[发明专利]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

摘要

本发明公开了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。该方法为基于线－阈模型的新贝叶斯方法，称为LT‑BayesCπ，用于连续性状和阈性状联合分析。使用模拟数据和第十四届QTL‑MAS国际研讨会公共数据验证LT‑BayesCπ，其基因组预测的准确性与基于单性状模型的BayesCπ、BayesTCπ进行比较，同时研究了其性能表现的影响因素。本发明结果表明，在所有情形下，LT‑BayesCπ对阈性状的基因组预测准确性比BayesTCπ显著增加，然而对连续性状的准确性与BayesCπ相当。

主权项

1.连续性状和阈性状基因组育种值联合估计的贝叶斯方法，包括以下步骤：(1)模型令y′₁＝{y_1，i}，i＝1，2，…，n为连续性状观察值向量，y′₂＝{y_2，i}，i＝1，2，…，n为阈性状观察值向量，l′＝{l_i}，i＝1，2，…，n为与阈性状相关联的潜在变量向量；线‑阈模型为：其中β1、β2为固定效应向量；g1、g2为SNP效应向量；e1、e2为随机残差向量；x1、x2为β1、β2的关联矩阵；z是基因型指示矩阵，其中赋值0、1和2分别对应于基因型的11、12和22；令v′＝[y′1，l′]，给定β和g时，v服从如下分布：其中β′＝[β′₁，β′₂]，g′＝[g′₁，g′₂]，然后给定β，g和Re，则抽样模型为：其中阈性状的潜在变量是观测不到的，其残差方差不可估；因此，阈性状的残差方差固定为(2)LT‑BayesCπ的MCMC执行过程a)先验分布下面的先验分布是为了构建一个分级模型；对于“固定”效应β：β|βmin，βmax～∪(βmin，βmax)；对SNP效应g：每个SNP对于两个性状都为零效应和至少对于某一个性状为非零效应的概率分别为π和1‑π；对于后者，SNP效应先验分布为二元正态分布，即：其中G0和Re的先验分布都是逆威夏特分布：对于阈值t：其中T＝{(t1，...，tk‑1)|tmin≤t1≤…≤tk‑1≤tmax}；对于SNP效应为零的概率值π：p(π)～∪(0，1)；b)联合后验分布参数向量增加潜在变量1和指示变量δ，表示为(Ω，l，δ)，其中Ω＝(β，g，G0，Re，t，π)；参数向量的联合后验分布为：p(Ω，l，δ|y1，y2)∝p(y1，y2|Ω，l，δ)p(Ω，l，δ)＝p(y1，l|Ω)p(y2|Ω，1)p(Ω，δ)；c)完全条件后验分布潜在变量潜在变量li的完全条件后验分布是以tj‑1到tj为截断点的截断正态分布，其期望和方差如下：d)“固定”效应和SNP效应建立混合模型方程组其中则θ_i的完全条件后验分布为：其中e)方差‑协方差矩阵SNP效应和残差效应的方差‑协方差矩阵完全条件后验分布为：其他参数的完全条件后验分布和吉布斯抽样过程与单性状方法BayesTCπ的相似。