标记数量与GS预测准确性

Dr_Zhang

无论是育种家还是想把全基因组选择付诸实践的企业，都很想在统计学家那里获得一个答案，那便是需要使用多少个分子标记才能准确预测。

统计学家通常认为在理想状态下，不低于500个标记是足够完成全基因组预测任务的。相反的，实践派在不断的摸索过程中发现，200左右的高质量分子标记可以得到中到高水平的预测精度。

理论上，或者感官上，貌似分子标记应该越多预测效果越好，也就是预测准确性随着分子标记的增加而增加。这不难理解，更多的分子标记可以增加捕获数量性状位点（QTL）机会，积累更多的效应值。然而，在实践中，结果并非如此。过多的分子标记反而不如随机抽取一部分标记的预测准确性高。为什么会出现这种情况？目前比较通行的解释是大田试验有很大的误差，并非理想状态，标记的增加不仅增加了目标性状的效应，误差也跟着增大了。遗传结构越复杂，需要的标记越多；反过来，需要的标记越多，误差越大。好像陷入了一个怪圈，没有足量的标记，就缺乏估计复杂结构的统计学效能；有了过多的标记，统计学效能依然难以保持。我个人的理解是，在同一个连锁不平衡（LD）区段中，应该只有唯一一个SNP体现此区段内QTL的效应，当一个LD中出现了多个SNP时，本不该代表该LD区段的多余SNP便会引起误差。大体来讲，确定的群体结构应该使用的标记数量应该与LD的数量相等。

另一方面，不确定的群体结构在很大程度上影响了预测，比如轮回选系，每一轮LD都会发生变化。这还没考虑目标性状复杂性需要的标记数量。

因此，简单的增加标记数量妄图获得更准确的预测并不是一个高明的选择。这里提供两个参考，中国农科院倾向于使用3K基因芯片，也就是使用3000个统一标准的分子标记。国际玉米小麦改良中心（CIMMYT）主张使用简化测序方案，如GBS、DArT和rAmpSeq。GBS在筛选后可留下约2万个左右的标记，DArT有11000多个，而rAmpSeq可以从1000到10万。

标记数量的选择需要综合考虑实验设计、性状的复杂性、群体的亲缘关系、标记平台等等各种因素。最佳应用数量仍存在争议。从我自身的经验来看，单次选系需要的标记数量少于杂交种预测少于二环选系。连续多年选择子代，每一代都需要更大的分辨率，也就是更多的标记。在误差无法消除的情况下，标记密度应该呈现类似正态分布的曲线，峰值的位置需要更多的实验和研究来确定。我的研究结果表明，不考虑计算效率的情况下，DArT的7000个Silico标记能够在干旱条件下实现较好的预测。若采用多组学预测，标记数量呈几何级增加。前提是植物材料是玉米。