發(fā)布時間：2020-10-11 23:26

　　 全基因組選擇(genomic selection,GS)是一種新興的分子育種方法,它利用訓練群體的基因型和表型數(shù)據(jù)建模,然后對只有基因型的育種群體進行表型預(yù)測和選擇。已有多種預(yù)測模型被用于性狀GEBV(genomic estimated breeding value)的預(yù)測,例如ridge regression best linear unbiased prediction(RR-BLUP)、genomic best linear unbiased prediction(GBLUP)、Bayes模型和機器學習模型。目前的GS研究多集中于性狀本身的預(yù)測,對于育種中,特別是純系育種中的雜交組合預(yù)測和親本選配尚缺少研究。為簡便起見,GS模型預(yù)測時往往忽略上位性效應(yīng);基因型與環(huán)境互作在作物育種中普遍存在,利用性狀在不同環(huán)境下的遺傳相關(guān),可能對性狀在特定環(huán)境下的表現(xiàn)進行預(yù)測。本研究探索利用GS方法和育種模擬方法,開展小麥(Triticum aestivum L.)親本選配和組合預(yù)測;比較不同GS模型在不同群體和性狀上對上位性效應(yīng)的預(yù)測能力;比較不同GS模型的單個環(huán)境預(yù)測和多環(huán)境聯(lián)合預(yù)測之間的差異。主要研究內(nèi)容和獲得的主要研究結(jié)果如下:1.基于全基因組選擇的雜交組合預(yù)測模擬研究在不同性狀遺傳結(jié)構(gòu)下,利用模擬方法比較了不同全基因組選擇模型對雜交組合的預(yù)測效果,以及不同選擇強度下,雜交組合有效性和中親值兩種雜交組合預(yù)測方法所帶來的遺傳增益。結(jié)果表明,不同模型的預(yù)測準確率在不同的性狀遺傳結(jié)構(gòu)下沒有明顯的差異。在所有設(shè)定的選擇強度下,通過雜交組合有效性進行雜交組合選擇,所獲得的遺傳增益要高于通過中親值進行雜交組合選擇的遺傳增益。2.小麥產(chǎn)量和品質(zhì)協(xié)同改良的親本選配研究利用雜交組合有效性預(yù)測的方法,對一個小麥優(yōu)質(zhì)親本群體的所有可能雙親雜交組合的后代表現(xiàn)進行預(yù)測,比較了四種不同的親本選配方案下,后代群體在產(chǎn)量和品質(zhì)性狀上的遺傳進度和遺傳多樣性。結(jié)果顯示,同時包含產(chǎn)量和品質(zhì)性狀的選擇指數(shù),在有效提高遺傳進度的同時,還保留下來更多的遺傳多樣性,從而有利于在長期選擇中獲取持續(xù)的遺傳增益。3.全基因組選擇中擬合上位性效應(yīng)的研究利用一個水稻(Oryza sativa)重組自交系(recombinant inbred lines,RIL)群體和兩個小麥自然群體,開展擬合上位性效應(yīng)的GS研究,并與僅擬合加性效應(yīng)的GS模型進行比較。結(jié)果表明,在絕大多數(shù)情況下,模型中加入上位性效應(yīng)提高了模型的準確率。在少數(shù)性狀和環(huán)境中,加入上位性效應(yīng)的模型表現(xiàn),與僅有加性效應(yīng)的模型相當或者略低。因此,常規(guī)水稻和小麥這種純系品種選育過程中利用GS方法時,應(yīng)盡可能在預(yù)測模型中考慮上位性效應(yīng)。4.全基因組選擇中多環(huán)境表型的預(yù)測研究利用一個水稻RIL群體在多個地點的表型試驗進行多環(huán)境GS研究。采用兩種育種場景的交叉驗證方案,比較不同模型的預(yù)測精度。結(jié)果表明,當被預(yù)測的品種在所有環(huán)境中都沒有觀測值時,多環(huán)境預(yù)測模型同單環(huán)境預(yù)測模型表現(xiàn)類似;當被預(yù)測的品種在其他環(huán)境中有觀測值時,多環(huán)境預(yù)測模型的預(yù)測準確性大大高于單環(huán)境模型。因此,多環(huán)境模型能有效利用環(huán)境之間的相關(guān)性,從而提高性狀預(yù)測的準確性。
【學位單位】：中國農(nóng)業(yè)科學院
【學位級別】：博士
【學位年份】：2019
【中圖分類】：S33
【部分圖文】：

非線性的函數(shù) ( )。在人工神經(jīng)網(wǎng)絡(luò)模型中，最基本的單元是“神經(jīng)元”，如圖1.1 所示：圖1.1 單個神經(jīng)元Figure 1.1 Single neuron神經(jīng)元通過輸入（ , , , 以及截距項 ）和激活函數(shù)（activation function）來獲得神經(jīng)元的輸出，

人工神經(jīng)網(wǎng)絡(luò)模型通過多個神經(jīng)元彼此相連而形成具有層次結(jié)構(gòu)的模型。人工神經(jīng)網(wǎng)絡(luò)模型包含三個層次，輸入層、隱層和輸出層。每一層都由數(shù)目不等的神經(jīng)元組成。其中輸入層和輸出層只有一層，隱層可以有多層。一個單隱層的人工神經(jīng)網(wǎng)絡(luò)模型如圖1.2 所示：圖1.2 單隱層人工神經(jīng)網(wǎng)絡(luò)模型Figure 1.2 Single hidden layer neuron network圖 1.2 是一個輸入層具有三個輸入神經(jīng)元，隱層具有三個隱藏神經(jīng)元和一個單輸出神經(jīng)元構(gòu)成的人工神經(jīng)網(wǎng)絡(luò)模型。在輸入層和隱層中，+1 表示截距項，又稱為偏倚單元（biasunit）。 代表第 層第 個神經(jīng)元的激活值�？梢钥闯觯瑥妮斎雽拥捷敵鰧臃譃閮刹�。首先，在隱層中，輸入層的變量（在全基因組選擇中的輸入變量是個體的基因型）的線性組合作為隱層神經(jīng)元的輸入，通過激活函數(shù)獲得隱層神經(jīng)元的激活值，激活值再通過輸出層神經(jīng)元的激活函數(shù)獲得最終的預(yù)測值。如果性狀為分類變量，輸出層的激活函數(shù)為sigmoid 函數(shù)。在全基因組選擇中，一個單隱層前饋神經(jīng)網(wǎng)絡(luò)可以表示為： ( ) = ( ) （19）其中
【相似文獻】

相關(guān)期刊論文 前10條

1 孫李紅;;基于灰色組合預(yù)測的國內(nèi)債券余額預(yù)測[J];哈爾濱商業(yè)大學學報(自然科學版);2012年02期

2 李濤;何承桂;沈健民;;隨工程進展的海堤沉降優(yōu)性組合預(yù)測研究[J];浙江水利水電專科學校學報;2011年02期

3 李樹冬;;試論組合預(yù)測的精度估計分析[J];上海交通大學學報(農(nóng)業(yè)科學版);2007年02期

4 馬永開,唐小我;兩種組合預(yù)測優(yōu)化模型的分析和比較[J];電子科技大學學報;1998年01期

5 王應(yīng)明,羅英;廣義加權(quán)比例平均組合預(yù)測技術(shù)研究[J];系統(tǒng)工程與電子技術(shù);1998年03期

6 王碩,唐小我,周俊;組合預(yù)測軟科學方法研究[J];運籌與管理;1999年01期

7 楊桂元，唐小我，馬永開;關(guān)于非負權(quán)重組合預(yù)測的若干問題的探討[J];電子科技大學學報;1996年02期

8 劉建國，張剛元，陳國先;多模型專家組合預(yù)測系統(tǒng)大綱[J];四川師范學院學報(自然科學版);1996年02期

9 徐大江;組合預(yù)測及其應(yīng)用研究[J];統(tǒng)計與預(yù)測;1996年01期

10 高仁祥，張世英，劉豹;組合預(yù)測貝葉斯方法研究[J];系統(tǒng)工程學報;1996年01期

相關(guān)博士學位論文 前10條

1 姚驥;全基因組選擇和育種模擬在純系育種作物親本選配和組合預(yù)測中的利用研究[D];中國農(nóng)業(yè)科學院;2019年

2 劉啟浩;風險值組合預(yù)測的理論與實證[D];北京工業(yè)大學;2009年

3 邴興國;城市土地儲備決策研究[D];天津大學;2009年

4 胡冠中;區(qū)域經(jīng)濟與高等教育協(xié)調(diào)發(fā)展研究[D];天津大學;2015年

5 廖瑞金;變壓器絕緣故障診斷黑板型專家系統(tǒng)和基于遺傳算法的故障預(yù)測研究[D];重慶大學;2003年

6 鐘儀華;特高含水油田開發(fā)規(guī)劃動態(tài)預(yù)測方法研究[D];西南石油大學;2008年

7 郭曉君;灰色自憶性組合預(yù)測拓展模型及應(yīng)用研究[D];南京航空航天大學;2015年

8 張雷;氣候變化對中國主要造林樹種/自然植被地理分布的影響預(yù)估及不確定性分析[D];中國林業(yè)科學研究院;2011年

9 詹蓉;面向即時顧客化定制的個性化需求預(yù)測方法研究[D];華中科技大學;2008年

10 劉穎;我國中藥產(chǎn)業(yè)競爭力評價體系研究[D];華北電力大學（北京）;2011年

相關(guān)碩士學位論文 前10條

1 錢慧蘭;基于MI算法的商品銷量組合預(yù)測[D];南京大學;2019年

2 趙勤;兩類改進的組合預(yù)測賦權(quán)方法及其應(yīng)用[D];安徽大學;2019年

3 霍江游;基于小波多分辨分解的股價波動分頻組合預(yù)測[D];江西財經(jīng)大學;2018年

4 張千露;組合預(yù)測在我國民航客運量預(yù)測的應(yīng)用[D];華中師范大學;2018年

5 勾海芝;大型風電場短期風功率預(yù)測研究[D];華北電力大學;2018年

6 吳濤;基于小波分解的基站電磁輻射研究[D];湘潭大學;2018年

7 季夢凡;風速和風電場功率組合預(yù)測及其不確定性分析[D];華北電力大學(北京);2018年

8 陶亭;基于GPS數(shù)據(jù)的公交車到站時間預(yù)測[D];長沙理工大學;2018年

9 李沫;手機端觸媒總數(shù)的組合預(yù)測[D];天津商業(yè)大學;2018年

10 葉雲(yún)霄;覆蓋權(quán)重投票法及其在能源市場預(yù)測中的應(yīng)用[D];西安科技大學;2018年

本文編號：2837279