）は、対象とする少なくとも１つの表現形質に関する対立遺伝子置換効果を各個体の複数座位の各対立遺伝子に帰属させる。この帰属ステップは通常、表現型データと遺伝子型データとの相関を同定することに基づく。これに関し、「対立遺伝子置換効果」という用語は、本明細書の他の箇所においても説明されているように、所与の座位上において、その１つの対立遺伝子（例えば、特定のＳＮＰの存在／不在によって測定される）が、所与の遺伝的および／または環境的背景内の対応する対立遺伝子によって置換された場合（例えば、その特定のＳＮＰの存在／不在によって測定される）に推定される、特定の表現形質に対する量的効果を指す。

例えば、ＳＮＰを有する特定の対立遺伝子の、同じ位置におけるＳＮＰを有さない対立遺伝子に対する対立遺伝子置換効果は、ＳＮＰを有する対立遺伝子のみを持つ個体の表現型を、ＳＮＰを有さない対立遺伝子のみを持つ個体の表現型と比較することに基づいてもよい。このような比較は、遺伝子型と表現型との相関を同定することがある。

ステップａ）、ｂ）およびｃ）の後、ステップｄ）は、個体からなる訓練集団について、遺伝子型／表現型関係モデルを提供することができ、ここでこのモデルは、育種集団内の個体の所与の遺伝子型について、ら複数座位の対立遺伝子置換効果による、対象とする少なくとも１つの表現形質への量的寄与がどの程度なのかを推定（および／または帰属）できるようにする。換言すればこのモデルは、遺伝子型／表現型関係モデルを作り出す間または作り出した後に見出される相関に基づく対立遺伝子置換効果を、複数座位の各対立遺伝子に帰属させることができる。

本方法が、育種集団の個体についての、既にある（または予め提供された）遺伝子型／表現型関係モデルを使用するならば、ステップａ）、ｂ）、ｃ）およびｄ）は必要とされない（したがって場合による）。

ステップｅ）において、育種集団内の各個体が遺伝子型解析されるが、これには、当業者によく知られた分子マーカー法が使用できる。本方法において使用される分子マーカー法は、好ましくは、ＳＮＰの検出、ＲＦＬＰ（異なる位置の制限酵素部位）の検出、ＳＳＲ（単純反復配列）多型の検出、ＲＡＰＤ（多型ＤＮＡのランダム増幅）、インデルまたはＣＮＶ（コピー数変異）の検出およびＡＦＬＰ（増幅断片長多型）からなる群から選択される。

本方法のステップｆ）においては、育種集団内の各個体について、（それら）複数座位の各対立遺伝子に関し、対立遺伝子置換効果が、ステップｄ）の遺伝子型／表現型関係モデルを使用して計算（帰属）される。これに関し、育種集団とは、後続の世代においてその少なくとも１つの表現形質を改善する目的にてさらに交雑することのできる個体の集団を指す。したがって、ステップｅ）内（またはステップｅ）の前）において育種集団を提供することが想定される。育種集団内の個体に対する対立遺伝子置換効果の帰属が、前もってこれら個体を遺伝子型解析しておいた結果に基づいてもよいのは、明白なはずである。

本方法の文脈において、複数座位とは、ゲノムの別個の領域、例えば異なる染色体に位置していてもよいわずか２座位、５座位または２０座位を指すことがあるが、複数、という用語は、好ましくはゲノムの別個の領域、例えば異なる染色体に位置した、異なる少なくとも１０座位、少なくとも２５座位、少なくとも１００座位、もしくは少なくとも５００座位、もしくは少なくとも１０００座位、または少なくとも５０００座位以上を指すこともある。

本方法の好ましい実施形態において、複数座位とは、ゲノム全体に位置する（ゲノムワイドな）座位のことであり、例えば少なくとも２本、少なくとも５本、少なくとも１０本、または少なくとも２０本の染色体に位置する。同時にまたは代わりに、複数座位は、少なくとも１００座位、少なくとも５００座位、少なくとも１０００座位、または少なくとも２０００座位を含む。さらに、複数座位のうちの少なくとも１座位が１００ｃＭ毎、好ましくは５０ｃＭ毎、より好ましくは２５ｃＭ毎、より一層好ましくは１０ｃＭ毎、より一層好ましくは５ｃＭ毎、最も好ましくは１ｃＭ毎に見出されるのが好ましい。

ステップｆ）は、複数座位の各対立遺伝子に対し与えられ、帰属された対立遺伝子置換効果を、隣接座位（例えば、５’から３’の方向において前の、または好ましくは次の座位（またはその双方））との（推定）組換え確率について補正することも目的とする。これは、正の対立遺伝子置換効果が帰属された、複数座位のうちの各対立遺伝子を、この対立遺伝子が（別の個体と掛け合わせた後に）子孫のゲノムに伝達される（推定）組換え確率について補正し、また負の対立遺伝子置換効果が帰属された、複数座位のうちの各対立遺伝子を、この対立遺伝子が（別の個体と掛け合わせた後に）子孫のゲノムに伝達されない（推定）組換え確率について補正することによってなされる。こうして本方法のステップｆ）は、集団内の各個体の複数座位の各対立遺伝子に帰属された、帰属された対立遺伝子置換効果を、（推定）組換え確率について補正できるようにする。

正の帰属された対立遺伝子置換効果の補正は、好ましくは（必須ではないが）、効果を、対応する対立遺伝子が子孫（すなわち配偶子）に伝達される確率で乗ずることによってなされ、また負の帰属された対立遺伝子置換効果の補正は、好ましくは（必須ではないが）、効果を、対応する対立遺伝子が子孫（すなわち配偶子）に伝達されない確率で乗ずることによってなされる。

本方法のステップｆ）の好ましい実施形態において、組換え確率は、座位間の遺伝距離に基づいて、または物理地図および遺伝子地図を並べることに基づいて計算される。これについてのさらなる詳細は、Ｌｉｕ（１９９８）に見出すことができる。

本方法は次に、ステップｆ）において計算された個体の計算および補正された対立遺伝子置換効果を使用して、少なくとも３個体からなる各組合せについて、（子孫の）複数座位の各座位に関し、最も高い、対立遺伝子置換効果の組合せを計算することによって、（育種）集団内の少なくとも３個体からなる各組合せについて、対象とする少なくとも１つの表現形質に関する（子孫における）組み合わされたゲノムワイド推定育種価を決定することに関するステップｇ）へと続く。

したがって本方法は、帰属された各対立遺伝子置換効果について、対応する対立遺伝子が実際に個体の配偶子に入り込む確率を考慮に入れる。これは、正に寄与する対立遺伝子および負に寄与する対立遺伝子双方について、それらが配偶子に伝達される確率を知りたいはずであるので、妥当である。例えば、個体１の３座位からなる以下の複数座位を考えてもよい：
個体１
座位１ １ ０
座位２ １ ０
座位３ ０ １
（ここで１はマーカー対立遺伝子の存在を、０はマーカー対立遺伝子の不在を指す。）
遺伝子型／表現型関係モデルに基づき、以下の対立遺伝子置換効果が対立遺伝子の座位に対し帰属されている、ということがあり得る：
座位１ ０．１ ０
座位２ −０．２ ０
座位３ ０ ０．１５

見て分かるように、座位１の第１の対立遺伝子および座位２の第２の対立遺伝子が配偶子に伝達されるように、座位１と座位２との間での組換えが望まれる。これが配偶子の、帰属された対立遺伝子置換効果の上昇につながるからである。一方、座位２の第２の対立遺伝子と座位３の第１の対立遺伝子との間での組換えは望ましくない。これは配偶子の、帰属された対立遺伝子置換効果の低下につながるはずだからである。

Ｌｉｕ（１９９８）に開示されている方法などの、当業者によく知られた方法に基づき、２座位間において組換えの起きる確率は、それら２座位間の遺伝子距離に基づいて計算できる。この計算は、互いに近傍にある座位間において組換えの起きる確率は、互いにそれほど近傍にあるわけではない座位間において組換えの起きる確率に比べ低いという事実に基づく。この例において、以下の推定組換え確率が推定されている、ということがあり得る：

したがってこの例において、座位１の第１の対立遺伝子に対し帰属された正の対立遺伝子置換効果はここで、この対立遺伝子が配偶子に伝達される確率について補正されるべきであり、また座位２の第１の対立遺伝子の、帰属された負の対立遺伝子置換効果は、この対立遺伝子が配偶子に伝達されない確率について補正されるべきである。最後に、座位３の第２の対立遺伝子の、帰属された正の対立遺伝子置換効果は、この対立遺伝子が配偶子に伝達される確率について補正されるべきである。

補正され帰属された対立遺伝子置換効果
座位１ ０．１×１＝０．１
座位２ −０．２×０．１＝−０．０２
座位３ ０．１５×０．８５＝０．１２７５

したがってこの個体の座位１−３に関する、補正された対立遺伝子置換効果の合計は、
０．１＋（−０．０２）＋０．１２７５＝０．２０７５
である。

次いで、２個体からなる組合せの、組み合わされたゲノムワイド推定育種価（ＣＧＥＢＶ）は、これら複数座位のうちの各座位に関して、この組合せの個体の、補正された座位効果Ｓ（この座位の、補正された対立遺伝子置換効果）の最高値を採ることによって計算される。

次いでステップｈ）は、対象とする少なくとも１つの表現形質に関して、育種集団内の少なくとも３個体からなる他の組合せのうちの少なくとも７０％と比べ、好ましくは少なくとも８０％、９０％、９５％、９９％と比べ、または最も好ましくは１００％と比べて高い（好ましくは最も高い）ＣＧＥＢＶを有する、（育種）集団内の少なくとも３個体からなる少なくとも１通りの組合せを選抜する。

好ましい実施形態において、本方法は、育種集団内の個体を事前選抜できるようにする。この事前選抜は、好ましくは、本方法のステップｅ）の育種集団を提供した後に行われる。事前選抜は、ステップｅ）の計算を行う部分用に考慮すべき個体の数を低減できるようにし、ひいては、ＣＧＥＢＶを計算しなければならない、個体からなる組合せの数を低減できるようにする。実際これは特定の状況において、特に、考慮すべき個体の数もしくは個体からなる組合せの数または座位の数が、本方法の使用者が提供できるコンピュータの能力を超えたものを必要とする場合に、価値がある可能性がある。このようなシナリオにおいては、事前選抜を実行して、ＣＧＥＢＶを計算しなければならない個体（からなる組合せ）の数を低減するのが有利なことがある。

好ましくは、組み合わされる育種集団内の個体の事前選抜は、複数座位に対し帰属された全対立遺伝子置換効果の総和が最も高い側から（または総和が、選抜されていない他の個体と比べ高い）最大３０％、より好ましくは最大２０％、より一層好ましくは最大１０％、さらにより一層好ましくは最大５％、最も好ましくは最大２％の個体（のみ）を選抜することによってなされる。

したがってこの、場合による事前選抜のために、まず、集団の各個体の各座位の、補正され帰属された対立遺伝子置換効果が計算できる。これに関し、特定座位の、補正され帰属されたこの対立遺伝子置換効果は、この特定座位の「補正された座位効果」と称することができる。複数座位（のサブセット）の補正された座位効果を計算した結果は、どの個体が、複数座位のうちの特定のサブセットについて、他の個体よりも高い補正された座位効果を有するのかを示し、これは事前選抜の基礎となる。例えばどの個体が、これら複数座位の異なる部分について、より高い補正された座位効果を有するのかを同定できる。異なる部分について、とは例えば、最大でもゲノムの一部、その例を挙げれば１本の染色体、に関連する複数座位の部分に関して、である。例えばこれら複数座位が１００座位を含むなら、例えば、座位１−２０について座位効果の合計が最も高い個体、座位２１−４０について座位効果の合計が最も高い個体、座位４１−６０について座位効果の合計が最も高い個体、座位６１−８０について座位効果の合計が最も高い個体、および座位８１−１００について座位効果の合計が最も高い個体の５個体を事前選抜できる。

この事前選抜は例えば、複数座位の部分、その例を挙げればゲノムの少なくとも一部（または最大でも一部）の複数座位、例えば１本の染色体上に位置する座位のみなど、に関するＳの値が、他の個体の複数座位の同じ部分に関し決定された値Ｓと比べて高い個体を選抜することによって実行され得る。ここでＳ＝ＰＦであり、式中、Ｐ∈Ｒ^ｎ×ｐ、Ｆ∈Ｒ^ｐ×ｐ、ただしＲは実数の集合（虚数を除く）、ｎは親の数、ｐは考慮される座位の数である。換言すればＳは、特定座位の、補正された座位効果、すなわち、その座位の、補正され帰属された対立遺伝子置換効果の総和を表す。Ｓは、ＰとＦとを乗ずることによって計算できる。ここでＰは、特定座位の（補正されていない）座位効果を表し、Ｆは、隣接座位間の推定組換え確率を表す。

続いて、本方法のステップｇ）を実行する１つの方法は、以下の式Ｉに従ってＣＧＥＢＶを計算することによる：

ここで、
θ_ｉはｉ番目の親
Ｓ＝ＰＦ。式中、Ｐ∈Ｒ^ｎ×ｐおよびＦ∈Ｒ^ｐ×ｐであり、ここでＲは実数の集合、ｎは親の数、ｐは考慮されるべき座位の総数である。

本方法の好ましい実施形態において、ＣＧＥＢＶは、少なくとも２つ、少なくとも３つ、少なくとも４つ、または最大で１つ、最大で２つもしくは最大で３つの、対象とする表現形質に関して決定される。本方法の好ましい別の実施形態において、対象とする少なくとも１つの表現形質は量的形質である。この形質は、好ましくは複数の遺伝子、例えば少なくとも１０個、少なくとも２０個、少なくとも３０個、少なくとも４０個、少なくとも１００個、少なくとも２００個、少なくとも５００個、もしくは少なくとも１０００個の遺伝子によって影響を受け、および／または好ましくは量的に（例えばｋｇ、ｍまたはＬにて）表現型として（のみ）測定できる。

本方法は、好ましくは実際の選抜および選抜された組合せの個体の交雑に先立って使用されるが、本方法が、子孫すなわち次世代が得られるように、少なくとも３個体からなる、同定または選抜された組合せのメンバーを交雑（または交配）させる（ことを可能にする）ステップｉ）を含む可能性も想定される。加えて、結果として得られた子孫が交雑されることも想定される。したがって本方法は、こうする必要が全ての場合にあるわけではない可能性があるものの、少なくとも２世代、３世代または少なくとも５世代など、１世代を超えて適用され得る（例えば図３を参照されたい）。

当業者には明白なはずであるが、最良の親のサブグループの選抜は、染色体領域の対立遺伝子効果の正確な推定をその基礎とする。したがって、適用されるゲノム選抜モデルの正確性は、理想的には、可能な限り高くあるべきである。モデルの正確性のレベルを上昇させる手段は、最先端モデル構築法を使用すること、訓練群について収集された表現型データの質を向上させること、ならびにマーカー密度／連鎖不平衡の平均領域長（ａｖｅｒａｇｅ ｗｉｎｄｏｗ）の比、およびその形質に寄与する座位／訓練群における観察回数の比を最適化することである。当然、対象とする形質の遺伝的複雑性および遺伝率、訓練群の遺伝的多様性、訓練群と親候補群との遺伝的関係の程度（ｔｈｅ ｌｅｖｅｌ ｇｅｎｅｔｉｃ ｒｅｌａｔｉｏｎｓｈｉｐ）のような因子も、正確性に影響することがある。本開示の分野における当業者は、これらの入力因子の違いの結果、モデルの正確性は高くなったり低くなったりすること、およびモデルの正確性は、標準的な交差検証法（Ｈａｓｔｉｅ，Ｔ．、Ｔｉｂｓｈｉｒａｎｉ，Ｒ．、Ｆｒｉｅｄｍａｎ，Ｊ．（２００１）；およびＡｒｌｏｔ、Ｓｙｌｖａｉｎ；Ｃｅｌｉｓｓｅ、２０１０年）によって決定できることを、何ら問題なく理解するはずである。

本方法に使用される個体からなる育種集団は、様々な倍数性であってよい。例えば、個体からなる集団は二倍体、異質倍数体または同質倍数体の種であってよい。これは、訓練集団についても同様である。

本開示の方法において、個体からなる集団は、好ましくは、アラビドプシス・タリアナ（Ａｒａｂｉｄｏｐｓｉｓ ｔｈａｌｉａｎａ）、アビシニアンマスタード、アルファルファ、オオムギ、バレルクローバー、ブラックマスタード、ソバ、キャノーラ、クローバー、コモンフラックス、コモンベッチ、オオツメクサ、コーヒー、ワタ、エジプトクローバー、飼料ビート、アサ、ホップ、インディアンマスタード、エルサレムアーティチョーク、トウモロコシ、キビ、マスタード、ルピナス、カラスムギ、セイヨウアブラナ（ブラシカ・ナプス（Ｂｒａｓｓｉｃａ ｎａｐｕｓ））、アブラナ（ブラシカ・ラパ（Ｂｒａｓｓｉｃａ ｒａｐａ））、アヘンポピー、ペルシャクローバー、ジャガイモ、アカツメクサ、ライムギ、ベニバナ、サイザル、ダイズ、サトウダイコン、ヒマワリ、チャ、タバコ、ライコムギ、コムギ、シロクローバ、シロガラシ、ワイルドライス、ウインターベッチ、アーティチョーク、アスパラガス、ジュウロクササゲ、ナス、アオゲイトウ、ブラックラディッシュ、ブラックビーン、キバナバラモンジン、ソラマメ、ブロッコリー、メキャベツ、キャベツ、カンタループ、ニンジン、カリフラワー、セロリ、フダンソウ、チコリ、トウガラシ、ハクサイ、サイシン、インゲンマメ、コーンサラダ、ズッキーニ、キュウリ、ダイコン、ナスビ、エンダイブ、ウイキョウ、ニンニク、アカザ、サヤインゲン、アキノノゲシ、ケール、サンドマメ、コールラビ、ニラ、レタス、レンズマメ、ライマメ、トウモロコシ、メロン、ミズナ、ナッパキャベツ（ｎａｐａ ｃａｂｂａｇｅ）、タマネギ、パースニップ、エンドウマメ、コショウ、ジャガイモ、カボチャ、キノア、ラディッキオ、ラディッシュ、カブ、アカキャベツ、ダイオウ、ハナマメ、ルタバガ、ロケットサラダ、サボイキャベツ、アカワケギ、ダイズ、ホウレンソウ、トウナス、サトウキビ、スウィード、オオブドウホオズキ、トマト、ターニップ、オランダガラシ、スイカ、イエローターニップ、アーモンド、リンゴ、アンズ、ウワミズザクラ、バターナッツ、カシュー、サクランボ、チョークベリー、クラブアップル、ハシバミ、グリーンゲージ、サンザシ、ヘーゼルナッツ、オニグルミ（ｈｅａｒｔｎｕｔ）、ビワ、セイヨウカリン、ミラベルプルーン、ネクタリン、モモ、ワッサー（ｐｅａｃｈｅｒｉｎｅ）、セイヨウナシ、ペカン、ピスタチオ、プラム、プルーン、マルメロ、ナナカマド、クルミ、アカシア、ハンノキ、アレゲーニーチンカピングリ、アメリカブナ、アメリカグリ、アメリカシデ、トネリコ、アスペン、シナノキ、ブナ、ビッグトゥースド（ｂｉｇｔｏｏｔｈｅｄ）、アスペン、カバノキ、ビターナットヒッコリー、クロハンノキ、クロカンバ（ｂｌａｃｋ ｂｉｒｃｈ）、ブラックチェリー、ヌマミズキ、ハリエンジュ、クロカエデ、クロガシ、クロポプラ、クログルミ、クロヤナギ、バターナッツ、シーダー、クリ属、チェスナットオーク、シナグリ、コルシカマツ、コットンウッド、クラブアップル、キューカンバーツリー、イトスギ、ミズキ、ダグラスファー、イースタンヘムロック、ニレ、イギリスナラ、ユーカリノキ、ヨーロッパブナ、ヨーロッパカラマツ、ヨーロッパモミ、ヨーロッパシラカンバ、モミ、ハナミズキ、ゴムノキ、サンザシ、クマシデ、トチノキ、雑種ポプラ、クリ、カラマツ、カラマツ属、ロッジポールマツ、カエデ、カイガンショウ、モッカーナット・ヒッコリー、ノルウェートウヒ、オーク、オレゴンパイン、ウツクシモミ、ヨーロッパナラ（ｐｅｄｕｎｃｕｌａｔｅ ｏａｋ）、ピグナットヒッコリー、マツ、リギダマツ、ポプラ、スコッチパイン、ヨーロッパグリ、アカハンノキ、アカスギ、アカカエデ、アカガシ、アカマツ、アカトウヒ、セコイア、ナナカマド、サッサフラス、スコッチパイン、セルビアトウヒ、ザイフリボク、シャグバークヒッコリー、シダレカンバ、シトカトウヒ、ナンキョクブナ、トウヒ、シロスジカエデ、サトウカエデ、スイートバーチ、ヨーロッパグリ、スズカケノキ、タマラック、ユリノキ、ウェスタンヘムロック、ホワイトアッシュ、ホワイトオーク、ホワイトパイン、キハダカンバ、バナナ、パンノキ、ココナツ、ナツメヤシ、ジャックフルーツ、マンゴー、アブラヤシ、オリーブ、パパイヤ、パイナップル、オオバコ、ゴムの木およびクロツグからなる群から選択される農作物もしくは野菜作物もしくは果樹種もしくは森林種またはプランテーション作物であることが好ましい。

別の好ましい実施形態において、個体からなる集団は、ウシ（ボス・タウルス（Ｂｏｓ ｔａｕｒｕｓ）、ボス・インディクス（Ｂｏｓ ｉｎｄｉｃｕｓ））、スイギュウ（ブバルス・ブバリス（Ｂｕｂａｌｕｓ ｂｕｂａｌｉｓ））、ウマ（エクウス・カバルス（Ｅｑｕｕｓ ｃａｂａｌｌｕｓ））、ヒツジ（オウィス・アリエス（Ｏｖｉｓ ａｒｉｅｓ））、ヤギ（カプラ・ヒルクス（Ｃａｐｒａ ｈｉｒｃｕｓ））、ブタ（スース・スクローファ（Ｓｕｓ ｓｃｒｏｆａ））、ニワトリ（ガッルス・ガッルス（Ｇａｌｌｕｓ ｇａｌｌｕｓ））、シチメンチョウ（メレアグリス・ガロパボ（Ｍａｌｅａｇｒｉｓ ｇａｌｌｏｐａｖｏ））、カモ（アナス・プラティリンコス（Ａｎａｓ ｐｌａｔｙｒｈｙｎｃｈｏｓ）、カイリナ・モスカータ（Ｃａｉｒｉｎａ ｍｏｓｃｈａｔａ））、ガチョウ（アンセル・アンセル・ドメスティクス（Ａｎｓｅｒ ａｎｓｅｒ ｄｏｍｅｓｔｉｃｕｓ）、アンセル・キュグノイデス（Ａｎｓｅｒ ｃｙｇｎｏｉｄｅｓ））、ハト（コルンバ・リヴィア・ドメスティカ（Ｃｏｌｕｍｂａ ｌｉｖｉａ ｄｏｍｅｓｔｉｃａ））、ラット（ラットゥス・ノルウェギクス（Ｒａｔｔｕｓ ｎｏｖｅｒｇｉｃｕｓ））、マウス（ムス・ムスクルス（Ｍｕｓ ｍｕｓｃｕｌｕｓ））、ネコ（フェリス・カトゥス（Ｆｅｌｉｓ ｃａｔｕｓ））、イヌ（カニス・ファミリアリス（Ｃａｎｉｓ ｆａｍｉｌｉａｒｉｓ））、ウサギ（オリクトラグス・クニークルス（Ｏｒｙｃｔｏｌａｇｕｓ ｃｕｎｉｃｕｌｕｓ））、モルモット（カウィア・ポルケッルス（Ｃａｖｉａ ｐｏｒｃｅｌｌｕｓ））、ゼブラフィッシュ（ダニオ・レリオ（Ｄａｎｉｏ ｒｅｒｉｏ））およびキイロショウジョウバエ（ドロソフィラ・メラノガスター（Ｄｒｏｓｏｐｈｉｌａ ｍｅｌａｎｏｇａｓｔｅｒ））からなる群から選択される種である。

さらに別の好ましい実施形態において、個体からなる集団は、キュプリヌス・カルピオ（Ｃｙｐｒｉｎｕｓ ｃａｒｐｉｏ）、サルモ・サラル（Ｓａｌｍｏ ｓａｌａｒ）、オレオクロミス・ニロティクス（Ｏｒｅｏｃｈｒｏｍｉｓ ｎｉｌｏｔｉｃｕｓ）、オンコリンクス・ミキス（Ｏｎｃｏｒｈｙｎｃｈｕｓ ｍｙｋｉｓｓ）、クテノファリンゴドン・イデラ（Ｃｔｅｎｏｐｈａｒｙｎｇｏｄｏｎ ｉｄｅｌｌａ）、ヒュポフタルミクテュス・モリトリクス（Ｈｙｐｏｐｈｔｈａｌｍｉｃｈｔｈｙｓ ｍｏｌｉｔｒｉｘ）、ギベリオン・カトラ（Ｇｉｂｅｌｉｏｎ ｃａｔｌａ）、キュプリヌス・カルピオ、ヒュポフタルミクテュス・ノービリス（Ｈｙｐｏｐｈｔｈａｌｍｉｃｈｔｈｙｓ ｎｏｂｉｌｉｓ）、カラッシウス・カラッシウス（Ｃａｒａｓｓｉｕｓ ｃａｒａｓｓｉｕｓ）、オレオクロミス・ニロティクス（Ｏｒｅｏｃｈｒｏｍｉｓ ｎｉｌｏｔｉｃｕｓ）、パンガシウス・パンガシウス（Ｐａｎｇａｓｉｕｓ ｐａｎｇａｓｉｕｓ）およびラベオ・ロヒータ（Ｌａｂｅｏ ｒｏｈｉｔａ）からなる群から選択される魚類種である、または本方法は、マクロブラキウム・ローゼンベルギイ（Ｍａｃｒｏｂｒａｃｈｉｕｍ ｒｏｓｅｎｂｅｒｇｉｉ）、リトペナエウス・バナメイ（Ｌｉｔｏｐｅｎａｅｕｓ ｖａｎｎａｍｅｉ）およびペナエウス・モノドン（Ｐｅｎａｅｕｓ ｍｏｎｏｄｏｎ）からなる群から選択されるエビの種に適用される。

本明細書に既に記述したように、本方法が、子孫すなわち次世代が得られるように、少なくとも３個体からなる、選抜された組合せのメンバーを交雑（または交配）させる（ことを可能にする）ステップｉ）を含む可能性も想定される。加えて、結果として得られた子孫が交雑されることも想定される。

本開示の別の態様において、本方法を実行するための指示を含むコンピュータ可読媒体が提供される。好ましい実施形態において、ステップｂ）、ならびにステップｃ）、ｄ）、ｅ）、ｆ）、ｇ）およびｈ）、こうなると本方法の全体であるが、における帰属はコンピュータにより実装されるステップであり、ならびに／または本方法は（部分的に）コンピュータにより実装される方法である。

本開示の方法は有利には、特に、育種プログラムにおいて対象とする少なくとも１つの（量的）表現形質を改善するために使用できる。

やはり予見されるのは、本開示の方法によって得ることができ、好ましくは植物である生産物である。

遺伝子型Ｇ１−３によって表される二倍体の３個体からなる育種集団における選抜過程をグラフに表す図である。各個体は５座位、Ｌ１−５について遺伝子型解析されており、特定の遺伝子型を有する個体の表現型は、その座位に出現する各対立遺伝子に正または負の効果を割り当てる数理的なゲノムワイド予測モデルを使用して予測できる。本開示の根底にある発想は、現在の集団に出現するハプロタイプ（Ｈ１．１−Ｈ３．２）またはそれらの組換え体から、表現型の成績が最も高くなると予測される将来の仮想の遺伝子型を構築しようとするものである。この例において、１回の掛け合せにより得ることのできる最良の達成可能な遺伝子型は、ハプロタイプＨ１．１およびＨ３．１（太字にて示されている）を組み合わせることであり、これは互いを、座位Ｌ５において他の座位に対し補完し合う。本開示によると、また図１から外挿すると、より大きな集団においても、仮想の遺伝子型は、２個体超のハプロタイプから同様に構築され得ることが明白なはずである。 ５個の親系列の座位の、フィルタされた効果の例を示す図である。高い値は、ゲノムのその部分が、対象とする形質に対し正の効果を有することを意味する。ゲノム全体について高い正の値を生ずる、遺伝子型の組合せは極めて有利である。 選抜された親５個体について、ｒｅｇＧＷＳおよびｄｉｒＧＷＳ双方において使用される掛け合せ計画を模式的に表す図である。 集団の育種能力をグラフに表す図である。これらの結果は、シミュレートされたＧＳモデルおよび実際のアラビドプシス・タリアナ遺伝子型データから得られた。５本の染色体にわたる能力を見て取ることができ、太実線（集団全体）としてプロットされているのは、１００個体からなる集団全体に関する最大の育種能力であり；点線（「ＧＷＳ」）は、選抜された最良の親５個体の総能力を示し：破線（「ｄｉｒＧＷＳ」）は、最良の組合せの親５個体からなる、選抜されたセットの能力のプロットである。下の細実線（「差異」）は、組み合わされた最良の親の、最良の親に対する優位性を示し、この例においては、主に第３、第４および第５染色体で優位性が見出される。このシミュレーション結果は、図２に示された結果の例とは無関係であることに注意されたい。 制御されたゲノム選抜の、本開示に上述の方法によるテスト結果を、「通常の」ゲノム選抜（すなわち、ＧＥＢＶ自体が最も良い親の選抜）と比較して示した図である。シミュレーションは、アラビドプシス・タリアナ遺伝子型データを使用して行われ、シミュレートされた形質効果は、５００−２０００座位にわたって無作為に分布させた。横軸は、各状況のゲノム予測モデルの正確性を示す。縦軸は、制御されたＧＳ法の方が通常のＧＳ手順におけるよりも終育種サイクルの最終結果の成績が良い、反復の割合を示す（０．６は、６０％の場合に、制御されたゲノム選抜の方が結果が良かったことを意味し、０．５の線は、通常のＧＳの成績レベルを示す）。 テストが、トウモロコシ（ゼア・マイス（Ｚｅａ ｍａｉｓ））遺伝子型データおよびシミュレートされた形質を使用して実行されている点以外は、図５と同様の図である。 テストが、キュウリ（ククミス・サティウス（Ｃｕｃｕｍｉｓ ｓａｔｉｖｕｓ））遺伝子型データを使用して実行されている点以外は、図５と同様の図である。

実験
初期構成
検証シミュレーション実験において、制御されたゲノムワイド選抜（ｄｉｒＧＷＳ）が、通常のゲノムワイド選抜（ｒｅｇＧＷＳ）と比較された。いずれの方法についても、シミュレートされた育種によって実現された進展、および選抜が決定および比較された。いずれの方法も、シミュレーションに同じ出発物を使用する。シミュレーションに使用されたモデル植物種は、それぞれが１モルガンの長さの染色体を５本含んでいた。無作為に生成された、サイズが親Ｎ＝５０−１０００個体の出発（親）集団が生成された。ゲノムのスコア、すなわち集団内にある、ＳＮＰマーカーの位置における特定の対立遺伝子の存在が、パブリックドメインから取得された多様な植物データセットから標本抽出された。こうして、対立遺伝子頻度（この対立遺伝子が占める全遺伝子コピーの割合）およびマーカー間の相関に関する現実的な値が適用された。二状態による対立遺伝子コーディング（−１／１）が、各座位の対立遺伝子毎に対立遺伝子の状態（データはデータセットに由来する）を示すために適用された。ここで、−１はマーカー対立遺伝子の不在を意味し、１はマーカー対立遺伝子の存在を意味する。各対立遺伝子に対して、対立遺伝子置換効果、すなわち、対象とする表現型への寄与が帰属された；この効果の大きさは、負の値が全て除かれた、平均０、標準偏差１の切り詰められた正規分布から無作為に抽出された。こうして、各座位はその対立遺伝子の状態に応じて、この形質に正および負のいずれにも寄与することがある。一方、寄与の大きさは効果の大きさによって決定される。次に、選抜された親が交雑される、複数世代にわたる育種の試みがシミュレートされ、表現型を改善するために、得られた子孫に選抜が適用された。本発明者らのシミュレーションにおいて、表現型は直接は観察されず、対立遺伝子置換効果で乗じられた対立遺伝子の状態を合計することによって暗黙のうちに決定された。掛け合わせおよび選抜によって、由来の異なる数個の有利なゲノム領域を組み合わせるために、本発明者らのシミュレートされた育種計画は、４サイクルまでの掛け合わせおよび選抜、ならびに出発集団由来の、５つまでの異なる親遺伝子型を伴った。全掛け合わせステップが、通常使用される方法を使用して、メンデルの遺伝法則に従いながらシミュレートされた。両方法において、育種用に一番最適な親を出発集団から選抜するために採用されたアプローチは、次の段落に詳述する。

親の選抜
ｒｅｇＧＷＳ：各親系列について、成績自体は、対立遺伝子置換効果（切り詰められた正規分布から抽出された）を、ゲノム中にある全座位の各座位における対立遺伝子の状態（−１または１）で乗ずることにより、個々の座位の各々の、蓄積された効果に基づいて決定された。予測されたゲノムの成績が最も高い系列が選抜および交雑された。単純な二親シミュレーションにおいては、親２個体のみが関与する。より高度なシミュレーションにおいては、１サイクル進むたびに、追加の親が、前のサイクルにおいて得られた、選抜された子孫（以下を参照）と掛け合わされる、育種の数サイクル（数世代）がシミュレートされた。後続サイクルに使用するための選抜された親の順序は、予測された成績の順位に従う。すなわち、３番目に優れた親は、３番目の親として育種サイクルに入る。

ｄｉｒＧＷＳ：親は、それらの成績自体に基づいて選抜されたのではなく、組み合わされたそれらのゲノムの潜在的成績に基づいて選抜された。系列からなる親セットから抽出された系列の、組み合わされたセット（３、４または５系列の規模）全てについて、組み合わされた成績の予測値が推定される。組み合わされた成績の最も高いセットが選抜され、このセットのメンバーは、掛け合せるための親として使用された。

組み合わされた、予期される成績の最も高いセットの選抜はしかし、単純明快ではない。乗換え頻度および対立遺伝子置換効果を考慮に入れなければならないからである。親の最良の組合せの選抜は、以下のように行われた：
遺伝子地図から、２対立遺伝子間の乗換え頻度が計算できる。隣り合う２個の座位は連鎖不平衡にあるので、１個の座位を次世代に伝えることによって、連鎖している座位の方も次世代に伝達される可能性が高い。２本の染色体または２つの連鎖ブロックは互いに独立に分離するので、２つの連鎖ブロック間に連鎖の引きずりは起きない。連鎖の引きずりを考慮にいれるために、コサンビの地図関数に基づいてフィルタを設計した。ホールデンまたはその他（Ｌｉｕを参照されたい）などの、他の地図関数も適用できることに注意されたい。全座位対間の乗換え確率の推定は、ｐを座位の数とすると、ブロック対角行列、Ｆ∈Ｒ^ｐ×ｐとなる。ここでｎを親系列の数とし、親の遺伝子型行列、Ｐ∈Ｒ^ｎｘｐを用いると、補正されたデータ行列は以下によって計算できる：
Ｓ＝ＰＦ
換言すれば、親のゲノムワイド推定育種価は、Ｓの値、すなわち各座位の補正された座位効果、の合計によって計算できる。補正されたデータ行列Ｓはしたがって、（事前）選抜の基礎として使用できる。図２に、５本の染色体上に位置する２５０座位を含む５個の親系列について、例が示されている。この図から、親４は、最初の２本の染色体（座位１００まで）において他の全ての親に勝るが、他の染色体については劣ることが分かる。個体の相対的成績は、このように計算された。親４、２および親１からなる組合せは総合において、全染色体に関しＳが最大となり、親２個体以上からなる他の組合せに勝る可能性が最も高い。

補正された集団行列Ｓが分かれば、親系列の最良の組合せを選択できる。親系列θの能力値（Ｔｈｅ ｐｏｔｅｎｔｉａｌ ｖａｌｕｅ）は

であると考えられる。染色体当たりの乗換えは限られた回数した起きないため、補正された対立遺伝子置換効果の最も高い領域が組み合わされ得る。一方、ゲノムの残りの部分は、表現型に負の影響を与えてしまうので値が低すぎてはならない。掛け合わされる２個の親系列（θ_１およびθ_２）の推定値はしたがって、以下によって決定できる：

換言すれば、親２個体の、組み合わされたゲノムワイド推定育種価（ＣＧＥＢＶ）は、この組合せの座位の総数にわたって、この組合せの各座位の、補正された座位効果Ｓの最高値を採ることにより計算される。最大の能力値ｃ（＝ＣＧＥＢＶ）を有する、２個の親系列からなるサブセットが掛け合わされることになる。この手順は、複数の親系列について、フィルタされた各座位にわたり最大値を採ることによって、複数の親系列へと容易に拡張される。この手順は、基礎的な、計算量の甚だしい行列操作に限定されるので、多くのサブセットをテストできる。テストすべきサブセットの数はしかし、ｋを掛け合わされる親系列の数とすると、二項係数

により増加する。ｎ＝１００およびｋ＝２はこれは４９５０通りの組合せになり、依然として容易に処理できる。しかしｋ＝５は、可能なサブセットの数は７千５百万個を超える。選抜対象として許容される親を賢く選ぶことによって、この数は大幅に低減できる。現在の例においては、染色体のどこかが他の親に勝る親のみが選ばれ、これにより、親の数は（元の集団および対立遺伝子の効果の大きさに応じて）約２０個体にまで低減される。すると可能な組合せの数は

にまで低減され、これらはやはり、全て容易に計算できる。

選抜された親の評価
２つの方法の各々の成績を評価するために、確率的シミュレーションが使用された。親の選抜されたセット由来の親２個体が交雑され、新たなハイブリッド遺伝子型を生じた。各掛け合せのこのハイブリッド生産物を基礎遺伝子型と見なし、そこから、確率的シミュレーションによって１０００個の配偶子が作製された。作製された配偶子は、親ペアの潜在的な遺伝的成績の標本として使用された。これらの配偶子は、それらの成績によって順位付けられた。これは、各座位におけるそれらの対立遺伝子の状態（−１または１）を、座位のゲノム予測値（ｔｈｅ ｌｏｃｕｓ ｇｅｎｏｍｉｃ ｐｒｅｄｉｃｔｉｏｎ ｖａｌｕｅｓ）で乗ずることによって計算された。１０００個の配偶子の、順位付けられた成績の９５％パーセンタイル値が、子孫の成績を判定するための尺度として採用された。親２個体超（１回超の掛け合せの結果として）が配偶子の作製に関与する場合には、９９〜１００％の成績パーセンタイルに対応する配偶子の世代も、選抜された掛け合せ結果に対応するものとして選抜され、続いて、第３（または第４、第５）の選抜された親由来の配偶子と、次の育種サイクルにおいて組み合わされた。やはり１０００個の配偶子が、この新たな掛け合せから得られ、順位付けされた。やはり９５％成績パーセンタイル値が、成績を判定するために使用された。適用された掛け合せ計画の模式図が図３に示されている。

図４は、集団のゲノムワイド育種能力をさらにグラフに表したものである。図４の結果は、シミュレートされたＧＳモデルおよび実際のアラビドプシス・タリアナ遺伝子型データから得られた。５本の染色体にわたる能力を見て取ることができ、太実線（集団全体）としてプロットされているのは、１００個体からなる集団全体に関する最大の育種能力であり；点線（「ＧＷＳ」）は、選抜された最良の親５個体の総能力を示し：破線（「ｄｉｒＧＷＳ」）は、最良の組合せの親５個体からなる、選抜されたセットの能力のプロットである。下の細実線（「差異」）は、組み合わされた最良の親の、最良の親に対する優位性を示し、この例においては、主に第３、第４および第５染色体で優位性が見出される。このシミュレーション結果は、図２に示された結果の例とは無関係であることに注意されたい。

ｒｅｇＧＷＳとｄｉｒＧＷＳとの比較
したがって最初の、親の選択以外は、いずれの方法の評価も全く同じように実行された。各回において、両方法における選抜された配偶子の最終値が比較され、いずれの方法が、２−５サイクルの育種の後により良い予測値を与えたかが記録された。

ゲノム選抜モデルが、リッジ回帰（Ｍｅｕｗｉｓｓｅｎら、２００１年）を使用して構築された。ｒｅｇＧＷＳおよびｄｉｒＧＷＳ双方に使用されたモデルは常に、テストの各回において相互に同一であった。

上述の全手順は、方法の比較に関して信頼できるかたちで推定するために、数百回繰り返された。

本発明者らはこの手順を、親３、４または５個体が組み合わされた育種計画においてテストした。モデル化されたゲノム効果は、負の値が全て除かれた、平均０、標準偏差１の切り詰められた正規分布から抽出された。それ故に、座位効果は全て正の値を有し、形質への寄与の符号は、対立遺伝子の状態（−１／１）に由来する。全シナリオが、９５％パーセンタイルにある最良の組合せを選抜しながらテストされた。

結果
表３は、ｄｉｒＧＷＳ対ｒｅｇＧＷＳの比較の結果を示す。親３個体以上が使用された際には半分以上の場合に、制御されたＧＷＳ法が通常のＧＷＳ選抜に勝った。またこの頻度は、親３個体超が育種計画に関与した際に劇的に上昇した。親の個体数の増加に伴う優位性の上昇は、制御されたＧＷＳアプローチの主なアイデア、つまり相補的ゲノム領域の最適な組合せに注目することが、古典的ＧＷＳアプローチにおいて通常行われるように親の成績自体に注目するよりも、実際に良い結果を生じることを実証する。

［例１］
アラビドプシス・タリアナ
モデル生物アラビドプシス・タリアナ（Ａｔ）の公共の遺伝子型データセット、これは１１７９個の生態型の２５０Ｋ個の座位に関する遺伝子型データからなる（Ｈｏｒｔｏｎら、２０１２年）、が取得された。シミュレートされた（すなわち帰属された）対立遺伝子置換効果を、全ゲノムに５００−２０００座位にわたって無作為に分布させた。Ａｔ系列は無作為に、ＧＳモデルを構築するのに使用される親５０−１０００個体の訓練セットと、残りの親からなる検証セット（正確性を決定するため）とに均一に分けられた。テストは、９９％または１００％のいずれかにある最良の順位の組合せを選抜し、２−５育種サイクルを追跡することで行われた。パラメータ（すなわち、座位の数、訓練セット内の親の個体数、選抜率および育種サイクル数）の組合せは各々、２００回繰り返された。

ｄｉｒＧＷＳ戦略の仮定の１つは、十分に正確なＧＥＢＶが入手可能なことである。この正確性は、ＧＳモデルを構築する方法と、親の個体数、群内の遺伝的多様性および対立遺伝子置換効果の分布などの、訓練データセットの属性とに依存する。したがってｄｉｒＧＳ対ｒｅｇＧＳの成績に関する結果は、ＧＳモデルの正確性（育種価とＧＥＢＶとの相関として表される）によって順位付けた。

図５は、ｄｉｒＧＷＳ対ｒｅｇＧＷＳの比較結果を示す。この比較においては、訓練集団が育種集団の役を果たしている。制御されたＧＷＳ法は、特にＧＳモデルがより正確な場合に（Ｒ＞０．６）、通常のＧＷＳ選抜に勝った。しかしそれほど正確ではないモデルにおいても、親２個体超が関与し、掛け合せシナリオが１世代を超える場合に特に、ｄｉｒＧＳ戦略はより良い選抜結果をもたらしている。親の個体数の増加に伴う優位性の上昇は、本発明に従って相補的ゲノム領域の最適な組合せに注目することが、古典的ＧＷＳアプローチにおいて通常行われるように親の成績自体に注目するよりも、実際に良い結果を生じることを実証する。

［例２］
トウモロコシ
アラビドプシスにおいて行われたのと似たテストが、３６８系列の１０^６座位（Ｌｉら、２０１３年）について、トウモロコシ（ゼア・マイス）遺伝子型データを使用して実行された。形質は、２５８−２０１５座位に対立遺伝子置換効果を割り付けることによってシミュレートされた。訓練用の親５０−２００個体からなる訓練セットが無作為に選抜された。さらなるテスト手順は、アラビドプシスによる実施例とほぼ同様であった。

訓練集団が育種集団の役を果たす、図６に示されているテスト結果はやはり、パラメータの組合せの大半において、親２個体超が関与する場合に特に、ｄｉｒＧＳ戦略に従った方が選抜結果が良いことを示す。正確性は、ｄｉｒＧＳ戦略の成績の優位性に対し、前実施例ほどに劇的な効果は有していない。

［例３］
キュウリ
第３のテストは、１１５系列の３．７＊１０^６座位（Ｑｉら、２０１３年）について、キュウリ（ククミス・サティウス）遺伝子型データを使用して実行された。このセットは、データ欠損のない（１７９Ｋ個のマーカー）、異なる８６個の親系列のホモ接合マーカーを有するサブセットにまで縮小された。４５０−１７８９座位の形質に関して形質効果がシミュレートされた。訓練用の親５０個体からなる訓練集団についてＧＳモデルが構築された。さらなるテスト手順は、前の２つの実施例とほぼ同様であった。

比較的少ない量の系列を含むこのデータセットの特徴のため、非常に正確なモデルを構築するのは不可能だった。そこで、正確性の範囲（０．５５＞Ｒ＜０．６７）についてのみ結果を得た。やはり訓練集団を育種集団として使用することで本発明者らは、ｄｉｒＧＳ戦略に従うと大半の場合に成績が改善することを観察した。またこの、どちらかと言えば狭い範囲内においても、本発明者らは、モデルの正確性が僅かに影響することを観察した（正確性が高いほど、ｄｉｒＧＳの成績の優位性が大きくなるのが見出される）。図７を参照されたい。

Ｐ 各行が親系列を含み、各列が単一座位を表す、親系列の行列
Ｆ ブロック対角対称フィルタ行列（ａ ｂｌｏｃｋ ｄｉａｇｏｎａｌ ｓｙｍｍｅｔｒｉｃ ｆｉｌｔｅｒ ｍａｔｒｉｘ）。第ｉ行、第ｊ列の成分は、第ｉ番目の座位と第ｊ番目の座位との連鎖の量を表す。
Ｓ フィルタされた、親系列の行列
Ｒ 実数の集合
ｓ 単一の親系のベクトルであって、フィルタされた、親系列の座位の値を含むベクトル
ｃ ２個の親系列を掛け合わせた後の能力値
ｐ 選抜に関与する座位の総数
ｎ 選抜に関与する親系列の総数
θ_ｉ ｉ番目の親系列
ｋ 掛け合わされる親系列の数

Claims (18)

1. 育種集団内の少なくとも３個体からなる組合せを選抜するための方法であって、この組合せが、対象とする少なくとも１つの表現形質に関して、育種集団内の少なくとも３個体からなる他の組合せのうちの少なくとも７０％と比べて高い、対象とする少なくとも１つの表現形質に関する子孫における組み合わされたゲノムワイド推定育種価を有し、
   ａ）個体からなる訓練集団を提供するステップ；
   ｂ）訓練集団内の各個体について、対象とする少なくとも１つの形質に関する表現型データを収集するステップ；
   ｃ）分子マーカー法、配列に基づく遺伝子型解析または全ゲノム配列決定を使用して、訓練集団内の各個体について遺伝子型データを収集し、対象とする少なくとも１つの表現形質に関する対立遺伝子置換効果を各個体の複数座位の各対立遺伝子に帰属させるステップ；
   ｄ）個体からなる訓練集団について、遺伝子型／表現型関係モデルを提供するステップであって、このモデルが、個体の所与の遺伝子型について、複数座位の対立遺伝子置換効果による、対象とする少なくとも１つの表現形質への量的寄与がどの程度なのかを推定する、ステップ；
   ｅ）育種集団内の各個体を、ステップｃ）と同様に遺伝子型解析するステップ；
   ｆ）ステップｄ）の遺伝子型／表現型関係モデルを使用し、隣接座位との組換え確率について補正することによって、育種集団内の各個体について、複数座位の各対立遺伝子に関する対立遺伝子置換効果を計算するステップであって、対立遺伝子置換効果が正の対立遺伝子については、効果に、対立遺伝子が子孫に伝達される確率を乗じ、対立遺伝子置換効果が負の対立遺伝子については、効果に、対立遺伝子が子孫に伝達されない確率を乗じる、ステップ；
   ｇ）ステップｆ）において計算された個体の計算および補正された対立遺伝子置換効果を使用して、少なくとも３個体からなる各組合せについて、子孫の複数座位の各座位に関して、最も高い、対立遺伝子置換効果の組合せを計算することによって、育種集団内の少なくとも３個体からなる各組合せについて、対象とする少なくとも１つの表現形質に関する子孫における組み合わされたゲノムワイド推定育種価を決定するステップ；
   ｈ）対象とする少なくとも１つの表現形質に関して、育種集団内の少なくとも３個体からなる他の組合せの子孫における組み合わされたゲノムワイド推定育種価のうちの少なくとも７０％より高い、子孫における組み合わされたゲノムワイド推定育種価を与える、育種集団内の少なくとも３個体からなる組合せを選抜するステップ
   を含む方法。
2. 育種集団内の少なくとも３個体からなる組合せが、対象とする少なくとも１つの表現形質に関して、育種集団内の少なくとも３個体からなる他の組合せの子孫における組み合わされたゲノムワイド推定育種価の少なくとも８０％より高い、より好ましくは少なくとも９０％より高い、より一層好ましくは少なくとも９５％より高い、さらにより一層好ましくは９７％より高い、最も好ましくは９９％より高い、子孫における組み合わされたゲノムワイド推定育種価を与える、請求項１に記載の方法。
3. 組み合わされる育種集団の個体の事前選抜が、複数座位に関する全ての対立遺伝子置換効果の総和が最も高い側から３０％未満、より好ましくは２０％未満、より一層好ましくは１０％未満、さらにより一層好ましくは５％未満、最も好ましくは２％未満の個体を選抜することによってなされる、請求項１または２に記載の方法。
4. 組換え確率が、座位間の遺伝距離に基づいて、または物理地図および遺伝子地図を並べることに基づいて計算される、請求項１から３のいずれか一項に記載の方法。
5. 分子マーカー法が、ＳＮＰの検出、ＲＦＬＰの検出、ＳＳＲ多型の検出、ＲＡＰＤ、インデルまたはＣＮＶの検出およびＡＦＬＰからなる群から選択される、請求項１から４のいずれか一項に記載の方法。
6. 訓練集団が特別に設計された集団である、または訓練集団が育種集団と等しい、請求項１から５のいずれか一項に記載の方法。
7. 対象とする少なくとも１つの表現形質が量的形質である、請求項１から６のいずれか一項に記載の方法。
8. 得られた子孫が交雑される、請求項１から７のいずれか一項に記載の方法。
9. １世代を超えて適用される、請求項１から８のいずれか一項に記載の方法。
10. 二倍体の種に適用される、請求項１から９のいずれか一項に記載の方法。
11. 異質倍数体の種に適用される、請求項１から１０のいずれか一項に記載の方法。
12. 同質倍数体の種に適用される、請求項１から１１のいずれか一項に記載の方法。
13. 個体からなる育種集団が、好ましくは、アラビドプシス・タリアナ（Ａｒａｂｉｄｏｐｓｉｓ ｔｈａｌｉａｎａ）、アビシニアンマスタード、アルファルファ、オオムギ、バレルクローバー、ブラックマスタード、ソバ、キャノーラ、クローバー、コモンフラックス、コモンベッチ、オオツメクサ、コーヒー、ワタ、エジプトクローバー、飼料ビート、アサ、ホップ、インディアンマスタード、エルサレムアーティチョーク、トウモロコシ、キビ、マスタード、ルピナス、カラスムギ、セイヨウアブラナ（ブラシカ・ナプス（Ｂｒａｓｓｉｃａ ｎａｐｕｓ））、アブラナ（ブラシカ・ラパ（Ｂｒａｓｓｉｃａ ｒａｐａ））、アヘンポピー、ペルシャクローバー、ジャガイモ、アカツメクサ、ライムギ、ベニバナ、サイザル、ダイズ、サトウダイコン、ヒマワリ、チャ、タバコ、ライコムギ、コムギ、シロクローバ、シロガラシ、ワイルドライス、ウインターベッチ、アーティチョーク、アスパラガス、ジュウロクササゲ、ナス、アオゲイトウ、ブラックラディッシュ、ブラックビーン、キバナバラモンジン、ソラマメ、ブロッコリー、メキャベツ、キャベツ、カンタループ、ニンジン、カリフラワー、セロリ、フダンソウ、チコリ、トウガラシ、ハクサイ、サイシン、インゲンマメ、コーンサラダ、ズッキーニ、キュウリ、ダイコン、ナス、エンダイブ、ウイキョウ、ニンニク、アカザ、サヤインゲン、アキノノゲシ、ケール、サンドマメ、コールラビ、ニラ、レタス、レンズマメ、ライマメ、トウモロコシ、メロン、ミズナ、ナッパキャベツ、タマネギ、パースニップ、エンドウマメ、コショウ、ジャガイモ、カボチャ、キノア、ラディッキオ、ラディッシュ、カブ、アカキャベツ、ダイオウ、ハナマメ、ルタバガ、ロケットサラダ、サボイキャベツ、アカワケギ、ダイズ、ホウレンソウ、トウナス、サトウキビ、スウィード、オオブドウホオズキ、トマト、ターニップ、オランダガラシ、スイカ、イエローターニップ、アーモンド、リンゴ、アンズ、ウワミズザクラ、バターナッツ、カシュー、サクランボ、チョークベリー、クラブアップル、ハシバミ、グリーンゲージ、サンザシ、ヘーゼルナッツ、オニグルミ、ビワ、セイヨウカリン、ミラベルプルーン、ネクタリン、モモ、ワッサー、セイヨウナシ、ペカン、ピスタチオ、プラム、プルーン、マルメロ、ナナカマド、クルミ、アカシア、ハンノキ、アレゲーニーチンカピングリ、アメリカブナ、アメリカグリ、アメリカシデ、トネリコ、アスペン、シナノキ、ブナ、ビッグトゥースド、アスペン、カバノキ、ビターナットヒッコリー、クロハンノキ、クロカンバ、ブラックチェリー、ヌマミズキ、ハリエンジュ、クロカエデ、クロガシ、クロポプラ、クログルミ、クロヤナギ、バターナッツ、シーダー、クリ属、チェスナットオーク、シナグリ、コルシカマツ、コットンウッド、クラブアップル、キューカンバーツリー、イトスギ、ミズキ、ダグラスファー、イースタンヘムロック、ニレ、イギリスナラ、ユーカリノキ、ヨーロッパブナ、ヨーロッパカラマツ、ヨーロッパモミ、ヨーロッパシラカンバ、モミ、ハナミズキ、ゴムノキ、サンザシ、クマシデ、トチノキ、雑種ポプラ、クリ、カラマツ、カラマツ属、ロッジポールマツ、カエデ、カイガンショウ、モッカーナット・ヒッコリー、ノルウェートウヒ、オーク、オレゴンパイン、ウツクシモミ、ヨーロッパナラ、ピグナットヒッコリー、マツ、リギダマツ、ポプラ、スコッチパイン、ヨーロッパグリ、アカハンノキ、アカスギ、アカカエデ、アカガシ、アカマツ、アカトウヒ、セコイア、ナナカマド、サッサフラス、スコッチパイン、セルビアトウヒ、ザイフリボク、シャグバークヒッコリー、シダレカンバ、シトカトウヒ、ナンキョクブナ、トウヒ、シロスジカエデ、サトウカエデ、スイートバーチ、ヨーロッパグリ、スズカケノキ、タマラック、ユリノキ、ウェスタンヘムロック、ホワイトアッシュ、ホワイトオーク、ホワイトパイン、キハダカンバ、バナナ、パンノキ、ココナツ、ナツメヤシ、ジャックフルーツ、マンゴー、アブラヤシ、オリーブ、パパイヤ、パイナップル、オオバコ、ゴムの木およびクロツグからなる群から選択される農作物もしくは野菜作物もしくは果樹種もしくは森林種またはプランテーション作物である、請求項１から１２のいずれか一項に記載の方法。
14. 個体からなる育種集団が、ウシ（ボス・タウルス（Ｂｏｓ ｔａｕｒｕｓ）、ボス・インディクス（Ｂｏｓ ｉｎｄｉｃｕｓ））、スイギュウ（ブバルス・ブバリス（Ｂｕｂａｌｕｓ ｂｕｂａｌｉｓ））、ウマ（エクウス・カバルス（Ｅｑｕｕｓ ｃａｂａｌｌｕｓ））、ヒツジ（オウィス・アリエス（Ｏｖｉｓ ａｒｉｅｓ））、ヤギ（カプラ・ヒルクス（Ｃａｐｒａ ｈｉｒｃｕｓ））、ブタ（スース・スクローファ（Ｓｕｓ ｓｃｒｏｆａ））、ニワトリ（ガッルス・ガッルス（Ｇａｌｌｕｓ ｇａｌｌｕｓ））、シチメンチョウ（メレアグリス・ガロパボ（Ｍａｌｅａｇｒｉｓ ｇａｌｌｏｐａｖｏ））、カモ（アナス・プラティリンコス（Ａｎａｓ ｐｌａｔｙｒｈｙｎｃｈｏｓ）、カイリナ・モスカータ（Ｃａｉｒｉｎａ ｍｏｓｃｈａｔａ））、ガチョウ（アンセル・アンセル・ドメスティクス（Ａｎｓｅｒ ａｎｓｅｒ ｄｏｍｅｓｔｉｃｕｓ）、アンセル・キュグノイデス（Ａｎｓｅｒ ｃｙｇｎｏｉｄｅｓ））、ハト（コルンバ・リヴィア・ドメスティカ（Ｃｏｌｕｍｂａ ｌｉｖｉａ ｄｏｍｅｓｔｉｃａ））、ラット（ラットゥス・ノルウェギクス（Ｒａｔｔｕｓ ｎｏｖｅｒｇｉｃｕｓ））、マウス（ムス・ムスクルス（Ｍｕｓ ｍｕｓｃｕｌｕｓ））、ネコ（フェリス・カトゥス（Ｆｅｌｉｓ ｃａｔｕｓ））、イヌ（カニス・ファミリアリス（Ｃａｎｉｓ ｆａｍｉｌｉａｒｉｓ））、ウサギ（オリクトラグス・クニークルス（Ｏｒｙｃｔｏｌａｇｕｓ ｃｕｎｉｃｕｌｕｓ））、モルモット（カウィア・ポルケッルス（Ｃａｖｉａ ｐｏｒｃｅｌｌｕｓ））、ゼブラフィッシュ（ダニオ・レリオ（Ｄａｎｉｏ ｒｅｒｉｏ））およびキイロショウジョウバエ（ドロソフィラ・メラノガスター（Ｄｒｏｓｏｐｈｉｌａ ｍｅｌａｎｏｇａｓｔｅｒ））からなる群から選択される種である、請求項１から１３のいずれか一項に記載の方法。
15. 個体からなる育種集団が、キュプリヌス・カルピオ（Ｃｙｐｒｉｎｕｓ ｃａｒｐｉｏ）、サルモ・サラル（Ｓａｌｍｏ ｓａｌａｒ）、オレオクロミス・ニロティクス（Ｏｒｅｏｃｈｒｏｍｉｓ ｎｉｌｏｔｉｃｕｓ）、オンコリンクス・ミキス（Ｏｎｃｏｒｈｙｎｃｈｕｓ ｍｙｋｉｓｓ）、クテノファリンゴドン・イデラ（Ｃｔｅｎｏｐｈａｒｙｎｇｏｄｏｎ ｉｄｅｌｌａ）、ヒュポフタルミクテュス・モリトリクス（Ｈｙｐｏｐｈｔｈａｌｍｉｃｈｔｈｙｓ ｍｏｌｉｔｒｉｘ）、ギベリオン・カトラ（Ｇｉｂｅｌｉｏｎ ｃａｔｌａ）、キュプリヌス・カルピオ、ヒュポフタルミクテュス・ノービリス（Ｈｙｐｏｐｈｔｈａｌｍｉｃｈｔｈｙｓ ｎｏｂｉｌｉｓ）、カラッシウス・カラッシウス（Ｃａｒａｓｓｉｕｓ ｃａｒａｓｓｉｕｓ）、オレオクロミス・ニロティクス（Ｏｒｅｏｃｈｒｏｍｉｓ ｎｉｌｏｔｉｃｕｓ）、パンガシウス・パンガシウス（Ｐａｎｇａｓｉｕｓ ｐａｎｇａｓｉｕｓ）およびラベオ・ロヒータ（Ｌａｂｅｏ ｒｏｈｉｔａ）からなる群から選択される魚類種である、または個体からなる育種集団が、マクロブラキウム・ローゼンベルギイ（Ｍａｃｒｏｂｒａｃｈｉｕｍ ｒｏｓｅｎｂｅｒｇｉｉ）、リトペナエウス・バナメイ（Ｌｉｔｏｐｅｎａｅｕｓ ｖａｎｎａｍｅｉ）およびペナエウス・モノドン（Ｐｅｎａｅｕｓ ｍｏｎｏｄｏｎ）からなる群から選択されるエビの種である、請求項１から１４のいずれか一項に記載の方法。
16. 育種プログラムにおいて対象とする少なくとも１つの表現形質を改善するための、請求項１から１５のいずれか一項に記載の方法の使用。
17. 請求項１から１６のいずれかに記載の方法を実行するための指示を含むコンピュータ可読媒体。
18. 請求項１から１５のいずれかに記載の方法によって得ることができる、好ましくは植物である生産物。

Images