共查询到20条相似文献，搜索用时 93 毫秒
1.
为探究单步基因组最佳线性无偏预测(SSGBLUP)法应用于生猪育种的选择效果，选取杜洛克、长白、大白种猪共1 996头，利用SNP芯片获得个体基因型数据，结合表型数据和系谱数据，利用HIBLUP软件的SSGBLUP模型和基于系谱的最佳线性无偏预测(PBLUP)模型分别计算估计育种值，参考全国种猪遗传评估中心的标准计算综合选择指数，利用理论准确性和后裔测定成绩评估选择效果。结果表明：通过SSGBLUP法计算达100 kg日龄、达100 kg背膘厚及总产仔数的基因组估计育种值(GEBV)与PBLUP法计算的估计育种值(EBV)的相关系数均大于0.8;达100 kg日龄、达100 kg背膘厚及总产仔数GEBV准确性相对于EBV准确性均有所提高；SSGBLUP法与PBLUP法选留的长白和大白种猪，其后代的生长速度显著优于场内选择法选留种猪的后代。本试验中，SSGBLUP法与PBLUP法均能有效提高选留种猪后代的生长速度且二者分别计算的GEBV和EBV相关性高，但SSGBLUP法选种的准确性更高，后期可利用全基因组选择对场内现有种猪进行选种指导。 相似文献
2.
旨在探究快速型黄羽肉鸡饲料利用效率性状的遗传参数,评估不同方法所得估计育种值的准确性。本研究以自主培育的快速型黄羽肉鸡E系1 923个个体（其中公鸡1 199只,母鸡724只）为研究素材,采用"京芯一号"鸡55K SNP芯片进行基因分型。分别利用传统最佳线性无偏预测（BLUP）、基因组最佳线性无偏预测（GBLUP）和一步法（SSGBLUP）3种方法,基于加性效应模型进行遗传参数估计,通过10倍交叉验证比较3种方法所得估计育种值的准确性。研究性状包括4个生长性状和4个饲料利用效率性状：42日龄体重（BW42D）、56日龄体重（BW56D）、日均增重（ADG）、日均采食量（ADFI）和饲料转化率（FCR）、剩余采食量（RFI）、剩余增长体重（RG）、剩余采食和增长体重（RIG）。结果显示,4个饲料利用效率性状均为低遗传力（0.08~0.20）,其他生长性状为中等偏低遗传力（0.11~0.35）;4个饲料利用效率性状间均为高度遗传相关,RFI、RIG与ADFI间为中度遗传相关,RFI与ADG间无显著相关性,RIG与ADG间为低度遗传相关。本研究在获得SSGBLUP方法的最佳基因型和系谱矩阵权重比基础上,比较8个性状的估计育种值准确性,SSGBLUP方法获得的准确性分别比传统BLUP和GBLUP方法提高3.85%~14.43%和5.21%~17.89%。综上,以RIG为选择指标能够在降低日均采食量的同时保持日均增重,比RFI更适合快速型黄羽肉鸡的选育目标;采用最佳权重比进行SSGBLUP分析,对目标性状估计育种值的预测性能最优,建议作为快速型黄羽肉鸡基因组选择方法。 相似文献
3.
为探究一步法基因组最佳线性无偏预测(SSGBLUP)法应用于内蒙古绒山羊育种的选择效果,本研究基于课题组前期积累的健康状况良好的内蒙古绒山羊(阿尔巴斯型)2 256只个体的70 K SNP芯片测序数据,收集整理1至8岁个体的绒毛性状(绒长、绒细和产绒量)生产性能数据和系谱记录,通过设定SSGBLUP法中H逆矩阵的不同矩阵参数(ω,τ)进行基因组育种值估计,并利用五倍交叉验证法评价基因组育种值估计的准确性。结果表明：随着ω的不断增加,SSGBLUP法用于内蒙古绒山羊绒毛性状的基因组育种值估计准确性越高。结合ABLUP和GBLUP的遗传参数估计结果可知,当τ为0.3、ω为0.9时,内蒙古绒山羊绒毛性状的基因组选择准确性较好。其中,绒长的准确性为0.702 8,绒细准确性为0.668 2,产绒量准确性为0.713 1。对SSGBLUP方法的H矩阵选择合适的尺度参数可提高内蒙古绒山羊绒毛性状基因组育种值估计的准确性,加快种群的遗传改良,缩短世代间隔。 相似文献
4.
旨在挖掘快大型黄羽肉鸡胸肌肉品质性状的重要候选区间和基因。本研究以1 923只快大型黄羽肉鸡为素材，于56日龄屠宰并测定屠宰和胸肌肉品质性状；利用“京芯一号”55K SNP芯片进行基因分型，利用传统最佳线性无偏预测（BLUP）、基因组最佳线性无偏预测（GBLUP）和全基因组关联分析（GWAS）等方法进行遗传参数估计和QTL区间/关键基因的检测。结果显示，胸肌pH、肉色L24 h*。同时发现，位于5号染色体上的2个单倍型对胸肌pH、肉色性状均有极显著影响。以上结果为黄羽肉鸡肉品质遗传选择方案优化和分子育种技术研发奠定了重要基础。 相似文献
5.
基于BLUP和GBLUP方法估计北京油鸡胴体和肉质性状遗传参数的差异 总被引：1，自引：1，他引：0
旨在比较不同方法对遗传参数估计的差异,为未来北京油鸡胴体和肉质性状选育方法的制定提供参考依据。本研究利用传统最佳线性无偏预测（best linear unbiased prediction,BLUP）和基因组最佳线性无偏预测（genomic best linear unbiased prediction,GBLUP）两种方法对北京油鸡的胴体和肉质等性状进行了遗传参数估计。从系谱较为完整的北京油鸡群体中,选择100日龄体重相近的公鸡615只,测定其100日龄体重（BW）、屠宰率（EP）、胸肌率（BMP）、腿肌率（LMP）、腹脂率（AFP）、嫩度（T,以剪切力值表示）和肌内脂肪（IMF）等性状,并用SNP芯片（Illumina,60K）进行个体基因分型。结果表明,除IMF和剪切力（SF）遗传力基于两种方法的估值存在较大差异外,其余性状利用两种方法得到的遗传力估值差异较小;除嫩度外,GBLUP方法估计的遗传力均低于BLUP方法。所有胴体相关性状中,除屠宰率遗传力为低遗传力外,其余性状均属于中等遗传力性状。嫩度呈现低遗传力,而IMF基于BLUP法和GBLUP法的估计遗传力分别为中等（h2 =0.256）和低遗传力（h2 =0.107）。基于BLUP方法,IMF与BW、BMP和SF 3个性状间均呈高度遗传负相关（-0.572、-0.420、-0.682）,与EP的遗传相关为中度负相关（-0.234）,与AFP的遗传相关为中度正相关（0.420）;基于GBLUP方法,IMF与BW、BMP和SF 3个性状间均呈高度遗传负相关（-0.808、-0.725、-0.784）,与EP的遗传相关为高度负相关（-0.626）,与AFP的遗传相关为低度正相关（0.097）。综上,对于某些性状,基于传统的BLUP方法与新的GBLUP方法得到的遗传力与遗传相关估值存在较大差异,实际育种工作中,为提高育种效率,需要综合考虑。 相似文献
6.
《畜牧兽医学报》2020,(1)
旨在比较不同方法对遗传参数估计的差异,为未来北京油鸡胴体和肉质性状选育方法的制定提供参考依据。本研究利用传统最佳线性无偏预测(best linear unbiased prediction,BLUP)和基因组最佳线性无偏预测(genomic best linear unbiased prediction,GBLUP)两种方法对北京油鸡的胴体和肉质等性状进行了遗传参数估计。从系谱较为完整的北京油鸡群体中,选择100日龄体重相近的公鸡615只,测定其100日龄体重(BW)、屠宰率(EP)、胸肌率(BMP)、腿肌率(LMP)、腹脂率(AFP)、嫩度(T,以剪切力值表示)和肌内脂肪(IMF)等性状,并用SNP芯片(Illumina,60K)进行个体基因分型。结果表明,除IMF和剪切力(SF)遗传力基于两种方法的估值存在较大差异外,其余性状利用两种方法得到的遗传力估值差异较小;除嫩度外,GBLUP方法估计的遗传力均低于BLUP方法。所有胴体相关性状中,除屠宰率遗传力为低遗传力外,其余性状均属于中等遗传力性状。嫩度呈现低遗传力,而IMF基于BLUP法和GBLUP法的估计遗传力分别为中等(h~2=0.256)和低遗传力(h~2=0.107)。基于BLUP方法,IMF与BW、BMP和SF 3个性状间均呈高度遗传负相关(-0.572、-0.420、-0.682),与EP的遗传相关为中度负相关(-0.234),与AFP的遗传相关为中度正相关(0.420);基于GBLUP方法,IMF与BW、BMP和SF 3个性状间均呈高度遗传负相关(-0.808、-0.725、-0.784),与EP的遗传相关为高度负相关(-0.626),与AFP的遗传相关为低度正相关(0.097)。综上,对于某些性状,基于传统的BLUP方法与新的GBLUP方法得到的遗传力与遗传相关估值存在较大差异,实际育种工作中,为提高育种效率,需要综合考虑。 相似文献
7.
我国白羽肉鸡育种中,通过遗传途径提高产蛋数和控制合适的蛋重是培育优良品系的一个重要方面。为探索适合我国白羽肉鸡育种中的基因组选择模型,本研究以2 474只白羽肉鸡品系的产蛋性状为研究对象,主要分析了机器学习算法KAML、BLUP(包括：PBLUP、GBLUP、SSGBLUP)和Bayes(包括：Bayes A、Bayes B和Bayes Cπ)方法对产蛋数和蛋重性状的预测准确性,准确性以5倍交叉验证进行评估。利用系谱以及基因组信息估计了产蛋数和蛋重性状的遗传力和遗传相关。结果表明,产蛋数性状遗传力为0.061~0.16,属于低遗传力性状;蛋重遗传力为0.28~0.39,属于中等遗传力性状;产蛋数与蛋重是中等遗传负相关(-0.518~-0.184),不同阶段产蛋数之间是强的遗传正相关(0.736~0.998)。不同模型预测43周产蛋数和52周蛋重的育种值估计准确性结果表明,KAML方法对两者的预测准确性分别为0.115和0.266,与GBLUP方法(准确性分别为0.118和0.283)和SSGBLUP方法(准确性分别为0.136和0.259)的准确性差异显著,同时显著低于Bayes方法(准确性分别为0.230~0.239、0.336~0.340)的预测准确性, PBLUP方法预测准确性最低(准确性分别为0.095和0.246)。因此,在白羽肉鸡产蛋数和蛋重性状中应用Bayes方法将获得最高的育种值估计准确性。 相似文献
8.
旨在比较结合全基因组关联分析(genome-wide association study, GWAS)先验标记信息的基因组育种值(genomic estimated breeding value, GEBV)估计与基因组最佳线性无偏预测(genomic best linear unbiased prediction, GBLUP)方法对鸡剩余采食量性状育种值估计的准确性,为提高基因组选择准确性提供理论与技术支持。本研究选用广西金陵花鸡3个世代共2 510个个体作为素材,其中公鸡1 648只,母鸡862只,以42～56日龄期间的剩余采食量(residual feed intake, RFI)为目标性状,将试验群体随机分为两组,其中一组作为先验标记信息发现群体,用于GWAS分析并筛选最显著的top5%、top10%、top15%和top20%的位点作为先验标记信息;另外一组分别结合不同的先验标记信息进行遗传参数估计并比较基因组育种值的预测准确性,使用重复10次的五倍交叉验证法获取准确性,随后两组群体再进行交叉验证。研究结果表明,GBLUP计算RFI的遗传力为0.153,预测准确性为0.38... 相似文献
9.
旨在比较不同方法对中国荷斯坦牛繁殖性状的基因组预测效果,选择最佳的基因组预测方法及信息矩阵权重组合（τ和ω）用于实际育种。本研究利用北京地区33个牧场1998—2020年荷斯坦牛群繁殖记录,分析了3个重要繁殖性状：产犊至首次配种间隔（ICF）、青年牛配种次数（NSH）和成母牛配种次数（NSC）共98 483~197 764条表型数据。同时收集了8 718头母牛和3 477头公牛的基因芯片数据,根据具有芯片数据的牛群结构划分为公牛验证群和母牛验证群。随后,通过BLUPF90软件的AIREMLF90和BLUPF90模块利用最佳线性无偏预测（BLUP）、基因组最佳线性无偏预测（GBLUP）和一步法（ssGBLUP）对3个性状进行基因组预测,不同方法的预测效果根据准确性和无偏性来评估。结果表明,3个繁殖性状均为低遗传力性状（0.03~0.08）;ssGBLUP方法中,各性状信息矩阵的权重取值能够在一定程度上提升基因组预测的效果;ICF、NSH和NSC在母牛验证群下的最佳权重取值分别为：τ=1.3和ω=0,τ=0.5和ω=0.4以及τ=0.5和ω=0;在公牛验证群下最优权重组合分别为：τ=1.5和ω=0,τ=1.3和ω=0.8以及τ=0.5和ω=0;基于最佳权重的ssGBLUP方法准确性较BLUP和GBLUP方法准确性分别提升了0.10~0.39和0.08~0.15,且无偏性最接近于1。综上,使用最佳权重组合的ssGBLUP时,各性状基因组预测结果具有较高准确性和无偏性,建议作为中国荷斯坦牛繁殖性状基因组选择方法。 相似文献
10.
11.
在基因组选择中(GS),相比单性状模型，多性状模型有诸多优势：可以利用到性状间的遗传相关信息，提高预测可靠性；当直接选择主要性状效果不佳时，可通过选择与其遗传相关较高的次要性状来提高主要性状的预测可靠性；当个体缺失某个表型的记录时，可以参与到遗传评估中。本研究旨在评估最佳无偏线性预测(BLUP)与一步法基因组选择(ssGBLUP)两性状模型相比单性状模型的选择实施效果，为应对现实中个体可能缺失部分性状观察值提供参考依据。选择出生于2012—2019年的2 132头杜洛克猪为研究对象，利用DMU(v 6.0)软件中的单性状与多性状模型(BLUP,ssGBLUP)基因组选择方法探讨了验证群中不同比例的表型个体对生长性状(达100 kg体重时的日龄、背膘厚和眼肌面积)的预测可靠性的影响。结果：不同的验证群表型个体比例，单性状ssGBLUP对性状的预测可靠性均要优于单性状BLUP,两性状ssGBLUP模型的预测可靠性均要优于单性状模型；随着验证群中有表型的个体比例变化，两性状ssGBLUP与两性状BLUP模型对性状的预测可靠性均呈现提高的趋势。随着验证群中有表型的个体比例变化，两性状ssGBL... 相似文献
12.
动物模型BLUP法应用于肉用山羊育种的探讨 总被引：1，自引：0，他引：1
BLUP法 (BestLinearUnbiasedPrediction) ,即最佳线性无偏预测法 ,是美国数量遗传学家C R Henderson在 2 0世纪5 0年代初提出的。这个方法也由过去的公畜模型 (SireModel )过渡到了动物模型 (AnimalModel ) ,并成为当今世界最先进的育种值估计方法 ,广泛应用于种畜的遗传评定。本文综述了BLUP法的基本原理、优点以及我国肉用山羊育种的现状 ,提出了将BLUP法应用于肉用山羊育种的技术路线、现有基础和亟待解决的问题。 相似文献
13.
旨在将整合元共祖的一步法(single-step genomic best linear unbiased prediction with metafounders,MF-SSGBLUP)应用到基因组联合育种中,并与其他经典基因组选择方法进行比较分析。本研究使用QMSim软件模拟3个系谱相互独立的奶牛群体;分别使用广义最小二乘法(generalized least squares,GLS)和原始方法(naïve,NAI)估计不同群体间的祖先关系矩阵Γ;将MF-SSGBLUP、SSGBLUP和BLUP用于3个模拟群体的联合育种,评估各方法在遗传参数和育种值估计方面的差异。在不同遗传力下,GLS所得的Γ矩阵在对角线元素上略低于NAI法,在非对角线元素上没有明显差异,且基因组关系矩阵与基于元共祖构建的亲缘关系矩阵对角线元素相关系数(0.750~0.775)高于基因组关系矩阵与传统的亲缘关系矩阵相关系数(0.508~0.572)。MF-SSGBLUP遗传力估计值(0.138、0.140、0.297和0.298)与当代群体遗传力(0.107和0.296)的偏差小于其余两种方法(0.145、0.173、0.273和0.340),且MF-SSGBLUP估计育种值准确性(0.888~0.908)高于SSGBLUP法(0.863~0.876)和BLUP法(0.854~0.871)。表明,MF-SSGBLUP的遗传参数估计值无偏性更好,估计育种值准确性更高。根据上述模拟数据结果表明,在联合育种中,整合元共祖的基因组选择方法优于其他经典基因组选择方法。 相似文献
14.
旨在基于GBLUP等模型对梅花鹿(Cervus Nippon)生长相关性状基因组选择的预测准确性进行比较。本研究以吉林某鹿场2014—2019年所产梅花鹿261只作为研究群体(公鹿96只，母鹿165只),对梅花鹿体重体尺等生长相关性状进行遗传力估计，并基于5-fold交叉验证方法对GBLUP、Bayes A、Bayes B、Bayes C、Bayes Lasso、RRBLUP六种基因组选择模型预测准确度进行了比较，以筛选出适合梅花鹿生长相关性状的基因组选择模型。结果发现：1)管围与臀端高的遗传力分别为0.43、0.50,属于高遗传力；体重、体高与体斜长的遗传力分别为0.22、0.30、0.27,属于中等遗传力；而胸围的遗传力为0.15,属于低遗传力；2)在GBLUP中，基因组选择预测的准确度与性状的遗传力呈正相关关系，而在Bayes类与RRBLUP法中并未表现明显正相关关系；3)在样本量较少的情况下，选取GBLUP作为基因组选择模型具有一定的优势；Bayes A可在低遗传力性状中作为首选；体重、体高、体斜长、管围、胸围、臀端高预测准确度最高的分别为GBLUP、Bayes B、Bayes... 相似文献
15.
《畜牧与兽医》2021,(6)
旨在评估显性效应对估计苏淮猪肉色性状遗传参数和基因组估计育种值(genomic estimated breeding value, GEBV)准确性的影响,为苏淮猪肉质性状育种提供理论依据。基于基因组最佳线性无偏预测(genomic best linear unbiased prediction, GBLUP)方法,提出2种模型:含加性效应的模型GBLUP-A和包含加性效应和显性效应的模型GBLUP-AD;试验测定487头苏淮猪屠宰后45 min和24 h的肉色性状(亮度L*,红度a*和黄度b*),利用一般线性模型(general linear model, GLM)评定每个肉色性状的影响因素,通过DMU软件在2种GBLUP模型下估计苏淮猪肉色性状的遗传方差,并且比较其GEBV预测的准确性。结果显示:屠宰季节和屠宰批次对所有肉色性状均有显著影响,L*值在夏季时最高,在春季时最低,而a*值和b*值在春季时最高,夏季时最低;L*值随着胴体重增加显著下降(P0.05),a*值随着日龄的增加极显著上升(P0.01),而b*值随着日龄的增加显著下降(P0.05);苏淮猪肉色遗传力属于低至中等遗传力,其范围从0.13～0.32;显性效应对于估计不同肉色性状的遗传参数呈现不同的影响,显性遗传方差与加性遗传方差的比率在b*值和a*值中较大;在预测GEBV方面,除了L*_(24 h)和b*_(45 min)性状,L*_(45 min)、a*_(45 min)、a*_(24 h)和b*_(24 h)在GBLUP-AD模型中预测GEBV的准确性都有所提高。提示:在估计肉色性状GEBV的模型中加入显性效应,可以有效提高预测准确性,合理估计肉色性状的遗传参数。 相似文献
16.
旨在系统比较GBLUP、SSGBLUP、BayesA、BayesB、BayesC、BayesLASSO、BSLMM和BayesR等8种方法对猪重要经济性状基因组选择的准确性。本研究以本实验室收集的2 585头大白猪达100kg日龄、达100kg背膘厚和母猪乳头数3个性状为分析对象,结合猪50K基因芯片分型数据,以加性模型为基础,利用5倍交叉验证比较8种方法的基因组选择准确性。研究发现,基因组选择的准确性与不同性状估计遗传力呈正相关。交叉验证结果表明,预测准确性最高的性状为达100kg日龄,但不同方法在不同性状中表现并不完全相同,在达100kg日龄和达100kg背膘厚中SSGBLUP基因组预测准确性均为最高,而在母猪乳头数中BayesA的基因组预测准确性最高。综上表明,对小样本开展基因组预测时,中、高等遗传力性状可以选择SSGBLUP方法,低等遗传力性状可以选择BayesA方法。如何优化和选择一种广泛适用于所有性状的方法,可能是未来研究的方向。 相似文献
17.
18.
19.
应用BLUP法估计奶山羊产奶性能的遗传趋势 总被引：3，自引：0，他引：3
应用最佳线性无偏预测法(BLUP法)估计了西农莎能奶山羊(简称西农羊)群1960～1985年间的遗传趋势(Genetic Trend),结果为这26年间羊群产奶性能的平均遗传趋势等于7.2千克/年,表明过去对这群羊的选育是卓有成效的。 相似文献