基于全基因组预测的配合力分析方法研究

Combining ability played an important role in selecting elite parents for heterosis breeding. However, there was some drawback in combining ability analysis based on NCII mating design, i.e., little parental lines provided inaccurate estimation of combining ability, but it is hard to implement all possible parental combination for mounts of parents. Whole genomic prediction could predict genotypic values for individuals and then improve the accuracy of breeding selection. Meanwhile, it could be used in combining ability analysis to overcome the above drawbacks. For now, many genomic prediction methods have been proposed, however, them were mainly used for breeding selection. It has not been applied to combining ability analysis. Therefore, we will study the combining ability analysis methodology based on whole genomic prediction, as follows: 1) apply the proposed genomic prediction methods to combining ability, and find their drawbacks; 2) develop a new whole genomic prediction method for combining ability analysis; 3) explore optimal experimental designs for combining ability analysis, and make sure the trade-off between prediction accuracy and consumption of manpower and money; 4) develop an software package based on the new whole genomic prediction method for application, and provide evidence for heterosis breeding.

配合力对于杂种优势育种的亲本选配具有重要的指导作用，但是基于NCII遗传交配设计的配合力分析存在小样本亲本配合力估计不准确，大样本亲本组合全部实施比较困难的问题。全基因组预测可以推测个体基因型值，其原理还可以用于不完全NCII设计的配合力分析，解决上述困难。目前已经提出了多种全基因组预测的方法，但是主要针对提高育种选择的准确性，尚未用于配合力分析。本项目拟研究基于全基因组预测的配合力分析方法，将开展：1）将现有全基因组预测方法用于配合力分析，比较不同模型的优劣，考察现有方法存在的不足；2）针对现有方法的不足，发展一种适合配合力分析的全基因组预测新方法；3）探索适合配合力分析的最优试验设计方案，既保证预测准确度又降低人力物力消耗；4）将基于全基因组预测的配合力分析新方法研制成windows界面软件包，方便应用者使用，为杂种优势育种提供理论依据。

杂种优势育种对于作物品种改良有重要的作用。全基因组预测技术（又叫基因组选择）可以实现更为快速高效的杂种优势育种，节省人力物力与时间。因此本研究从比较选择最优的全基因组预测方法开始，到提出了两种适合杂交种表型预测和杂种优势值预测的新模型，并且发展了在高密度SNP标记数据下的优化算法，为作物杂种优势育种提供了一套切实可行的理论方案。主要成果如下：.1）比较了目前广泛使用的四种基因组选择方法（GBLUP、BayesB、LASSO和SVR）在杂交种表型预测中的效果。使用了一套玉米不完全NCII设计群体，分析了开花期、株高和产量三个性状。结果发现这些方法在不同群体与性状中表现差异较大，各有优劣；在由较少QTL控制的性状中基于压缩的LASSO和BayesB表现较好，在由大量微效基因决定的性状中，GBLUP和SVR效果更好；随着训练群体的增大，各个方法的预测准确度均显著提升；GBLUP方法和机器学习的SVR方法在各种性状中最稳健可靠。.2）提出了一种对杂交种预测效果更好的全效应模型，即将所有标记的加性、显性、以及加性×加性、加性×显性、显性×加性和显性×显性六种遗传效应加入预测模型，并针对高密度SNP标记数据开发了一套优化算法——“联程法”，可以极大解决该超维模型的计算困难。一套低密度分子标记的油菜数据和一套高密度SNP标记的玉米数据，用于验证新模型和新方法在不完全NCII设计群体下预测杂交种表型的可靠性，证明其具有较高的预测准确度。.3）在全效应模型的基础上提出了矫正亲本信息的杂种优势预测模型，可以利用全基因组SNP标记直接预测F1杂种优势值。该部分使用了一套完全NCII设计的油菜数据，用新模型和2）中的“联程法”得到预测杂种优势值。这就使得我们可以在足够的训练群体下，基于亲本表型和基因型，预测未实施的杂交组合杂种优势大小，为杂种优势育种节省大量的人力物力。