基因组预测模型构建
建立基于GBLUP的基因组预测模型，为多性状整合提供单性状预测值。
利用玉米NCII群体的5820个F1杂交种，基于156,269个SNP进行基因组预测，并评估不同训练集大小对预测准确率的影响。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
目标导向优先排序：通过预测分析整合生物体与分子性状的靶向选择策略
Target-oriented prioritization: targeted selection strategy by integrating organismal and molecular traits through predictive analytics in breeding
实验完整度
高高
主要模型
玉米NCII群体（5820个F1杂交种） 玉米关联群体Maize368 玉米关联群体Maize282 水稻重组自交系群体Rice210
重点核对
训练集大小（569个杂交种）对预测准确率的影响 TOP算法中多性状最优权重的学习与收敛 加入转录组和代谢组性状对TOP识别率的提升 过滤低预测准确率性状（r<0.5）对TOP性能的改善 以郑单958为靶标选择早花或晚花杂交种的田间验证
摘要
作物育种中的基因组预测受限于对有限表型性状的建模。我们提出了一种通过机器学习算法实现的整合多性状育种策略——目标导向优先排序（TOP）。利用一个大型玉米杂交群体，我们证明了识别与理想型或目标品种表型最接近候选者的准确率高达91%。当纳入组学水平性状时，TOP的效力得到增强。我们表明，TOP能够选择出优于现有商业品种的自交系或杂交种。它同时改良多个性状，并准确识别新品种的改良候选者，这将极大地影响育种工作。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何整合多性状和组学数据，通过机器学习算法提高作物育种中选择最佳候选者的准确性？
- 核心机制
- 通过机器学习算法学习多性状预测值与观测值之间的相似性，获得最优性状权重，从而在多性状权衡中最大化候选者与目标理想型的整体相似性。
- 主要证据
- 在玉米NCII群体中，整合18个性状时TOP在20个候选池中的识别率达0.909，显著高于随机选择；在Maize368、Maize282和Rice210群体中添加转录组性状显著提高了识别率；田间试验表明86个TOP设计的杂交组合中超过四分之一在穗重上优于对照。
- 研究意义
- TOP方法能够在育种过程中平衡多个性状的改良，准确识别优于现有商业品种的候选者，为大规模种质资源筛选高产、气候适应性品种提供高效决策工具。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
TOP算法开发与验证
开发并验证TOP算法在多个群体中识别与目标理想型最相似候选者的能力。
在玉米NCII群体中，针对不同性状组合和候选池大小测试TOP的识别率，并与独立剔除法、指数选择法及随机选择比较。
组学数据整合评估
评估加入转录组和代谢组数据对TOP识别率的提升作用。
在Maize368、Maize282和Rice210群体中，分别加入农艺性状、转录组性状和代谢组性状，比较TOP识别率的变化。
基于商业品种的靶标选择与田间验证
验证TOP能否选择出在特定性状上优于现有商业品种，同时保持其他性状相似的杂交种。
以郑单958为模型品种，设定早花和晚花两个靶标版本，在玉米NCII群体中通过TOP选择100个候选杂交种，并评估其表型相似性。
杂交组合设计及田间试验
利用TOP设计新的杂交组合，并通过田间试验验证其性能。
基于34,188个潜在杂交种的预测值，TOP推荐86个组合，在海南试验站进行田间试验，与对照商业品种比较。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 基因分型 | PLINK | -- | -- |
| 基因型填补 | Beagle V4.0 | -- | -- |
| 基因分型 | Illumina玉米SNP50芯片 | Illumina | -- |
| 转录组测序 | RNA测序 | -- | -- |
| 代谢组分析 | 非靶向初级代谢组学分析 | -- | -- |
| 基因分型 | GEMMA | -- | -- |
| 基因组预测 | rrBLUP | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 基因组预测 | 训练集大小（569个杂交种）、SNP数量（156,269个）、缺失基因型填补方法（Beagle V4.0）、预测模型（GBLUP）、预测准确率评价方法（Pearson相关系数） 阅读提示：Methods: Datasets 和 Genomic best linear unbiased prediction |
| TOP算法 | 相似性函数公式、权重学习算法（BFGS）、初始权重（1）、测试集拆分方式（池大小） 阅读提示：Methods: The target-oriented prioritization procedure 和 The similarity function |
| 组学数据整合 | 转录组和代谢组性状的主成分提取（累积方差80%）、低预测准确率性状的过滤标准（r<0.25排除，r>0.5保留）、负权重性状的排除 阅读提示：Methods: Datasets 和 Results: Identifying breeding candidates |
| 田间验证 | 86个杂交组合的田间试验设计（3行区，每行15株，株距20cm，行距30cm）、测量性状（开花期、株高、穗重）、对照品种（郑单958、先玉335、京科968） 阅读提示：Methods: Field trial for 86 F1 combinations designed by TOP algorithm |