预测性植物育种

Dr_Zhang

随着高通量低成本基因分型方法的问世，利用基因组信息决策得到了前所未有的发展。高通量表型分型使得表型的测量准确度得以提升，同时，增加了可测量表型的性状数量和分辨率。分析工具可以把搜集到的数据转换成知识、育种决策，并最终提高遗传增益。

GP结合多组学方法的应用在解决具有复杂遗传结构和低遗传力的农业重要性状（如“每公顷产量”）方面具有巨大潜力。这些性状受基因型与环境互作的显著影响，传统育种方法难以实现显著的遗传增益。

传统植物育种依赖于表型观察，通常需要多个生长季节来评估选择优势个体，并使用线性回归等基于线性关系的统计方法。全基因组预测（GP）或全基因组选择（GS）通过利用基因组信息和机器学习（ML）方法预测个体特定性状的表现，带来了育种领域的范式转变。ML方法灵活且适用于复杂数据集，无需严格假设，可加速育种过程，通过缩短评估步骤，在早期阶段即可进行选择，而无需表型数据。只要预测模型具有足够的预测准确性（PA），这一方法可显著提升单位时间内的遗传增益。研究重点包括预测在育种方案中的应用场景、训练数据的设计与更新、数据工作流及相应的统计方法选择。深度学习（DL）作为ML的一个子集，通过多层神经网络捕捉大数据中的复杂模式，适用于高复杂性数据。ML和DL在GP中的选择取决于数据特性和预测目标。

在实施预测育种方法时，育种组织在选择统计机器学习（ML）方法时，必须同时考虑数据管理、计算能力和预测软件等资源需求。用户友好型软件的缺乏一直是育种者和科学家面临的主要挑战之一。过去十年中，针对研究人员和育种者多样化需求的各种软件包相继出现，凸显了易用且先进解决方案的重要性。常用工具如GAPIT、TASSEL和GCTA支持从数据质量控制到全基因组关联分析（GWAS）等任务。此外，Beagle和BGLR等专业软件集成了先进的统计和ML算法，用于全基因组预测（GP）。开源软件的普及确保了可访问性和协作开发，推动了植物育种领域基因组研究的动态发展。

2025_Trends-Plant-Sci_Crossa-Jose_Expanding-genomic-prediction-in-plant-breeding.pdf (1.74 MB, 下载次数: 22)

2025-12-20 10:39 上传

点击文件名下载附件