一、BLUP模型及其在猪育种中的应用（论文文献综述）
朱韶华[1]（2021）在《高山美利奴羊羊毛品质与红细胞性状基因组选择和全基因组关联分析研究》文中研究表明高山美利奴羊是在高山寒旱生态区育成的羊毛纤维直径主体为19.1～21.5μm的一流毛肉兼用美利奴羊新品种,常年生活在高海拔寒旱地区,具有生产性能高、羊毛综合品质优和高原低氧适应性强等特点。与之突出特点相关的羊毛品质和抗高原缺氧等重要性状的基因组选择和全基因组关联分析研究仍处于起步阶段,如何提高育种值估计准确性来缩短世代间隔、加速遗传进展及挖掘与重要性状关联的候选基因已成为高山美利奴羊选育提高和品种完整结构建设中亟需解决的问题。本研究通过基因组选择和全基因组关联分析方法,以高山美利奴羊为研究对象,结合不同密度SNP微阵列数据,以GBLUP（Genomic Best Linear Unbiased Prediction）和Bayes-Alphabet模型为基础,研究不同因素对基因组育种值（Genomic Breeding value,GEBV）估计准确性的影响;采用全基因组关联分析对羊毛品质和高原低氧适应性相关的QTL进行精细定位以搜寻关键的区域信息和候选基因。研究结果如下:1.加性和显性遗传效应对基因组预测准确性的影响结合Affymetrix HD 630K微阵列分型数据,基于GBLUP模型,采用仅包含加性遗传效应的MAG模型（Model with Additive Effect GBLUP）和包含加性与显性遗传效应的MADG模型（Model with Additive and Dominance Effect GBLUP）对498只高山美利奴羊的共9种羊毛品质性状和高原低氧适应性相关的红细胞性状进行基因组预测,遗传方差组分估算结果显示,束纤维断裂伸长率、红细胞计数和红细胞压积三种性状的显性方差占总表型方差比例分别为73%、28%和25%,对其显性方差比例较高的性状,MAG模型获得的GEBV估计准确性更高;多重交叉验证的结果显示,两种模型的预测准确性,除毛丛长度（R2=0.25）和平均血红蛋白浓度（R2=0.12）之外,MAG模型均高于MADG。以上结果表明,MAG模型更适用于高山美利奴羊羊毛品质和红细胞性状的基因组预测。2.标记密度、统计模型和遗传力对基因组预测准确性的影响采用50K和630K两种不同密度的微阵列数据,基于GBLUP和Bayes-Alphabet模型对821只高山美利奴羊遗传力水平不同的6种羊毛品质性状进行基因组预测分析。遗传力估计结果显示,束纤维断裂伸长率和束纤维断裂强度的遗传力分别为0.29和0.35,为中等遗传力水平性状;毛丛长度、毛纤维直径、毛纤维直径变异系数和净毛率的遗传力分别为0.68、0.44、0.55和0.46,为高遗传力性状。标记密度由50K增加至630K后,束纤维断裂伸长率和束纤维断裂强度的预测准确性分别提高了11%（Bayes A）和13%（Bayesion LASSO）,净毛率和毛纤维直径变异系数仅提高了1%（Bayes B）,毛丛长度下降了6%（Bayesion LASSO）,表明增加标记密度可有效提高束纤维断裂伸长率等中等遗传力水平性状的GEBV估计准确性,但对毛丛长度等高遗传力水平性状影响微弱,甚至出现准确性下降的情况;GBLUP模型在中等遗传力水平性状的预测准确性均高于Bayes-Alphabet模型,Bayes B和Bayesion LASSO模型在高遗传力水平性状的准确性更高,表明GBLUP模型更适用于中等遗传力水平性状的基因组预测,Bayes B和Bayesion LASSO模型更适合高遗传力水平性状的基因组预测。3.羊毛品质和红细胞性状全基因组关联分析研究以498只高山美利奴羊组成的目标群体,利用单标记和单倍型,基于广义线性模型（Generalized Linear Models,GLM）对红细胞性状执行全基因组关联分析,通过基因定位和功能注释,筛选出DHCR24、EFNB2、SH2B3、PLCB1、SPATA9和FLI1六个基因作为影响群体高原低氧适应性的潜在候选基因,特别是PLCB1和FLI1,分别与红细胞生成、正常造血和携氧功能有密切关联;建立977只高山美利奴羊组成的目标群体,利用单标记,基于Farm CPU（Fixed and random model Circulating Probability Unification）模型对羊毛品质性状执行全基因组关联分析,筛选出PBX1、TRPC3、SLITRK5和PVRL1四个基因作为羊毛品质性状相关的潜在候选基因,特别是PBX1和SLITRK5,分别与毛囊间充质干细胞的衰老延迟与表皮的分化、表皮稳态有密切关联,上述结果可作为高山美利奴羊基因组预测研究中具有显着效应的潜在区域。本研究通过纳入加性与显性遗传效应对GBLUP模型进行了优化,发现束纤维断裂伸长率等显性方差占总表型方差比例较大的性状（大于25%）,MAG模型在GEBVs估计中具有更高的准确性,更适用于高山美利奴羊羊毛品质和红细胞性状的基因组预测。增加标记密度可有效提高束纤维断裂伸长率等中等遗传力水平性状的GEBVs估计准确性,但对毛丛长度等高遗传力水平性状影响甚微;通过两类模型的预测准确性比较,GBLUP模型更适合中等遗传力水平性状的基因组预测,Bayes B和Bayes LASSO模型更适合高遗传力水平性状的基因组预测。基于不同GWAS模型和标记类型,筛选出羊毛品质性状关联的4个候选基因（PBX1、TRPC3、SLITRK5和PVRL1）和高原低氧适应性关联的6个候选基因（DHCR24、EFNB2、SH2B3、PLCB1、SPATA9和FLI1）,特别是PLCB1和FLI1,分别与红细胞生成、正常造血和携氧功能有密切关联;PBX1和SLITRK5,分别与毛囊间充质干细胞的衰老延迟与表皮的分化、表皮稳态有密切关联。为高山美利奴羊的基因组选择提供适宜的GEBVs估计模型和具有重要效应的标记信息,并为高原家畜的功能基因挖掘提供有价值的参考。
李森[2]（2021）在《不同评估方法比较金陵黄鸡饲料利用效率性状的GS选择进展》文中认为家禽生产中,饲料成本占总饲养投入的70%以上。提高饲料利用效率不仅能够有效降低养殖成本,同时有利于减少含氮化合物的排放和保护生态环境。遗传选育是改进肉鸡品种饲料利用效率的主要途径,其中基因组选择是利用分子遗传标记信息进行畜禽育种的新一代技术,具有实现早期选择、加快选育进展和提高选择准确性的优势。本研究以快速型黄羽肉鸡群体为研究素材,对RFI以及相关性状进行遗传参数估计,比较不同基因组选择方法对饲料利用效率性状育种值估计的准确性,评估基因组选择技术对黄羽肉鸡饲料利用效率的选育效果。试验一,利用不同方法估计快速型黄羽肉鸡饲料利用效率性状的遗传参数并评估不同基因组选择方法的估计育种值准确性。试验测定3499只黄羽肉鸡42～56日龄体重和采食量,利用鸡55K SNP芯片进行基因分型。结果表明:42日龄体重、56日龄体重、日均增重、日均采食量、FCR、RFI和腹脂率等7个性状的遗传力介于0.10～0.62之间,不同方法估计的遗传力存在差异,利用系谱信息估计的遗传力均高于基于基因组标记信息估计的遗传力。RFI与腹脂率、日均采食量的遗传相关性较高,FCR与日均增重、腹脂率的遗传相关较高。SSGBLUP方法中,优化每个性状的基因型和系谱矩阵的权重比,能够有效提升基因组选择的预测准确性。对具有基因型信息个体,采用PBLUP、GBLUP、SSGBLUP、Bayes A和Bayes B等5种方法对7个性状进行准确性比较研究。结果显示,SSGBLUP方法对42日龄体重、日均采食量、FCR的预测准确性最佳,Bayes B对56日龄体重、日均增重、RFI的预测准确性最佳,Bayes A对腹脂率的预测准确性最佳,Bayes B对7个性状的平均预测准确性最高。对无基因信息的个体,采用传统BLUP和SSGBLUP两种方法对7个性状准确性进行比较研究,SSGBLUP的平均预测准确性高于PBLUP方法。试验二,利用基因组选择中SSGBLUP方法,以RFI和56日龄体重为主选性状对黄羽肉鸡进行选育。经过G1到G3世代的选育,饲料利用效率、生长以及屠体性状均取得了不同程度的进展。育种值进展中,群体RFI下降1.69g,FCR下降0.04,56日龄体重增加57.66g,可食率上升0.21个百分点,腹脂率下降0.34个百分点;表型值进展中,公鸡的56日龄体重提升14.33%,FCR增加7.86%,可食率增长9.49%,腹脂率降低32.37%;母鸡的56日龄体重提升7.85%,FCR降低4.68%,可食率增长8.98%,腹脂率降低34.08%。整体而言,各性状表型与育种值进展保持一致,选育性状均取得了明显的提升。综上所述,本研究群体中黄羽肉鸡FCR和RFI为中等偏低的遗传力,SSGBLUP和Bayes B分别对FCR和RFI的预测准确性最高。采用基因组选择和综合指数结合的方法,以RFI和体重为主选性状对黄羽肉鸡进行选育,能够有效提高黄羽肉鸡饲料利用效率和产肉率。
邢文凯,刘建,刘燊,王闯,雷明刚[3]（2021）在《猪基因组选择育种研究进展》文中提出全基因组选择是指利用覆盖整个基因组的高密度SNP计算个体的基因组估计育种值（Genomic Estimated Breeding Value,GEBV）。利用全基因组遗传标记信息对个体进行遗传评估,可以通过早期选择缩短世代间隔,提高GEBV的准确性,降低近交系数从而提高种猪的遗传进展。近年来,随着基因分型成本下降,全基因组选择技术越来越多地应用在猪育种工作中。本文主要从全基因组选择的步骤、分型技术和计算模型等方面进行综述,总结全基因组选择在猪育种中的优势和应用情况,对全基因组选择技术在我国猪育种中的应用提出建议。
任慧波,朱吉,崔清明,邓缘,刘莹莹,胡雄贵,李华丽,陈晨[4]（2020）在《猪育种技术研究进展》文中研究说明在养猪生产中,种猪育种对养猪业起着极为重要的作用,猪育种技术一直是人们研究的热点。文章从常规育种、分子育种、繁殖生物和基因工程四大方面阐述了猪育种新技术及其应用进展,以期为猪育种技术的进一步融合应用提供参考。
李勇[5]（2020）在《不同SNP分型技术在猪基因组选择中效果评估及全基因组关联研究》文中认为猪肉是我国居民最为重要的动物性蛋白来源之一,提升种猪质量、选育优秀种猪决定着养猪业可持续发展的潜力。从历史角度看,常规育种手段在种猪选育方面已取得巨大的成功,然而单一技术手段的“瓶颈效应”也日趋严重。近年来,基因组选择理论的提出和技术的应用弥补了传统选育手段的不足,尤其在早期选择以及低遗传力性状的预测准确性提升方面有明显的比较优势,越来越多的育种企业开始利用基因组选择育种技术来加快选育进展。然而当前的基因组选择还存在诸多限制因素,其中最关键的是预测准确性问题,这与不同的种群结构、有效群体大小、性状的遗传特性以及标记的密度密切相关。相比奶牛而言,猪的种群结构、品种多样性以及经济性状的特征都截然不同,仅仅加大参考群数量并不能从根本上解决问题,需要从标记密度、类型等不同的技术角度来提升基因组选择的准确性。基因组测序技术的发展为人们低成本获取全基因序列水平的标记奠定了基础。更高密度的标记可以获取几乎所有的连锁不平衡信息,甚至直接利用致因变异作为性状基因组育种值评估的信息,这为解决种群结构、复杂性状的遗传评估提供了可能。本研究从基因组测序角度出发,研究不同的测序策略产生的不同密度的标记在基因组选择中的应用效果。首先选择成本低廉的简化基因组测序（RAD-seq）手段,评估其对大白猪低遗传力性状选择准确性的提升效果,同时通过与现行SNP芯片技术进行比较,阐述简化基因组技术的应用价值;其次利用高密度的低深度重测序技术来进行基因组育种值评估;最后,利用全基因关联分析和精细定位手段解析初生重、体长等重要经济性状的遗传基础,并鉴定到多个重要候选基因,为鉴定致因变异在基因组选择中的应用奠定基础。具体结果如下:1.本研究利用RAD-seq对618头大白猪进行基因分型,个体平均测序量为580M,鉴定到79,725个高质量的SNP,群体中的平均检出率为88.1%,SNP之间的平均间隔为32.5kb。为了验证RAD-seq技术在基因组选择中的有效性,本研究将618头大白猪群体按近似4:1的比例划分为参考群和验证群,在验证群表型值未知时分别考察BLUP方法和两种基因组育种值预测方法:GBLUP和SS-GBLUP对验证群育种值预测的准确性和偏向性。结果表明GBLUP对验证群个体育种值预测的准确性从BLUP的0.109（TNB）,0.067（NBA）和0.009（LW）分别提高至0.220、0.184和0.205,而SS-GBLUP的预测准确性与GBLUP几乎相同;此外,GBLUP和SS-GBLUP明显改善了育种值预测的偏向性。同时,通过对大效应位点鉴定与利用并与BLUP结果进行比较,发现预测准确性显着提升（14.1%-135.7%）。2.为了比较同一群体中不同分型方法对基因组育种值估计准确性的影响,本研究同时利用RAD-seq和60K SNP芯片对453头大白猪群体进行基因分型,个体平均测序量为1.4G。分析结果表明:利用RAD-seq获得了139,634个SNP,而60K SNP芯片分析中仅获得45,175个SNP;RAD-seq获得的SNP超过80%之间的平均间隔小于15kb,而SNP芯片相似间隔的不到20%。比较分析表明RAD-seq发现低频SNP（MAF<0.1）的可能性是SNP芯片的两倍。利用GBLUP方法对生长、繁殖、体尺、胴体等性状进行基因组育种值估计,结果表明除100kg校正日龄、100kg校正日增重外,其他性状的估计准确性在RAD-seq、SNP芯片以及两种方法的合并数据等不同处理间差异较小,如胴体性状方面的差异在16.5%以内,体尺性状的差异在20%以内,初生重性状的差异在18.5%以内。利用初生重性状精细定位获得的大效应位点进行MBLUP分析,准确性较其他处理提高42.3%-78.4%,无偏性接近于1。3.通过对1097头大白猪进行不同策略的低深度重测序分析,结果发现不同批次、不同深度之间错配率、比对率、实际深度以及覆盖度方面稳定性较好。从测序深度与基因组覆盖率的相关性看,0.5×时覆盖度约为35%,1×时约为60%,2×时约为80%。与10×的基因组测序数据相比,无论是1×还是2×的深度基因型分型准确性都超过99%。同时,将1×的数据与60K SNP芯片的数据进行比较,两者重合的位点数能达到67%,并且其余的位点都和1×的位点紧密连锁。这些结果显示1×的测序深度是成本考虑下最合适的选择。4.利用低深度重测序（1×）获得了15,506,511个SNPs,在1097头大白猪群体中开展基因组预测准确性评估,与常规BLUP相比,超高密度标记可以有效地提高窝产活仔数、初生窝重、窝产健仔数等性状的基因组预测准确性,提升范围为33.3%-128%;与抽取的60K SNP标记相比,各性状基因组预测准确性提升范围在10.5%-46.6%。5.利用RAD-seq和SNP芯片获得的合并标记信息对大白猪和长白猪初生重进行GWAS研究,鉴定到2个与猪初生重显着关联的区域,分别能解释6.36%和4.25%的表型变异;同时对RAD-seq和SNP芯片数据集分别做GWAS,结果表明第4号染色体上的区域对RAD-seq数据集有效,但对SNP芯片数据集无效;其中染色体1上的区域则相反。体长性状方面,利用RAD-seq获得的数据集鉴定到1个显着关联的区域,能解释3.69%的表型变异。分别对这些关联区域通过品种特异性的序列水平标记填充进行精细定位研究,将致因变异所在区域缩小到～100-880 kb的间隔,这些区域包含6个重要候选基因:SKOR2、SMAD2、VAV3、NTNG1、TWIST2和PER2,这些基因与生长发育、骨骼发育等重要生物学过程有关。RAD-seq和低深度测序在猪基因组选择中效果评估研究有助于推动基因组测序作为基因组育种的主要分型技术,减少对国外SNP芯片的依赖,同时逐步积累的海量全基因数据,为我国构建新的育种理论或假设奠定基础。
袁泽湖[6]（2020）在《整合GWAS和eQTL先验的绵羊部分肉用性状全基因组选择研究》文中研究表明遗传进展与全基因组选择（genomic selection,GS）的准确性成正相关,揭示绵羊肉用性状的遗传机理和提高GS的准确性是肉羊遗传育种研究的重要内容。但当前较高的测序成本和较低的经济回报限制了绵羊肉用性状的遗传机制解析以及GS在肉羊育种中的应用。因而本论文对149个杂种绵羊个体（母本:美利奴×边区莱斯特羊、库普沃斯羊,父本:无角陶赛特、白萨福克）进行高密度芯片（600K）分型后填充为全基因组单核苷酸多态位点（single nucleotide polymorphism,SNP）并对肌肉和肝脏进行转录组测序后进行三种分子表型（即基因表达量、外显子表达量和可变剪切）定量分析、表达数量性状基因座（expression quantitative trait loci,eQTL）分析、以及分子表型与肉用性状的关联分析以期初步解析绵羊肉用性状的遗传机理。在此基础上,选用多品种绵羊群体（主要有美利奴羊、边区莱斯特、边×美杂种羊、无角陶赛特、白萨福克、无角陶赛特和白萨福克（父本）与美利奴和边×美杂种羊（母本）的杂种羊）通过整合全基因组关联分析（genome-wide association study,GWAS）和eQTL的先验对部分具有代表性的肉用性状进行GS分析以期为肉羊育种提供成本低、通用性强和准确性高的GS策略。研究结果如下:1.绵羊肌肉和肝脏转录水平的分子表型分析对149只绵羊的肌肉和肝脏组织共计298个样本进行转录组测序,对基因表达量、外显子表达量和可变剪切（内含子切除率）进行定量分析并估计其遗传力。研究结果表明在肝脏中3780个可遗传基因（h2>0,27.94%）、51975个外显子（81.37%）和51940（56.64%）个内含子切除事件的遗传力中位数分别为0.17、0.26和0.13,平均遗传力分别为0.24、0.30和0.19。在肌肉中,5143个可遗传基因（39.60%）、52247个外显子（86.75%）和53928个内含子切除事件（61.80%）的遗传力中位数分别为0.22、0.36和0.16,平均遗传力分别为0.30、0.41和0.22。许多分子表型的遗传力较低或等于0,表明环境因素对分子表型有相当大的影响。在肝脏和肌肉中,外显子的遗传力和可遗传外显子的比率最高,表明外显子是一种遗传信息丰富的分子表型,能在一定程度上代表基因和可变剪切的信息。2.绵羊肌肉和肝脏中的eQTL分析将149只羊肌肉和肝脏组织的三种分子表型和其个体填充的全基因SNPs进行eQTL分析。在肝脏中,检测到441859个显着（P<1e-5）的geQTL（gene expression QTL,geQTL）、478640个显着的eeQTL（exon expression QTL,eeQTL）和794248个显着的sQTL（splicing QTL,sQTL）。在肌肉中,共鉴定出287471个显着的geQTL、327006个显着的eeQTL和523104个显着的sQTL。显着eQTL与转录起始位点（transcription start sites,TSS）距离的中位数在85.92128.35Kb之间。不同组织和不同类型的eQTL之间显着重叠（P<0.05）,表明不同组织和不同类型eQTL之间能够提供部分相同的遗传信息。eQTL显着富集（P<0.05）在肉用性状GWAS显着的多效性基因组区域和脂肪酸GWAS显着的基因组区域。上述结果表明SNPs可能通过调控转录水平的分子表型进而调控绵羊肉用表型,比如,在肝脏和肌肉中分别鉴定出319个和314个显着的（P<1e-5）sQTL锚定到钙蛋白酶抑制蛋白基因（CAST）,之前的GWAS研究发现CAST是一个与肉嫩度相关的候选基因。3.分子表型与肉用性状的关联分析对1中的149个个体收集41种肉用性状表型数据并与1中定量获得的三种分子表型进行关联分析。41个常规肉用性状大多属于中低遗传力性状。分子表型所能解释的表型变异分析发现肌肉中的分子表型所能解释的表型变异高于肝脏中的分子表型。与41个肉用性状显着关联（P<0.05）的分子表型中,肝脏中GYS2的表达量与零售颜色第二天630/580比率（ratio 630/580 day2,RCR2）显着（P<0.05）相关;肝脏中内含子切除事件V76667（15:49393786-49506051,锚定到STIM1）与胴体眼肌面积（carcass eye muscle area,CEMA）显着（P<0.05）相关;肌肉中PSMB1的表达量与胴体眼肌宽度（carcass eye muscle width,CEMW）显着（P<0.05）相关。4.整合GWAS和eQTL先验的绵羊部分肉用性状全基因组选择整合1中分析获得的eQTL结果和前期GWAS的结果获得13K核心SNPs位点,核心SNPs位点主要位于1、2、3、6和11号染色体。将核心SNPs添加在50K基准芯片上,利用GBLUP、BayesR和BayesRC方法评估多品种绵羊群体中6个具有代表性肉用性状GS的准确性（9025个C位点脂肪厚;19071个胴体眼肌深度;11991个断奶眼肌深度;7611个肌内脂肪含量;14638个断奶重;8734个肌肉第5天剪切力）。以50K芯片GBLUP方法GS的准确性为基准。研究结果表明拟合一个基因组亲缘关系矩阵（genomic relationship matrix,G）的GBLUP方法和拟合两个G矩阵的GBLUP方法在美利奴羊群体中平均提高了0.041、0.055的准确性;在边×美杂种羊群体中平均提高了0.0355、0.041的准确性。BayesR和BayesRC方法在美利奴羊群体中平均提高了0.0609、0.0613的准确性;在边×美杂种羊群体中平均提高了0.0655、0.0716。平均而言,整合GWAS和eQTL的先验信息能够提高绵羊肉用性状GS的准确性。
杨岸奇,陈斌,冉茂良,杨广民,曾诚[7]（2020）在《基因组选择在猪杂交育种中的应用》文中认为基因组选择是指在全基因组范围内通过基因组中大量的标记信息估计出个体全基因组范围的育种值,可进一步提升育种效率和准确性,目前在猪纯繁育种中得到广泛应用。但有研究表明,现有的基因组选择方法在猪杂交育种上的应用效果并不理想,在跨群体条件下预测准确性极低。杂交作为养猪业中最为广泛的育种手段之一,通过结合基因组选择理论进一步提升猪的生产性能,具有重要的经济和研究价值。本文综述了基因组选择的发展及其在猪育种中的应用现状,并结合国内外猪杂交育种的方式,分析了目前基因组选择方法在猪杂交育种应用方面的不足,旨在为未来基因组选择在猪杂交育种中的合理应用提供参考。
彭潇[8]（2019）在《猪不同遗传复杂度性状全基因组选择准确性评估》文中研究指明猪作为一种经济动物,其产品深受广大消费者喜爱。养猪业作为我国畜牧行业的重要领域,猪的育种工作显得尤为重要。传统育种方法的周期长且耗费巨大的人力和财力,而全基因组选择具有提高育种值估计准确性、增加年遗传进展、降低成本等优势。但由于目前基因组选择的方法多,猪的性状较为复杂,针对不同遗传复杂度性状,研究基于不同假设的统计方法比较基因组选择的效果,选择合适的模型,制定合理的选育策略,进而加快猪的遗传改良。本研究以收集的大白猪乳头数和达100kg背膘厚与长白猪乳头数和达100kg日龄的数据为分析对象,首先对性状进行遗传力估计,然后对群体进行全基因组关联分析,最后对不同遗传复杂度性状开展基因组选择。研究结果如下:（1）收集并整理了9412头大白和8215头长白猪的表型数据,其中大白猪乳头数、大白猪达100kg背膘厚、长白猪乳头数、长白猪达100kg日龄的平均值±标准差分别为14.09±0.49、10.67±2.44、14.30±0.73、157.30±11.99。（2）利用系谱信息估计大白乳头数和达100kg背膘厚与长白乳头数和达100kg日龄的遗传力分别为0.150、0.312、0.210和0.409。利用全基因组信息估计大白乳头数和达100kg背膘厚与长白乳头数和达100kg日龄的遗传力分别为0.076、0.237、0.125和0.126。利用综合系谱及全基因组信息估计大白乳头数和达100kg背膘厚与长白乳头数和达100kg日龄的遗传力分别为0.081、0.249、0.133和0.136。利用系谱信息估计的遗传力高于综合系谱及基因组信息估计的遗传力,利用综合信息估计的遗传力高于利用全基因组信息估计的遗传力。（3）针对猪的不同遗传复杂度性状为分析对象,结合50K SNP芯片分型数据,进行全基因组关联分析,以加性模型为基础,利用5倍和10倍交叉验证比较GBLUP、ssGBLUP、BayesA、BayesB、BayesC、Bayesian LASSO、BSLMM和BayesR方法的基因组选择准确性和无偏性。针对大白猪乳头数、长白猪乳头数和达100kg日龄性状使用ssGBLUP方法进行基因组选择效果最佳,针对大白猪达100kg背膘厚使用BayesC方法进行基因组选择效果最佳。针对猪的不同遗传复杂度性状进行基因组选择时,使用ssGBLUP方法的效果优于GBLUP。（4）性状的遗传复杂程度对基因组选择的效果有重要的影响。8种方法的预测准确性大致表现出与性状遗传力估计成正相关。通过实际的群体数据探究全基因组选择的模型,确定不同遗传复杂度性状选择方法的效果并提高预测的稳定性,为国内猪的基因组选育提供合理的参考。
姜超[9]（2019）在《安徽省生猪联合育种体系建立与成效》文中认为中国是猪肉食品消费大国,且生猪养殖规模和存栏量也位居世界第一。但生产效率亟待提升,其中种猪的质量是影响生产效率的重要因素之一。尤其在受到非洲猪瘟的侵袭之后,这一需求变得更加迫切。2009年8月正式发布的《国家生猪遗传改良计划（2009-2020）》,提出从国家战略高度,通过联合育种的方式,来持续提高种猪核心群的质量。实施区域性联合育种,不仅可以提升区域内核心种猪场的技术水平,还能通过加强遗传联系,助力国家联合育种计划的实施。所以在此前提下积极地探索区域性的联合育种工作。本课题以安徽省内生猪核心育种场为对象,收集整理了生长和繁殖性状表型数据,并进行遗传评估分析。其中生长性状包括达100kg体重日龄和100kg体重活体背膘厚,繁殖性状包括总产仔数,通过BLUP方法计算出各个性状的育种值,并对不同性状的EBV进行经济加权得到选择指数。研究结果如下:1.场一和场二对三个品种猪达100kg体重日龄在2012-2017年的时间内选育效果较好,两个场EBV值呈比较稳定的下降趋势,但其他场的选育波动性比较大,变化不稳定。2.场三对杜洛克猪背膘厚的选育一直呈下降趋势,场四长白猪和大白猪背膘厚在2014年之后遗传进展变好且呈稳定的下降,其他场在这几年内波动大且较不稳定。3.场一总产仔数遗传选育进展较好,而其他场对这一性状的遗传进展不稳定、波动较大。尤其场三三个品种猪在总产仔数这一目标性状上其EBV值一直处于下降趋势。4.区域联合进展分析中,三个品种猪达100kg体重日龄遗传进展较好,育种值能呈现稳定的下降趋势。杜洛克猪背膘厚在2013年之后能稳定呈现稳定的下降趋势,但是长白猪和大白猪波动较大。三个品种总产仔数波动都比较大,遗传进展都不能稳定变化。5.五个场间整体关联性还有待提高。其中场一和场二杜洛克猪、长白猪和大白猪关联率分别为1.40%、1.90%和4.20%;场二和场三这三个品种关联率分别为0.50%、1.60%、0.10%,其他场间关联率为0。
郭猛[10]（2019）在《联合不同品系大白猪对总乳头数进行全基因组遗传评估》文中认为全基因组选择（Genomic selection,GS）是目前重要的遗传改良方法,对动物的遗传评估具有重要意义,并已在不同物种中得到广泛应用。参考群规模是影响GS进行全基因组遗传评估的重要因素,在多群体遗传评估中,GS通常是在遗传背景相近的群体中实施的,而实际生产中,具有相近遗传背景群体的规模又比较小。因此有必要探索通过合并群体扩大规模提高基因组育种值（Genomic estimated breeding value,GEBV）估计准确性的可行性及策略。乳头数属于中等遗传力性状,是一个重要的繁殖性状。本研究拟分析通过合并丹系大白猪和美系大白猪总乳头数数据以扩大参考群规模提高总乳头数GEBV估计准确性的最优策略。首先,通过估计丹系大白猪和美系大白猪总乳头数性状遗传参数以确定这两群体该性状遗传相关性。其次,综合线性混合模型（Linear mixed model,LMM）和贝叶斯C模型两种基因组关联分析,继而判断两群体的总乳头数遗传背景是否有差异。最后,考虑参考群规模和遗传背景因素,设计4种遗传评估模型对GEBV进行预测:（1）假设遗传背景有差异,不扩大参考群规模,记为模型M1;（2）假设遗传背景无差异,扩大参考群规模,记为模型M2;（3）在模型M2基础上添加品系效应,记为模型M3;（4）假设遗传背景有差异,扩大参考群规模,记为M4。主要结果如下:1.丹系大白和美系大白猪总乳头数遗传参数估计结果（1）对具有10060头表型信息和1497头基因型信息的丹系大白猪的遗传力估计显示:传统BLUP方法估计的遗传力为0.167±0.02;GBLUP方法估计的遗传力为0.095±0.03;（2）对具有13060头表型信息和1793头基因型信息的美系大白猪的遗传力估计显示:传统BLUP方法估计的遗传力为0.423±0.02;GBLUP方法估计的遗传力为0.402±0.04;（3）丹系大白猪总乳头数性状和美系大白猪总乳头数性状遗传相关为0.789±0.328。2.丹系大白和美系大白猪总乳头数全基因组关联分析结果（1）采用LMM方法,发现丹系大白猪和美系大白猪中与总乳头数显着关联位点都位于7号染色体,但区域不同,丹系大白猪位于97.1997.80Mb区域,美系大白猪位于97.0898.09Mb区域;采用贝叶斯C方法,发现丹系大白猪中与总乳头数显着关联区域位于7号染色体上,美系大白猪中与总乳头显着关联区域位于3号、4号、7号、10号、11号染色体上。上述结果表明,丹系大白猪和美系大白猪中控制总乳头数的染色体区域不完全相同,遗传背景不完全相同。（2）联合分析上述全基因组关联分析结果,并通过连锁不平衡分析,在丹系大白猪中发现了PTGR2、FAM161B、ENTPD5、LIN52、ABCD4、VRTN、SYNDIG1L、NPC2、LTBP2等9个猪乳头数相关候选基因,美系大白猪中发现了ELMSAN1、PTGR2、FAM161B、ENTPD5、LIN52、ABCD4、VRTN、NPC2、LTBP2、FCF1、YLPM1、PROX2、DLST等13个候选基因。3.四种模型对猪总乳头数性状的基因组估计育种值预测结果（1）丹系大白猪中预测效果显示:在4个模型中,用模型M4预测的基因组育种值准确性和精确性最好,模型M1表现次之,模型M2和M3预测的基因组育种值准确性和精确性最差,模型M4和其它模型组合的秩相关性都较高。（2）美系大白猪中预测效果显示:在4个模型中,模型M4预测的基因组育种值准确性和精确性最好。在育种值准确性中,模型M2、M3仅次于模型M4,模型M1表现最差。在育种值精确性中,模型M1仅次于模型M4,模型M2、M3表现最差,模型M4和其它模型组合的秩相关性都较高。结论:（1）在丹系大白猪和美系大白猪中,控制总乳头数的候选基因不完全相同,同时,染色体上有相同的关联区域和各自独有的关联区域,表明两品系该性状遗传背景存在差异;（2）本研究中丹系大白猪和美系大白猪的合并分析提高了猪乳头数GEBV准确性;（3）模型M4同时考虑到了遗传背景和参考群规模对基因组预测的影响,是联合两群体数据进行基因组遗传评估的最优策略。
二、BLUP模型及其在猪育种中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、BLUP模型及其在猪育种中的应用（论文提纲范文）
（1）高山美利奴羊羊毛品质与红细胞性状基因组选择和全基因组关联分析研究（论文提纲范文）
| 摘要 |
| SUMMARY |
| 英文缩略表 |
| 第一章 文献综述 |
| 1.1 畜禽遗传评估的方法与研究进展 |
| 1.2 全基因组关联分析 |
| 1.3 基因分型的方法 |
| 1.4 本研究的目的和意义 |
| 第二章 加性和显性遗传效应对羊毛品质和红细胞性状GEBV估计准确性的影响研究 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.3 结果与分析 |
| 2.4 讨论 |
| 2.5 小结 |
| 第三章 统计模型、标记密度和遗传力对羊毛品质GEBV估计准确性的影响研究 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.3 结果与分析 |
| 3.4 讨论 |
| 3.5 小结 |
| 第四章 羊毛品质和红细胞性状的全基因组关联分析研究 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.3 结果与分析 |
| 4.4 讨论 |
| 4.5 小结 |
| 第五章 结论 |
| 5.1 主要结论 |
| 5.2 创新点 |
| 5.3 后续研究内容 |
| 参考文献 |
| 附表与附录 |
| 致谢 |
| 作者简介 |
| 导师简介 |
（2）不同评估方法比较金陵黄鸡饲料利用效率性状的GS选择进展（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 前言 |
| 1.2 剩余采食量概述 |
| 1.2.1 剩余采食量的提出 |
| 1.2.2 剩余采食量的计算模型 |
| 1.2.3 剩余采食量的遗传参数估计 |
| 1.2.4 剩余采食量的影响因素 |
| 1.2.5 剩余采食量在不同畜禽中的研究 |
| 1.3 育种方法 |
| 1.3.1 传统育种方法 |
| 1.3.2 标记辅助选择 |
| 1.3.3 基因组选择 |
| 1.3.4 基因组选择的影响因素 |
| 1.4 基因组选择在不同畜禽中的研究 |
| 1.4.1 基因组选择在牛中的研究 |
| 1.4.2 基因组选择在猪中的研究 |
| 1.4.3 基因组选择在家禽中的研究 |
| 1.5 研究目的及意义 |
| 1.6 研究内容与技术路线 |
| 1.6.1 研究内容 |
| 1.6.2 技术路线 |
| 第二章 肉鸡饲料利用效率性状的基因组选择 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 素材来源 |
| 2.2.2 表型记录 |
| 2.2.3 SNP芯片分型、质量控制和基因型填充 |
| 2.2.4 遗传参数估计 |
| 2.3 育种值预测模型 |
| 2.3.1 BLUP |
| 2.3.2 GBLUP |
| 2.3.3 SSGBLUP |
| 2.3.4 BayesA |
| 2.3.5 BayesB |
| 2.3.6 准确性评估标准 |
| 2.4 结果 |
| 2.4.1 表型描述性统计结果 |
| 2.4.2 遗传参数估计 |
| 2.4.3 不同信息矩阵估计的亲缘关系 |
| 2.4.4 调整H矩阵中的权重比 |
| 2.4.5 不同方法对肉鸡饲料利用效率性状的预测准确性分析 |
| 2.4.6 无基因型信息个体的预测准确性分析 |
| 2.5 讨论 |
| 2.5.1 饲料利用效率及相关性状遗传参数估计 |
| 2.5.2 SSGBLUP基因组预测最佳权重比分析 |
| 2.5.3 基因组选择准确性 |
| 第三章 黄羽肉鸡RFI及相关性状的选育效果分析 |
| 3.1 引言 |
| 3.2 育种素材与目标 |
| 3.3 参考群构建 |
| 3.4 育种值估计 |
| 3.5 选育情况及方法 |
| 3.6 选择效果分析 |
| 3.6.1 体重的选择效果 |
| 3.6.2 料重比的选择效果 |
| 3.6.3 胴体性状的选择效果 |
| 3.7 讨论 |
| 3.7.1 饲料利用效率及生长性状的进展分析 |
| 3.7.2 胴体性状的进展分析 |
| 第四章 全文结论 |
| 4.1 主要结论 |
| 4.2 黄羽肉鸡基因组选择存在的问题以及展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（3）猪基因组选择育种研究进展（论文提纲范文）
| 1 全基因组选择步骤 |
| 2 全基因组选择的SNP分型技术 |
| 2.1 高密度SNP芯片 |
| 2.2 简化基因组测序 |
| 2.3 全基因组重测序 |
| 3 全基因组选择的计算方法 |
| 3.1 直接法 |
| 3.2 间接法 |
| 3.3 机器学习（Machine Learning）法 |
| 3.4 计算模型的选择 |
| 4 影响全基因组选择准确性的主要因素 |
| 4.1 参考群规模大小 |
| 4.2遗传力的高低 |
| 4.3 SNP密度和数量 |
| 4.4 参考群和候选群的遗传联系 |
| 4.5参考群的更新 |
| 5 全基因组选择在猪育种中的优势 |
| 5.1 提高性状的选择准确性 |
| 5.2实现早期选择 |
| 5.3保持遗传变异 |
| 6 全基因组选择在猪育种中的研究应用 |
| 6.1 全基因组选择在父系猪中的研究应用 |
| 6.2 全基因组选择在母系猪中的研究应用 |
| 7 建议与展望 |
（4）猪育种技术研究进展（论文提纲范文）
| 1 常规育种技术 |
| 1.1 性能测定技术 |
| 1.2 遗传评估技术 |
| 2 分子育种技术 |
| 2.1 猪基因图谱的构建 |
| 2.2 经济性状主效基因和QTL定位 |
| 2.3 标记辅助选择 |
| 2.4 全基因组选择 |
| 3 繁殖生物技术 |
| 3.1 人工授精技术 |
| 3.2 克隆技术 |
| 4 基因工程技术 |
| 4.1 转基因技术 |
| 4.2 基因编辑技术 |
| 5 结语 |
（5）不同SNP分型技术在猪基因组选择中效果评估及全基因组关联研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表(Abbreviations) |
| 1 前言 |
| 1.1 研究问题的由来 |
| 1.2 猪基因组选择研究进展 |
| 1.2.1 猪基因组选择提出背景 |
| 1.2.2 猪基因组选择研究进展 |
| 1.3 基因组选择准确性的影响因素分析 |
| 1.4 新一代测序技术在畜禽基因组育种中的应用 |
| 1.4.1 基于新一代测序的基因分型技术介绍 |
| 1.4.2 新一代测序技术在畜禽基因组育种中应用的研究进展 |
| 1.5 精细定位在猪致因突变鉴定方面的研究进展 |
| 1.6 研究的目的和意义 |
| 1.7 研究技术路线 |
| 2 第一章大白猪繁殖性状全基因组选择效果评估 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 群体背景结构与表型数据统计性描述 |
| 2.2.2 RAD-seq建库实验仪器 |
| 2.2.3 RAD-seq实验试剂及配置 |
| 2.2.4 建库实验方法 |
| 2.2.4.1 接头退火 |
| 2.2.4.2 文库构建与文库质控 |
| 2.2.5 测序数据分析方法 |
| 2.2.6 基因组育种值预测方法 |
| 2.2.6.1 BLUP育种值预测方法 |
| 2.2.6.2 GBLUP方法 |
| 2.2.6.3 SS-GBLUP方法 |
| 2.2.6.4 基于标记辅助的BLUP技术(Marker-assisted BLUP,MBLUP)方法 |
| 2.2.6.5 育种值预测的准确性与偏向性 |
| 2.3 结果与分析 |
| 2.3.1 RAD-seq测序数据统计 |
| 2.3.2 基于RAD-seq的 SNP分型 |
| 2.3.3 遗传参数估计 |
| 2.3.4 育种值估计准确性 |
| 2.3.5 育种值估计的偏向性 |
| 2.3.6 基于大效应位点的育种值计算 |
| 2.4 讨论 |
| 3 第二章RAD-seq技术和SNP芯片对大白猪全基因组选择效果比较 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 表型与系谱 |
| 3.2.2 基于BGI-seq500的RAD-seq |
| 3.2.3 RAD-seq数据分析 |
| 3.2.4 SNP芯片检测与数据分析 |
| 3.2.5 方差组分和性状遗传力估计 |
| 3.2.6 育种值估计准确性评估 |
| 3.3 结果与分析 |
| 3.3.1 基于系谱数据估计遗传力的大白猪表型统计 |
| 3.3.2 用于基因组遗传力估计和育种值准确性评估的大白猪表型统计 |
| 3.3.3 测序数据分析 |
| 3.3.4 芯片数据统计 |
| 3.3.5 RAD-seq与 SNP芯片数据比较 |
| 3.3.6 遗传力估计结果 |
| 3.3.7 育种值估计准确性评估 |
| 3.4 讨论 |
| 4 第三章:低深度重测序技术在猪基因组选择中的研究 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 表型与系谱 |
| 4.2.2 全基因组重测序建库仪器 |
| 4.2.3 全基因组重测序建库试剂 |
| 4.2.4 全基因组建库方法 |
| 4.2.5 高深度重测序数据获取及分析 |
| 4.2.6 低深度重测序 |
| 4.2.7 低深度重测序数据分析 |
| 4.2.8 填充准确性分析 |
| 4.2.9 遗传结构分析 |
| 4.2.10 基因组预测 |
| 4.2.11 育种值预测准确性 |
| 4.3 结果与分析 |
| 4.3.1 低深度重测序数据分析 |
| 4.3.2 低深度重测序准确性评估 |
| 4.3.3 群体遗传结构分析 |
| 4.3.4 基因组预测准确性 |
| 4.4 讨论 |
| 5 第四章:初生重、体长性状相关功能基因的精细定位 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.2.1 群体结构背景与表型数据统计性描述 |
| 5.2.2 RAD-seq建库测序及分析 |
| 5.2.3 SNP芯片分型及分析 |
| 5.2.4 全基因组测序数据分析 |
| 5.2.5 序列填充 |
| 5.2.6 方差组分估计和遗传力 |
| 5.2.7 全基因组关联分析 |
| 5.2.8 精细定位 |
| 5.2.9 基因功能注释 |
| 5.3 结果与分析 |
| 5.3.1 全基因组关联分析 |
| 5.3.2 精细定位 |
| 5.3.3 候选基因分析 |
| 5.4 讨论 |
| 6 总结 |
| 6.1 本研究的主要结论 |
| 6.2 本研究的创新点 |
| 6.3 本研究不足之处与进一步建议 |
| 参考文章 |
| 附录 I 实验方法与数据 |
| 附录 II 在读期间研究成果 |
| 致谢 |
（6）整合GWAS和eQTL先验的绵羊部分肉用性状全基因组选择研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩略词表 |
| 第一章 文献综述 |
| 1.1 主要畜禽参考基因组 |
| 1.2 基于测序的低成本分型策略 |
| 1.2.1 核心个体法 |
| 1.2.2 低深度的测序分型 |
| 1.3 生物学先验信息的类型 |
| 1.3.1 先验发现群体 |
| 1.3.2 基因组水平的先验信息 |
| 1.3.3 转录水平的先验信息 |
| 1.3.4 其它先验信息 |
| 1.4 整合生物学先验的全基因组选择方法 |
| 1.4.1 BLUP相关方法 |
| 1.4.2 Bayes方法 |
| 1.4.3 其他方法 |
| 1.5 奶牛和肉羊整合生物学先验信息的GS研究进展 |
| 1.5.1 奶牛 |
| 1.5.2 肉羊 |
| 1.6 研究的目的与意义 |
| 1.7 论文技术路线 |
| 第二章 绵羊肌肉和肝脏转录水平的分子表型分析 |
| 2.1 引言 |
| 2.2 材料和方法 |
| 2.2.1 样品收集和RNA提取 |
| 2.2.2 RNA测序 |
| 2.2.3 测序数据的比对及质量控制 |
| 2.2.4 分子表型定量 |
| 2.2.5 估计分子表型遗传力 |
| 2.3 结果 |
| 2.3.1 RNA-seq测序数据 |
| 2.3.2 RNA-seq测序质量 |
| 2.3.3 基因表达量的PCA分析 |
| 2.3.4 分子表型的遗传力 |
| 2.4 讨论 |
| 2.4.1 RNA-seq测序数据及质量 |
| 2.4.2 分子表型的遗传力 |
| 2.5 小结 |
| 第三章 绵羊肌肉和肝脏中的eQTL分析 |
| 3.1 引言 |
| 3.2 材料和方法 |
| 3.2.1 分子表型的定量 |
| 3.2.2 全基因组SNP的填充 |
| 3.2.3 顺式eQTL检测 |
| 3.2.4 不同类型eQTL与不同组织eQTL的关系 |
| 3.2.5 eQTL富集在显着的GWAS区域 |
| 3.3 结果 |
| 3.3.1 数据 |
| 3.3.2 eQTL检测 |
| 3.3.3 eQTL功能注释 |
| 3.3.4 不同类型eQTL与不同组织eQTL的关系 |
| 3.3.5 eQTL富集在显着的GWAS区域 |
| 3.3.6 QTL可能是eQTL的示例 |
| 3.4 讨论 |
| 3.4.1 eQTL的遗传特性 |
| 3.4.2 eQTL之间的关系 |
| 3.4.3 eQTL富集在显着的GWAS区域 |
| 3.4.4 QTL可能是eQTL的示例 |
| 3.5 小结 |
| 第四章 分子表型与肉用性状表型的关联分析 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 表型测定 |
| 4.2.2 遗传力估计 |
| 4.2.3 分子表型所能解释的表型变异估计 |
| 4.2.4 分子表型与肉用性状表型的关联分析 |
| 4.3 结果 |
| 4.3.1 表型分析 |
| 4.3.2 RNA分子表型所能解释的表型变异 |
| 4.3.3 分子表型与肉用性状的关联分析 |
| 4.4 讨论 |
| 4.4.1 表型分析 |
| 4.4.2 分子表型所能解释的表型变异 |
| 4.4.3 关联分析 |
| 4.5 小结 |
| 第五章 整合GWAS和 eQTL先验的绵羊部分肉用性状全基因组选择 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.2.1 试验动物与表型 |
| 5.2.2 基因型数据 |
| 5.2.3 先验发现群体、参考群体、验证群体的划分 |
| 5.2.4 核心SNP的筛选 |
| 5.2.5 全基因组选择 |
| 5.3 结果 |
| 5.3.1 核心SNP的筛选 |
| 5.3.2 GS的准确性 |
| 5.3.3 GS的偏差 |
| 5.4 讨论 |
| 5.4.1 先验发现群体、参考群体、验证群体 |
| 5.4.2 核心SNP的选择 |
| 5.4.3 整合先验的方法 |
| 5.4.4 全基因组选择的准确性 |
| 5.5 小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 研究展望 |
| 参考文献 |
| 在读期间的研究成果 |
| 致谢 |
| 附录 |
（8）猪不同遗传复杂度性状全基因组选择准确性评估（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 1 前言 |
| 1.1 研究问题的由来 |
| 1.2 文献综述 |
| 1.2.1 数量遗传学与动物育种 |
| 1.2.1.1 数量遗传学的兴起 |
| 1.2.1.2 数量遗传学的发展 |
| 1.2.2 遗传参数估计的概述 |
| 1.2.3 全基因组选择方法的概述 |
| 1.2.3.1 基因组选择的概念原理 |
| 1.2.3.2 基因组选择的主要方法 |
| 1.2.3.3 影响基因组选择的因素 |
| 1.2.3.4 基因组选择的优势及展望 |
| 1.2.4 基因组选择在猪中的研究进展 |
| 1.2.4.1 基因组选择在猪繁殖性状中的研究进展 |
| 1.2.4.2 基因组选择在猪的生长和胴体性状中的研究进展 |
| 1.2.4.3 基因组选择在猪肉质性状中的进展 |
| 1.2.4.4 基因组选择在猪抗病性中的进展 |
| 1.2.4.5 猪中应用基因组选择的优劣 |
| 1.3 研究的目的与意义 |
| 2 技术路线、试验材料及方法 |
| 2.1 技术路线 |
| 2.2 试验材料 |
| 2.2.1 试验群体 |
| 2.2.2 主要仪器设备 |
| 2.2.3 主要分子生物学试剂与试剂盒 |
| 2.2.4 主要数据统计分析软件 |
| 2.2.5 组织样采集及芯片测序 |
| 2.2.6 基因型数据质量控制 |
| 2.2.7 表型数据处理 |
| 2.3 表型性状遗传力估计 |
| 2.4 表型性状全基因组关联分析 |
| 2.5 基因组育种值估计方法 |
| 2.5.1 直接估计基因组育种值的方法 |
| 2.5.2 间接估计基因组育种值 |
| 2.6 基因组育种值准确性评价 |
| 3 结果与分析 |
| 3.1 SNP基因型数据及质量控制结果 |
| 3.1.1 基因型数据质控结果 |
| 3.1.2 SNP在染色体中的分布 |
| 3.2 性状表型数据 |
| 3.2.1 性状表型数据描述 |
| 3.2.2 性别等因素对不同性状影响的方差分析 |
| 3.2.3 基于不同信息的方差组分和遗传力估计 |
| 3.3 不同性状全基因组关联分析结果 |
| 3.4 基因组育种值估计 |
| 3.4.1 大白猪重要性状基因组育种值估计 |
| 3.4.1.1 大白猪TN性状的基因组育种值估计 |
| 3.4.1.2 大白猪BT100 性状基因组育种值估计 |
| 3.4.2 长白猪重要性状基因组育种值估计 |
| 3.4.2.1 长白猪TN性状的基因组育种值估计 |
| 3.4.2.2 长白猪AGE100 性状的基因组育种值估计 |
| 3.5 利用不同信息的育种值估计 |
| 3.6 不同方法基因组预测效果的比较 |
| 4 讨论 |
| 4.1 目标性状的选取 |
| 4.2 不同因素对遗传复杂性状的影响 |
| 4.3 遗传力对基因组选择的影响 |
| 4.4 关于不同遗传复杂度性状估计遗传力的讨论 |
| 4.4.1 关于乳头数性状遗传力估计的讨论 |
| 4.4.2 关于达100kg背膘厚性状遗传力估计的讨论 |
| 4.4.3 关于达100kg日龄性状遗传力估计的讨论 |
| 4.4.4 基于不同信息估计遗传力的讨论 |
| 4.5 关于不同交叉验证策略预测差异的讨论 |
| 4.6 关于不同遗传复杂度性状预测差异的讨论 |
| 4.6.1 关于乳头数性状预测差异的讨论 |
| 4.6.2 关于达100kg背膘厚性状预测差异的讨论 |
| 4.6.3 关于达100kg日龄性状预测差异的讨论 |
| 5 小结 |
| 5.1 本研究的主要结论 |
| 5.2 本研究的主要创新点 |
| 5.3 本研究的不足与进一步工作建议 |
| 参考文献 |
| 附录 |
| 致谢 |
（9）安徽省生猪联合育种体系建立与成效（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 文献综述 |
| 引言 |
| 1 材料与方法 |
| 1.1 数据的收集 |
| 1.2 测定的主要性状 |
| 1.3 关联率计算方法 |
| 1.4 育种值估计模型 |
| 1.4.1 生长性状育种值估计模型 |
| 1.4.2 繁殖性状育种值估计模型 |
| 1.5 选择指数 |
| 2 结果与分析 |
| 2.1 各性状的测定数据 |
| 2.1.1 生长性状数据测定 |
| 2.1.2 繁殖性状数据测定 |
| 2.2 各场表型值进展分析 |
| 2.2.1 生长性状表型值进展 |
| 2.2.2 繁殖性能表型值进展 |
| 2.3 各场育种值进展分析 |
| 2.3.1 生长性状育种值进展 |
| 2.3.2 繁殖性状育种值进展 |
| 2.4 各场的指数进展分析 |
| 2.5 区域性遗传进展分析 |
| 2.5.1 各性状表型值联合进展分析 |
| 2.5.2 各性状EBV联合进展分析 |
| 2.5.3 选择指数联合进展分析 |
| 2.6 场间关联率结果 |
| 3 讨论及建议 |
| 3.1 讨论 |
| 3.2 建议 |
| 参考文献 |
| 附录 |
| 作者简历 |
（10）联合不同品系大白猪对总乳头数进行全基因组遗传评估（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表(Abbreviation) |
| 1 前言 |
| 1.1 研究问题的由来 |
| 1.2 文献综述 |
| 1.2.1 丹系大白猪和美系大白猪的育种历史 |
| 1.2.2 全基因组选择在家畜遗传改良中的应用进展 |
| 1.2.3 猪乳头数性状遗传改良进展 |
| 1.3 研究目的及意义 |
| 2 材料与方法 |
| 2.1 表型数据 |
| 2.1.1 表型测定 |
| 2.1.2 表型校正 |
| 2.2 基因型数据 |
| 2.2.1 样品的采集 |
| 2.2.2 DNA的提取及质量检测 |
| 2.2.3 基因分型 |
| 2.2.4 基因型数据处理 |
| 2.3 遗传参数评估 |
| 2.3.1 方差组分估计 |
| 2.3.2 遗传相关 |
| 2.4 GWAS 统计分析模型 |
| 2.4.1 线性混合模型 |
| 2.4.2 贝叶斯C模型 |
| 2.5 候选基因定位 |
| 2.6 基因组预测 |
| 2.6.1 预测模型的选择 |
| 2.6.2 交叉验证法 |
| 2.6.3 GEBV预测效果评估方法 |
| 2.7 所有分子生物学软件和网站 |
| 3.结果 |
| 3.1 表型数据描述性统计结果 |
| 3.2 SNP标记分布统计结果 |
| 3.3 遗传参数估计 |
| 3.4 主成分分析结果 |
| 3.5 基于LMM模型的全基因组关联分析结果 |
| 3.5.1 丹系大白猪总乳头数性状GWAS分析结果 |
| 3.5.2 美系大白猪总乳头数性状GWAS分析结果 |
| 3.5.3 合并群体中总乳头数性状GWAS分析结果 |
| 3.6 基于贝叶斯C模型的全基因组关联分析结果 |
| 3.6.1 丹系大白猪总乳头数性状GWAS分析结果 |
| 3.6.2 美系大白猪总乳头数性状GWAS分析结果 |
| 3.6.3 合并群体中总乳头数性状GWAS分析结果 |
| 3.7 候选基因挖掘 |
| 3.8 四种模型对猪总乳头数性状的GEBV预测结果 |
| 3.8.1 丹系大白猪中GEBV的预测结果 |
| 3.8.2 美系大白猪中GEBV的预测结果 |
| 4 讨论 |
| 4.1 关于SNP标记密度的讨论 |
| 4.2 关于连锁不平衡的讨论 |
| 4.3 关于遗传参数的讨论 |
| 4.4 关于GWAS结果讨论 |
| 4.5 关于基因组预测模型的讨论 |
| 4.6 关于多群体预测效果的讨论 |
| 5 小结 |
| 5.1 本研究主要结果 |
| 5.2 本研究的特色 |
| 参考文献 |
| 致谢 |
四、BLUP模型及其在猪育种中的应用（论文参考文献）
- [1]高山美利奴羊羊毛品质与红细胞性状基因组选择和全基因组关联分析研究[D]. 朱韶华. 甘肃农业大学, 2021
- [2]不同评估方法比较金陵黄鸡饲料利用效率性状的GS选择进展[D]. 李森. 中国农业科学院, 2021(09)
- [3]猪基因组选择育种研究进展[J]. 邢文凯,刘建,刘燊,王闯,雷明刚. 中国畜牧杂志, 2021(07)
- [4]猪育种技术研究进展[J]. 任慧波,朱吉,崔清明,邓缘,刘莹莹,胡雄贵,李华丽,陈晨. 养猪, 2020(04)
- [5]不同SNP分型技术在猪基因组选择中效果评估及全基因组关联研究[D]. 李勇. 华中农业大学, 2020
- [6]整合GWAS和eQTL先验的绵羊部分肉用性状全基因组选择研究[D]. 袁泽湖. 兰州大学, 2020(01)
- [7]基因组选择在猪杂交育种中的应用[J]. 杨岸奇,陈斌,冉茂良,杨广民,曾诚. 遗传, 2020(02)
- [8]猪不同遗传复杂度性状全基因组选择准确性评估[D]. 彭潇. 华中农业大学, 2019(02)
- [9]安徽省生猪联合育种体系建立与成效[D]. 姜超. 安徽农业大学, 2019(05)
- [10]联合不同品系大白猪对总乳头数进行全基因组遗传评估[D]. 郭猛. 华中农业大学, 2019(02)
标签：基因组论文; 全基因组关联分析论文; 全基因组重测序论文; 大白猪论文; 遗传信息论文;