一种新的基因组选择算法及图形化界面软件研发

With the reduction of the cost of genotyping, genomic selection has gradually become a routine technology for crop breeding as it could help to shorten breeding cycles. The application of genome selection in crop breeding is limited due to factors such as predicting accuracy, robust and running time of the models and also the lack of easy-to-use software. It is of great value to develop a fast and robust method that can be used for predicting hybrid offspring and easy-to-use software. Firstly, this study proposes a new genome selection algorithm, which first uses a genome-wide association analysis to select markers, then uses a supervised machine learning algorithm t-SNE to extract the parental genotype nonlinear characteristics, and finally uses the combining ability model for prediction. And then, the model proposed in this study and the three common models such as gBLUP, Bayesian LASSO and multiple random effects models are graphically implemented using JAVA language; finally, we used public data of three different crops such as maize, wheat and rice and maize hybrid populated developed by our group to test and optimize the model and software. This study will innovate a new genomic selection method and provide a new graphic user interface software for crop genomic selection.

随着分子标记检测成本的降低，基因组选择逐渐成为作物育种的必备工具。通过对杂交后代进行预测可以加快育种进程，但由于模型预测准确率提高难、预测稳定性不强、运行时间长和软件使用复杂等因素，限制了基因组选择在作物育种中的应用。因此，开发一款快速、稳定的可用于杂交后代预测的方法和简单易用的软件具有重要意义。首先，本研究提出一种新的基因组选择算法，该算法先利用全基因组关联分析筛选标记，再利用有监督的机器学习算法t-SNE提取亲本基因型非线性特征，最后结合配合力分析模型对杂交后代进行预测；其次，本研究使用JAVA语言对本研究提出的模型及gBLUP，Bayesian LASSO和多随机效应模型等三种常见的模型进行图形化界面软件实现；最后，利用玉米、小麦和水稻等作物的公开数据及本团队玉米杂交群体数据对模型和软件进行测试。本研究将提供一种新的基因组选择方法和简单易用的图形化界面软件，为作物育种提供新的工具。

作物重要的农艺性状，例如株高和产量等，通常是复杂性状，即受主效基因调控的同时，也有大量的微效基因参与调控。针对大效应的主效位点，可以通过分子标记辅助选择有利等位基因，但无法对大量微效基因进行有效选择。随着分子标记检测成本的降低，利用全基因组的标记计算育种值，可以有效地提高育种效率。因此，基因组选择逐渐成为作物育种的必备工具。本项目旨在开发一款具有实际应用价值的基因组选择软件以及提高基因组选择预测准确率的基础理论。我们从分子标记标记的类型和数量，预测模型以及软件开发等方面进行了研究。首先，由于标记之间存在连锁不平衡，本研究开发了一款图形化界面软件,可以对群体内和群体间标记的连锁状态进行分析，从而为选择合适的标记奠定基础。其次，已有研究对分子标记的数量进行过大量分析，但是没有对分子标记类型对基因组选择准确率进行研究的报道，因此本研究在番茄中构建了首个图泛基因组，并利用改图泛基因组作为参考基因组，完成了706份番茄的单核苷酸变异，短片段的插入缺失变异和长片段的结构变异，结合332份番茄果实的代谢组学数据，首次对不同类型的分子标记对基因组选择的影响进行了详细评估，发现利用大片段的结构变异，对番茄果实代谢物预测的准确率提高了10%。我们利用DNA捕获技术，对结构变异进行了分型研究，发现结构变异鉴定的准确率可以达到90%以上。目前正根据本项目的研究成果，开发番茄商业化的结构变异鉴定芯片。本项目的研究首次结合图泛基因组技术，为结构变异在基因组选择中的应用提供了基础。