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(xùn)練群體的基因型和表型數(shù)據(jù)建模,然后對(duì)只有基因型的育種群體進(jìn)行表型預(yù)測(cè)和選擇。已有多種預(yù)測(cè)模型被用于性狀GEBV(genomic estimated breeding value)的預(yù)測(cè),例如ridge regression best linear unbiased prediction(RR-BLUP)、genomic best linear unbiased prediction(GBLUP)、Bayes模型和機(jī)器學(xué)習(xí)模型。目前的GS研究多集中于性狀本身的預(yù)測(cè),對(duì)于育種中,特別是純系育種中的雜交組合預(yù)測(cè)和親本選配尚缺少研究。為簡(jiǎn)便起見(jiàn),GS模型預(yù)測(cè)時(shí)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(duì)性狀在特定環(huán)境下的表現(xiàn)進(jìn)行預(yù)測(cè)。本研究探索利用GS方法和育種模擬方法,開(kāi)展小麥(Triticum aestivum L.)親本選配和組合預(yù)測(cè);比較不同GS模型在不同群體和性狀上對(duì)上位性效應(yīng)的預(yù)測(cè)能力;比較不同GS模型的單個(gè)環(huán)境預(yù)測(cè)和多環(huán)境聯(lián)合預(yù)測(cè)之間的差異。主要研究?jī)?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(cè)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(duì)雜交組合的預(yù)測(cè)效果,以及不同選擇強(qiáng)度下,雜交組合有效性和中親值兩種雜交組合預(yù)測(cè)方法所帶來(lái)的遺傳增益。結(jié)果表明,不同模型的預(yù)測(cè)準(zhǔn)確率在不同的性狀遺傳結(jié)構(gòu)下沒(méi)有明顯的差異。在所有設(shè)定的選擇強(qiáng)度下,通過(guò)雜交組合有效性進(jìn)行雜交組合選擇,所獲得的遺傳增益要高于通過(guò)中親值進(jìn)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(cè)的方法,對(duì)一個(gè)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(jìn)行預(yù)測(cè),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(jìn)度和遺傳多樣性。結(jié)果顯示,同時(shí)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(jìn)度的同時(shí),還保留下來(lái)更多的遺傳多樣性,從而有利于在長(zhǎng)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(gè)水稻(Oryza sativa)重組自交系(recombinant inbred lines,RIL)群體和兩個(gè)小麥自然群體,開(kāi)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(jìn)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(zhǔn)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(dāng)或者略低。因此,常規(guī)水稻和小麥這種純系品種選育過(guò)程中利用GS方法時(shí),應(yīng)盡可能在預(yù)測(cè)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(cè)研究利用一個(gè)水稻RIL群體在多個(gè)地點(diǎn)的表型試驗(yàn)進(jìn)行多環(huán)境GS研究。采用兩種育種場(chǎng)景的交叉驗(yàn)證方案,比較不同模型的預(yù)測(cè)精度。結(jié)果表明,當(dāng)被預(yù)測(cè)的品種在所有環(huán)境中都沒(méi)有觀測(cè)值時(shí),多環(huán)境預(yù)測(cè)模型同單環(huán)境預(yù)測(cè)模型表現(xiàn)類(lèi)似;當(dāng)被預(yù)測(cè)的品種在其他環(huán)境中有觀測(cè)值時(shí),多環(huán)境預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)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(cè)的準(zhǔn)確性。
【學(xué)位單位】：中國(guó)農(nóng)業(yè)科學(xué)院
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2019
【中圖分類(lèi)】：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(gè)神經(jīng)元Figure 1.1 Single neuron神經(jīng)元通過(guò)輸入（ , , , 以及截距項(xiàng) ）和激活函數(shù)（activation function）來(lái)獲得神經(jīng)元的輸出，

人工神經(jīng)網(wǎng)絡(luò)模型通過(guò)多個(gè)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(gè)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(gè)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(gè)輸入層具有三個(gè)輸入神經(jīng)元，隱層具有三個(gè)隱藏神經(jīng)元和一個(gè)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(xiàng)，又稱為偏倚單元（biasunit）。 代表第 層第 個(gè)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(gè)體的基因型）的線性組合作為隱層神經(jīng)元的輸入，通過(guò)激活函數(shù)獲得隱層神經(jīng)元的激活值，激活值再通過(guò)輸出層神經(jīng)元的激活函數(shù)獲得最終的預(yù)測(cè)值。如果性狀為分類(lèi)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(gè)單隱層前饋神經(jīng)網(wǎng)絡(luò)可以表示為： ( ) = ( ) （19）其中
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫李紅;;基于灰色組合預(yù)測(cè)的國(guó)內(nèi)債券余額預(yù)測(cè)[J];哈爾濱商業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

2 李濤;何承桂;沈健民;;隨工程進(jìn)展的海堤沉降優(yōu)性組合預(yù)測(cè)研究[J];浙江水利水電專(zhuān)科學(xué)校學(xué)報(bào);2011年02期

3 李樹(shù)冬;;試論組合預(yù)測(cè)的精度估計(jì)分析[J];上海交通大學(xué)學(xué)報(bào)(農(nóng)業(yè)科學(xué)版);2007年02期

4 馬永開(kāi),唐小我;兩種組合預(yù)測(cè)優(yōu)化模型的分析和比較[J];電子科技大學(xué)學(xué)報(bào);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(cè)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(cè)軟科學(xué)方法研究[J];運(yùn)籌與管理;1999年01期

7 楊桂元，唐小我，馬永開(kāi);關(guān)于非負(fù)權(quán)重組合預(yù)測(cè)的若干問(wèn)題的探討[J];電子科技大學(xué)學(xué)報(bào);1996年02期

8 劉建國(guó)，張剛元，陳國(guó)先;多模型專(zhuān)家組合預(yù)測(cè)系統(tǒng)大綱[J];四川師范學(xué)院學(xué)報(bào)(自然科學(xué)版);1996年02期

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

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

相關(guān)博士學(xué)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(cè)中的利用研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2019年

2 劉啟浩;風(fēng)險(xiǎn)值組合預(yù)測(cè)的理論與實(shí)證[D];北京工業(yè)大學(xué);2009年

3 邴興國(guó);城市土地儲(chǔ)備決策研究[D];天津大學(xué);2009年

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

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

6 鐘儀華;特高含水油田開(kāi)發(fā)規(guī)劃動(dòng)態(tài)預(yù)測(cè)方法研究[D];西南石油大學(xué);2008年

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

8 張雷;氣候變化對(duì)中國(guó)主要造林樹(shù)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(guó)林業(yè)科學(xué)研究院;2011年

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

10 劉穎;我國(guó)中藥產(chǎn)業(yè)競(jìng)爭(zhēng)力評(píng)價(jià)體系研究[D];華北電力大學(xué)（北京）;2011年

相關(guān)碩士學(xué)位論文 前10條

1 錢(qián)慧蘭;基于MI算法的商品銷(xiāo)量組合預(yù)測(cè)[D];南京大學(xué);2019年

2 趙勤;兩類(lèi)改進(jìn)的組合預(yù)測(cè)賦權(quán)方法及其應(yīng)用[D];安徽大學(xué);2019年

3 霍江游;基于小波多分辨分解的股價(jià)波動(dòng)分頻組合預(yù)測(cè)[D];江西財(cái)經(jīng)大學(xué);2018年

4 張千露;組合預(yù)測(cè)在我國(guó)民航客運(yùn)量預(yù)測(cè)的應(yīng)用[D];華中師范大學(xué);2018年

5 勾海芝;大型風(fēng)電場(chǎng)短期風(fēng)功率預(yù)測(cè)研究[D];華北電力大學(xué);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(xué);2018年

7 季夢(mèng)凡;風(fēng)速和風(fēng)電場(chǎng)功率組合預(yù)測(cè)及其不確定性分析[D];華北電力大學(xué)(北京);2018年

8 陶亭;基于GPS數(shù)據(jù)的公交車(chē)到站時(shí)間預(yù)測(cè)[D];長(zhǎng)沙理工大學(xué);2018年

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

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

本文編號(hào)：2837279