排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
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
2.
旨在将多层感知机(multilayer perceptron, MLP)应用于绵羊限性性状基因组选择中，并在多种情况下与其他经典基因组选择方法进行比较分析。本研究利用Qmsim软件模拟2个绵羊群体Pop1和Pop2的表型数据和基因型数据。在MLP中使用人工神经网络(artificial neural network, ANN),线性模型中使用约束性最大似然法(residual maximum likelihood, REML)估计不同群体的遗传参数。利用Python语言自编MLP模型，利用DMU软件实现最佳线性无偏预测(best linear unbiased prediction, BLUP)、基因组最佳线性无偏预测(genomic BLUP)和一步法(single-step GBLUP, SSGBLUP)模型，评估不同情况下各方法遗传力(heritability,h2)和育种值估计方面的差异。各情况下，MLP和SSGBLUP均显著(P<0.05)优于GBLUP和BLUP。在3种情况下MLP的h2估值与SSGBLUP差异不显著：h 相似文献
1