[发明专利]全基因组选择育种的方法和装置

说明书

本发明提供了一种全基因组选择育种的方法和装置。该方法包括：获取训练群体中与目标表型显著关联的标记；根据训练群体及标记，利用多种全基因组选择预测模型计算育种群体中每个个体的基因组估计育种值；按照基因组估计育种值从高到低的顺序，选择在多个全基因组选择预测模型中均排在前预定数量的个体作为育种材料。综合多个模型进行基因组估计育种值计算，并利用多个模型结果共定位，并选择出在所有的模型中都具有高育种值的个体作为育种材料，大大提高结果的精确性。该方法能适应大部分的材料背景，填补了在超级计算机中基因组选择分析上的空白，提高育种选择的效应，促进育种的进展。

技术领域

本发明涉及分子育种领域，具体而言，涉及一种全基因组选择育种的方法和装置。

背景技术

在选择育种历史中，经历了从经验育种到育种理论和方法的探索，有选择学说，纯系学说，回交育种、轮回育种、诱变育种、单粒传、理想株型；再到标记辅助选择育种，探索了各种各样的标记，比如扩增片段长度多态性标记辅助选择(AFLP)、微卫星标记辅助选择(SSR)和单核苷酸多态性标记辅助选择(SNP)。随着测序技术的发展，测序的通量越来越高，成本越来越低，加之计算机运算能力不断提升，这为全新育种技术的发展创造了技术条件，兴起了基因组选择(Genomic Selection，GS)育种浪潮。

基因组选择育种能有效的解决难测量性状、运气成分大，耗时长、技术难度高等因素的限制，加快育种的步伐。基因组选择育种是利用覆盖全基因组的高密度分子遗传标记进行的标记辅助选择的一种育种方式。

目前比较出名的基因组选择(GS)分析功能软件是ipat软件，Ipat软件界面比较友好，但是ipat只有三种GS模型，分别为基因组最佳线性无偏估计(GBLUP)、岭回归最佳线性无偏估计(RRBLUP)、贝叶斯岭回归(BRR)。

然而，对于有快速育种需求的公司来说，现有的基因组选择分析的效率低，分析结果的准确性也相对较低，无法满足需求。

发明内容

本发明的主要目的在于提供一种全基因组选择育种的方法和装置，以解决现有技术中的分析结果准确性低的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种全基因组选择育种的方法，该方法包括：获取训练群体中与目标表型显著关联的标记；根据训练群体及标记，利用多种全基因组选择预测模型计算育种群体中每个个体的基因组估计育种值；按照基因组估计育种值从高到低的顺序，选择在多个全基因组选择预测模型中均排在前预定数量的个体作为育种材料。

进一步地，多种全基因组选择预测模型包括：基因组最佳线性无偏预测模型、岭回归最佳线型无偏估计模型、贝叶斯套索模型、贝叶斯A模型、贝叶斯B模型、贝叶斯C模型及贝叶斯岭回归模型中的至少4种。

进一步地，多种全基因组选择预测模型包括岭回归最佳线型无偏估计模型、贝叶斯套索模型、贝叶斯A模型、贝叶斯B模型、贝叶斯C模型及贝叶斯岭回归模型中的至少3种时，利用多种全基因组选择预测模型计算育种群体中每个个体的基因组估计育种值包括：利用训练群体中的目标表型与标记之间的显著关联性，对多种全基因组选择预测模型进行精确度评估，得到满足精确度要求的一个或多个全基因组选择预测模型；利用满足精确度要求的一个或多个全基因组选择预测模型，计算得到各标记的效应值；利用各标记的效应值计算得到育种群体中每个个体的基因组估计育种值。

进一步地，获取训练群体中与目标表型显著关联的标记包括：对训练群体来源于基因芯片或基因组重测序的测序数据进行全基因组关联分析，从而获得与目标表型显著关联的标记。

进一步地，从测序数据进行全基因组关联分析从而获得与目标表型显著关联的标记包括：对测序数据进行综合分析，综合分析表型分布分析、群体结构分析、连锁不平衡分析以及亲缘关系分析；根据综合分析的结果进行全基因组关联分析，从而获得与目标表型显著关联的标记。