在强基因组选择作用下的大规模人群中，通过预测性来推断遗传参数

《Genetics Selection Evolution》：Genetic parameters via predictivity in large populations under strong genomic selection

　　

摘要

背景

要准确估计遗传参数，需要使用选择过程中可获得的所有数据。对于大规模的基因组数据，现有的参数估计方法变得不切实际；如果参数随时间变化，估计过程也会变得复杂。本研究旨在测试一种名为“GPP”（通过预测性估计遗传参数）的新方法，该方法结合了性状内部和性状之间的预测性公式以及一个确定性公式来预测基因组育种值的准确性。GPP方法可以处理任何规模的数据，并能够跨时间片段进行参数估计。

结果

我们使用具有负相关和正相关性状的模拟数据集来测试GPP方法：主要生产力（h² = 0.40）、次级生产力（h² = 0.10）和适应度（h² = 0.10）性状。基因组选择基于主要生产力性状。两种情景分别每代选择5000（A）或100,000（B）个基因型个体，共进行10代。在这两种情景下，GPP的估计值与实际值非常接近，仅有轻微且可变的偏差。在GPP之前使用错误的方差来计算基因组育种值（GEBV）对估计结果影响不大。对于较小的数据集，仅使用一代数据的REML估计结果变化较大，而GREML的估计结果标准误差较低。对于大规模数据，REML的估计结果存在轻微偏差。通过GPP获得的遗传相关性是非对称的，这意味着它们会随着公式中使用的作为基准的性状调整后的表型而变化。当预测性涉及次级性状的调整后表型时，我们观察到偏差较小。GPP方法在正相关和负相关性状、以及弱相关和强相关性状的情况下表现同样出色，无论数据集大小如何。在大型数据集（情景B）中，一次性运行GPP的计算时间分别为55分钟和11秒。GPP的成本与基因型个体的数量大致呈线性关系。

结论

通过预测性估计遗传参数是一种快速、灵活且准确的方法，适用于估计大规模数据集中正相关或负相关性状的动态遗传参数，以及弱相关和强相关情况，前提是基因组评估可行，并且能够进行预测性计算。

背景

要准确估计遗传参数，需要使用选择过程中可获得的所有数据。对于大规模的基因组数据，现有的参数估计方法变得不切实际；如果参数随时间变化，估计过程也会变得复杂。本研究旨在测试一种名为“GPP”（通过预测性估计遗传参数）的新方法，该方法结合了性状内部和性状之间的预测性公式以及一个确定性公式来预测基因组育种值的准确性。GPP方法可以处理任何规模的数据，并能够跨时间片段进行参数估计。

结果

我们使用具有负相关和正相关性状的模拟数据集来测试GPP方法：主要生产力（h² = 0.40）、次级生产力（h² = 0.10）和适应度（h² = 0.10）性状。基因组选择基于主要生产力性状。两种情景分别每代选择5000（A）或100,000（B）个基因型个体，共进行10代。在这两种情景下，GPP的估计值与实际值非常接近，仅有轻微且可变的偏差。在GPP之前使用错误的方差来计算基因组育种值（GEBV）对估计结果影响不大。对于较小的数据集，仅使用一代数据的REML估计结果变化较大，而GREML的估计结果标准误差较低。对于大规模数据，REML的估计结果存在轻微偏差。通过GPP获得的遗传相关性是非对称的，这意味着它们会随着公式中使用的作为基准的性状调整后的表型而变化。当预测性涉及次级性状的调整后表型时，我们观察到偏差较小。GPP方法在正相关和负相关性状、以及弱相关和强相关情况的情况下表现同样出色，无论数据集大小如何。在大型数据集（情景B）中，一次性运行GPP的计算时间分别为55分钟和11秒。GPP的成本与基因型个体的数量大致呈线性关系。

结论

通过预测性估计遗传参数是一种快速、灵活且准确的方法，适用于估计大规模数据集中正相关或负相关性状的动态遗传参数，以及弱相关和强相关情况，前提是基因组评估可行，并且能够进行预测性计算。