编辑推荐：
研究针对遗传方差估计偏差问题，开展相关研究，提出 PEV 法和广义 ESS，助力遗传研究与育种。
### 遗传育种研究的新突破：精准估计与创新模拟
在遗传育种的领域中，就如同一场探索宝藏的冒险，研究人员一直致力于挖掘生物遗传变异背后的秘密。然而，当前在解析田间试验中表型变异的遗传和环境因素时，遇到了不少挑战。
在这个充满挑战的领域，研究人员就像勇敢的探险家，努力寻找前进的道路。线性混合模型（LMM）作为常用工具，在估计加性遗传方差（σa2）时，由于基因组关系矩阵的缩放问题，常常出现偏差，这就好比在寻宝地图上标错了方向。而且，现有的计算有效样本量（ESS）和标准误差（SEV）的方程，无法适用于广义多元正态分布，使得模拟结果难以准确反映真实情况，仿佛在迷雾中摸索。这些问题严重影响了遗传研究的准确性，也阻碍了育种计划的有效开展。
为了攻克这些难题，来自马德里理工大学（Universidad Politécnica de Madrid）的 Javier Fernández-González 和 Julio Isidro y Sánchez 展开了深入研究。他们的研究成果发表在《Theoretical and Applied Genetics》上，为遗传育种领域带来了新的曙光。
研究人员采用了多种关键技术方法。他们选取了高度纯合的燕麦数据集和高度杂合的云杉数据集，通过主成分分析研究种群结构。在估计方差成分时，运用了经典的 VanRaden 方法、归一化基因组关系（GN）方法、M2 方法以及他们新提出的预测误差方差（PEV）方法。同时，为了计算广义 ESS 和 SEV，推导出了新的方程，并基于这些方法进行了不同策略的模拟研究。
研究结果
- 方差成分估计方法的比较：研究结果表明，传统的 VanRaden、GN 和 M2 方法存在明显偏差，而 PEV 方法在估计加性方差时表现出色，误差极小。在燕麦数据集平衡实验设计下，PEV、VanRaden、GN 和 M2 方法的均方根误差分别为 0.00316、0.340、0.473 和 0.132；在云杉数据集中，相应的均方根误差为 0.00254、0.0511、0.0483 和 0.460。当燕麦数据集引入不平衡时，其他方法误差大幅增加，而 PEV 方法误差依然很低。这就像是在众多混乱的信号中，PEV 方法找到了最准确的那个，为遗传方差的准确估计提供了有力支持。
- 广义有效样本量的验证：研究提出的广义 SEM 和 SEV 与经验值完美匹配，在不同的协方差结构和均值向量下都表现稳健。这意味着新的计算方法能够更准确地反映样本的信息，为后续的模拟研究提供了更可靠的基础。就像给模拟研究装上了精准的导航仪，使其能够更准确地驶向真实情况。
- 不同模拟方法控制方差成分的能力：通过对不同模拟策略的比较发现，MVN 模拟存在较大偏差，其环境、加性和加性 × 环境方差与目标方差差异显著；固定模拟虽然能使方差达到目标值，但忽略了抽样方差；而 ESS 模拟在考虑抽样方差的同时，所有值都在 95% 置信区间内，模拟值与目标值无显著差异，表现最佳。这表明 ESS 模拟在模拟真实情况方面具有独特优势，能够为育种计划提供更贴合实际的模拟结果。
研究结论与讨论
这项研究成功揭示了当前从 LMM 中提取方差成分方法的局限性，并提出了基于 PEV 的替代方法，极大地减少了偏差。PEV 方法不仅适用于估计加性方差，对其他随机效应的方差成分估计同样有效，为遗传研究中的重要指标计算，如遗传力和选择响应，提供了更准确的依据，有助于育种计划中的决策制定。
同时，研究引入的广义 ESS 考虑了异方差、相关性和异质均值，使模拟研究能够更真实地反映经验育种计划中各代的方差成分变化，提高了模拟的准确性。这为测试新方法和探索不同育种方案提供了有力工具，在实际育种中具有重要意义。
在模拟策略方面，标记模拟（Fixed 和 ESS）相较于非标记模拟（MVN）具有明显优势，而 ESS 模拟因其考虑抽样方差的特性，在模拟复杂相互作用和反映实际情况方面表现更优。
总的来说，这项研究为遗传方差估计和模拟研究提供了更准确、更有效的方法，为遗传育种领域的发展注入了新的活力，为未来的研究和实践开辟了新的道路，就像在黑暗中点亮了一盏明灯，指引着遗传育种研究不断前行。
