【目的】揭示基于动物模型最佳线性无偏预测(animal model best linear unbiased prediction,AM-BLUP)的选择指数对杜洛克猪生长及繁殖性状的选育效果。【方法】在采用AM-BLUP方法估计个体目标性状育种值基础上,以达100 kg体质量日龄(...【目的】揭示基于动物模型最佳线性无偏预测(animal model best linear unbiased prediction,AM-BLUP)的选择指数对杜洛克猪生长及繁殖性状的选育效果。【方法】在采用AM-BLUP方法估计个体目标性状育种值基础上,以达100 kg体质量日龄(相对权重0.7)和100 kg活体背膘厚(相对权重0.3)为主选性状构建选择指数,对1个闭锁的杜洛克猪群开展持续7年(2013—2019年)的选育,系统分析选育期间猪群6个生长及繁殖性状表型值、估计育种值(estimated breeding value,EBV)、选择指数及近交系数的变化。【结果】相较于2013年,2019年猪群达100 kg体质量日龄、100 kg活体背膘厚和30~100 kg料重比分别极显著缩短4.45 d、降低0.52 mm和降低0.05(P<0.01);初产和经产母猪的总产仔数分别提高0.99头(P<0.05)和1.02头(P>0.05),产活仔数分别提高0.72头和0.49头(P>0.05),21日龄窝重分别降低0.39 kg和提高6.20 kg(P>0.05);主选性状达100 kg体质量日龄和100 kg活体背膘厚的EBV分别极显著降低3.447和0.533(P<0.01),选择指数极显著提高23.62(P<0.01),除30~100 kg料重比外,其余辅选性状的EBV均获得了不同程度改进。选育结束时,群体平均近交系数为3.1973%,年均增量为0.4904%。【结论】基于AM-BLUP的指数选择可有效改良猪的生产性状,但不同性状的具体选择进展会因其遗传特性的不同而异。展开更多
穗轴粗和出籽率均是典型的数量性状,在不同程度上影响玉米产量。全基因组选择整合全基因组关联分析(GWAS,genome-wide association study)的先验信息是提高性状预测准确性的有效方法。本研究利用309份玉米自交系穗轴粗和出籽率表型和基...穗轴粗和出籽率均是典型的数量性状,在不同程度上影响玉米产量。全基因组选择整合全基因组关联分析(GWAS,genome-wide association study)的先验信息是提高性状预测准确性的有效方法。本研究利用309份玉米自交系穗轴粗和出籽率表型和基因分型测序技术获得的基因型数据,研究基因组最佳线性无偏预测(GBLUP,genomic best linear unbiased prediction)、贝叶斯A(Bayes A)和再生核希尔伯特空间(RKHS,reproducing kernel Hilbert space)模型对2种GWAS方法即固定和随机模型交替概率统一(FarmCPU,fixed and random model circulating probability unification)和压缩混合线性模型(CMLM,compressed mixed linear model)衍生的不同数量标记集、随机选择标记集和所有标记对预测准确性的影响。对于2个性状FarmCPU和CMLM衍生标记集,3个预测模型间的预测准确性差异较小,差值变异范围介于0~0.03。对于随机标记集,相比其他2个模型的预测准确性,RKHS对穗轴粗可提高3.57%~15.91%,而3个预测模型对出籽率具有相似的预测效果。除了50和100个标记,3个模型利用CMLM衍生标记对2个性状的预测效果均优于FarmCPU。相比随机标记集,穗轴粗GWAS衍生标记的预测准确性可提高15.52%~88.37%;出籽率利用衍生标记可提高1~5.89倍。所有衍生标记集的预测准确性均高于所有标记。这些结果均表明,全基因组选择整合GWAS衍生标记有利于提高穗轴粗和出籽率的预测准确性。展开更多
分析大粒花生品种农艺性状与产量的关系,为高产花生育种提供有效指导。本研究以2017年全国北方片区大粒花生区试为基础数据,利用ASReml软件的混合线性模型,获取各试点每个基因型的最佳线性无偏预测值(Best linear unbiased prediction,B...分析大粒花生品种农艺性状与产量的关系,为高产花生育种提供有效指导。本研究以2017年全国北方片区大粒花生区试为基础数据,利用ASReml软件的混合线性模型,获取各试点每个基因型的最佳线性无偏预测值(Best linear unbiased prediction,BLUP),进行可视化相关分析和通径分析。结果表明:BLUP数据去除了环境的误差,更接近于真实育种值。单株饱果数的变异系数最大为34.47%;各性状与产量的相关系数由大到小依次为:百果重(r=0.6695^(***))>百仁重(r=0.6658^(***))>侧枝长(r=0.4289^(***))>总分枝数(r=0.3774^(***))>主茎高(r=0.3383^(***))>出米率(r=0.2941***)>单株结果数(r=0.2571^(***))>结果枝数(r=0.2340^(**))>饱果数(r=0.1457^(*))>生育期(r=0.0212);通径分析显示,百果重(p=0.3839)和总分枝数(p=0.3476)对产量的直接通径系数较大,说明它们是影响大粒花生产量的关键性状。因此,在选育高产大粒花生新品种时要重点做好对百果重和总分枝数的选择。展开更多
文摘穗轴粗和出籽率均是典型的数量性状,在不同程度上影响玉米产量。全基因组选择整合全基因组关联分析(GWAS,genome-wide association study)的先验信息是提高性状预测准确性的有效方法。本研究利用309份玉米自交系穗轴粗和出籽率表型和基因分型测序技术获得的基因型数据,研究基因组最佳线性无偏预测(GBLUP,genomic best linear unbiased prediction)、贝叶斯A(Bayes A)和再生核希尔伯特空间(RKHS,reproducing kernel Hilbert space)模型对2种GWAS方法即固定和随机模型交替概率统一(FarmCPU,fixed and random model circulating probability unification)和压缩混合线性模型(CMLM,compressed mixed linear model)衍生的不同数量标记集、随机选择标记集和所有标记对预测准确性的影响。对于2个性状FarmCPU和CMLM衍生标记集,3个预测模型间的预测准确性差异较小,差值变异范围介于0~0.03。对于随机标记集,相比其他2个模型的预测准确性,RKHS对穗轴粗可提高3.57%~15.91%,而3个预测模型对出籽率具有相似的预测效果。除了50和100个标记,3个模型利用CMLM衍生标记对2个性状的预测效果均优于FarmCPU。相比随机标记集,穗轴粗GWAS衍生标记的预测准确性可提高15.52%~88.37%;出籽率利用衍生标记可提高1~5.89倍。所有衍生标记集的预测准确性均高于所有标记。这些结果均表明,全基因组选择整合GWAS衍生标记有利于提高穗轴粗和出籽率的预测准确性。
文摘分析大粒花生品种农艺性状与产量的关系,为高产花生育种提供有效指导。本研究以2017年全国北方片区大粒花生区试为基础数据,利用ASReml软件的混合线性模型,获取各试点每个基因型的最佳线性无偏预测值(Best linear unbiased prediction,BLUP),进行可视化相关分析和通径分析。结果表明:BLUP数据去除了环境的误差,更接近于真实育种值。单株饱果数的变异系数最大为34.47%;各性状与产量的相关系数由大到小依次为:百果重(r=0.6695^(***))>百仁重(r=0.6658^(***))>侧枝长(r=0.4289^(***))>总分枝数(r=0.3774^(***))>主茎高(r=0.3383^(***))>出米率(r=0.2941***)>单株结果数(r=0.2571^(***))>结果枝数(r=0.2340^(**))>饱果数(r=0.1457^(*))>生育期(r=0.0212);通径分析显示,百果重(p=0.3839)和总分枝数(p=0.3476)对产量的直接通径系数较大,说明它们是影响大粒花生产量的关键性状。因此,在选育高产大粒花生新品种时要重点做好对百果重和总分枝数的选择。
