玉米籽粒镉积累性状的全基因组选择研究的方法技术

本发明专利技术公开了玉米籽粒镉积累性状的全基因组选择研究的方法。本发明专利技术所保护的方法包括对模型构建群体玉米的籽粒镉含量进行测定获得所述玉米个体的表型数据集，通过全基因组关联分析获得玉米籽粒镉含量关联的SNP分子标记和所述玉米个体的所述SNP分子标记的基因型数据集，通过全基因组选择的算法，基于所述表型数据集和所述基因型数据集构建预测玉米籽粒镉含量的全基因组选择模型，根据所述全基因组选择模型可预测玉米籽粒镉含量。使用本发明专利技术建立的模型可获得测试群体中已进行基因分型但无表现型的个体的基因组估计表型，以提前筛选出优良品系，而不必在育种后期进行表型分析，可广泛应用于低镉含量玉米品种选育。可广泛应用于低镉含量玉米品种选育。

【技术实现步骤摘要】
玉米籽粒镉积累性状的全基因组选择研究的方法


[0001]本专利技术涉及生物
，具体涉及玉米籽粒镉积累性状的全基因组选择研究的 方法。

技术介绍

[0002]镉(cadmium，Cd)是一种人体非必需元素，单质为银白色金属，密度为8.65g/cm3， 是一种有毒的重金属元素。2012年，镉及其化合物被国际癌症研究机构(IARC)列 为I类致癌物。
[0003]镉可通过食物链进入人体并富集，人体内镉积累量达到2.6g时会产生毒害作用。 镉在人体内的生物学半衰期是15～45年，镉的长期累积会对呼吸系统、循环系统、泌 尿系统、神经系统、骨骼系统等造成毒害，造成骨质疏松、肾功能衰竭、肾结石、肺 气肿等症状，进而诱发癌症。
[0004]镉对植物也具有毒害作用，具体效应表现为生理损伤与生长抑制。生理损伤包括 光合效率降低、水分含量减少与必需元素吸收受到抑制。镉在植物体内会抑制碳固定 与叶绿素合成，进而影响植物光合作用。镉在植物体内累积会诱导活性氧过量产生， 造成植物细胞器的生理损伤。此外，镉元素的存在会干扰Ca、P、Mg、Fe、Zn等植 物必需元素的吸收，导致植物叶片失绿、根系生长受损等，最终造成植物死亡。
[0005]农田土壤镉污染的来源主要分为自然源和人为源两种。自然源包括各种地质活动， 例如火山喷发等，沉积后的镉元素会改变土壤中的镉环境背景值。人为源包括矿石开 采、三废排放、污水灌溉等人为活动。
[0006]全基因组选择(Genomic Selection，GS)技术是加速新品种开发最有希望的育种 方法，具有广阔的应用前景。全基因组选择以分子标记辅助选择的形式，通过利用覆 盖全基因组的高密度分子标记对个体的基因组估计育种值(genomic estimated breedingvalues，GEBV)进行预测。与传统的分子标记辅助育种相比，全基因组选择同时对所 有标记的效应进行评估，对于复杂性状的预测更为准确。
[0007]全基因组选择的计算方法主要是基因组估计育种值的算法，目前主要分为三类： 基于混合线性模型的BLUP(Best Linear Unbiased Prediction)方法、基于MCMC (Markov chain Monte Carlo)和Gibbs抽样的贝叶斯(Bayes)方法和机器学习 (Machine Learning)法。
[0008]BLUP法以混合线性模型为基础，其假设所有的SNP对表型性状贡献一致，将随 机效应和遗传分组的固定效应都加以考虑，然后基于表型和系谱A计算个体的基因组 估计育种值。目前常用的BLUP方法包括以全基因组亲缘关系矩阵(G矩阵)为核心 的GBLUP和基于等位基因效应的RRBLUP。二者运算时间均较短，适合于群体数量 较大时的建模和预测分析。
[0009]贝叶斯法是基于SNP与QTL的连锁效应提出的，属于非线性模型，主要包括BayesA、Bayes B、Bayes C和Bayesian Lasso等，不同的贝叶斯方法选择不同的先验分布， 即对
于各个SNP的效应计算不同Bayesian Lasso(。贝叶斯模型的特点为运算时间一 般较长，不同贝叶斯模型之间的预测准确度接近。
[0010]机器学习法是指利用计算机算法对大量数据进行不断模拟，从而实现对目标性状 的预测，主要包括支持向量机(support vector machine，SVM)、随机森林法(RandomForest，RF)、LightGBM(Light Gradient Boosting Machine)等(Meng,2018；Ogutu andSchulz
‑
Streeck,2011；Moser et al.,2009)。与传统算法相比，机器学习法具有高效智能 的优点，可以对复杂形状进行较为准确的预测，且模型不易过拟合，但仍需对参数进 行调整，从而获得最为准确的预测效果。
[0011]在全基因组选择研究中，预测准确度是指实际育种值与估计育种值之间的相关系 数，该系数越接近1，则表示预测准确度越高。影响全基因组选择预测准确度的因素 主要包括目标性状的遗传力、所选算法、分子标记密度与来源、训练群体大小、训练 群体与测试群体之间的亲缘关系等。
[0012]遗传力是指遗传方差占表型方差的比例，遗传力越大，证明该性状受基因控制的 程度越大，受到环境因素的影响越小，进行全基因组选择研究的预测准确度越高。对 于低遗传力的性状，可通过增加表型记录世代数来提高预测准确度。
[0013]不同全基因组算法对于预测准确度的影响主要是由于对分子标记效应及方差的假 设分布不同，目前准确度较高的算法为Bayes模型，其次为GBLUP和RRBLUP，二 者预测能力接近，而LS法准确度最低。已有研究表明，考虑显性效应和上位效应的 统计模型更能提高选择的准确度，Bayes B的准确度大于Bayes A，RRBLUP次之。
[0014]分子标记密度与来源是指全基因组选择研究中覆盖训练群体基因组分子标记的数 量、分布以及与目标性状的关联程度。通常预测准确性与分子标记的密度成正比，但 当分子标记数目到达某一数量时，预测准确度会达到最大值，随后下降。标记来源对 准确度也具有一定影响，通常所用标记与目标性状关联程度越高，预测效果越好。
[0015]训练群体数目大小是影响预测准确度的重要因素之一，通常随着训练群体数目增 加，预测准确度也有所提升。训练群体与测试群体比例也会影响预测准确度，研究表 明，两类群体比例增加有助于提升全基因组选择预测准确度。训练群体与测试群体间 的亲缘关系也与预测准确度成正比，二者间遗传距离越小，亲缘关系越接近，预测准 确度越高。
[0016]为了避免食用高镉污染的粮食作物，一个有效的方法是筛选和培育低镉粮食作物。 在过去几十年中，人们为降低粮食作物中的镉浓度付出了巨大努力；然而，传统育种 过程主要基于表型选择(PS)，这意味着育种家需要进行多轮杂交和大规模镉积累测 定，以获得低镉粮食作物。这无疑是耗时和昂贵的。迫切需要更高效、更省时的方法 来评估Cd在粮食作物中的积累，加快育种周期。然而这种方法仍有待开发。

技术实现思路

[0017]本专利技术所要解决的技术问题是如何建立玉米籽粒镉积累性状的全基因组选择模 型和/或如何预测玉米籽粒镉含量和/或如何培育低镉玉米。
[0018]为了解决上述技术问题，本专利技术首先提供了预测玉米籽粒镉含量的方法。所述方 法包括对模型构建群体玉米的籽粒镉含量进行测定获得所述玉米个体的表型数据集， 通过全基因组关联分析获得玉米籽粒镉含量关联的SNP分子标记(即在镉积累性状上 全基因
组关联系数<5
×
10
‑8的SNP位点)和所述玉米个体的所述SNP分子标记的基 因型数据集，通过全基因组选择的算法，基于所述表型数据集和所述基因型数据集构 建预测玉米籽粒镉含量的全基因组选择模型。对待测玉米的所述SNP分子标记进行测 定获得所述待测玉米的SNP基因本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.预测玉米籽粒镉含量的方法，其特征在于：所述方法包括对模型构建群体玉米的籽粒镉含量进行测定获得所述玉米个体的表型数据集，通过全基因组关联分析获得玉米籽粒镉含量关联的SNP分子标记和所述玉米个体的所述SNP分子标记的基因型数据集，通过全基因组选择的算法，基于所述表型数据集和所述基因型数据集构建预测玉米籽粒镉含量的全基因组选择模型；对待测玉米的所述SNP分子标记进行测定获得所述待测玉米的SNP基因分型，使用所述全基因组选择模型和所述SNP基因分型计算获得所述待测玉米的基因组估计育种值，使用所述基因组估计育种值预测所述待测玉米籽粒的镉含量。2.根据权利要求1所述的方法，其特征在于：所述全基因组选择的算法为岭回归最佳线性无偏预测、贝叶斯A或随机森林。3.根据权利要求1或2所述的方法，其特征在于：所述模型构建群体由训练群体与测试群体组成，所述训练群体与所述测试群体均由玉米自交系组成，所述训练群体和所述测试群体的玉米自交系的个数数比为1:1。4.根据权利要求1
‑
3中任一权利要求所述的方法，其特征在于：所述SNP分子标记的分布密度为每个玉米基因组上50000个。5.预测玉米籽粒镉含量的装置，其特征在于：所述装置包括如下模块：A1)表型数据集获得模块：用于获得模型构建群体玉米的籽粒镉含量表型数据集；A2)基因型数据集获得模块：用于通过全基因组关联分析获得玉米籽粒镉含量关联的SNP分子标记和所述玉米个体的SNP分子标记的基因型数据集；A3)全基因组选择模型构建模块：用于通过全基因组选择的算法，基于所述表型数据集和所述基因型数据集构建...

【专利技术属性】
技术研发人员：何振艳，骆永明，闫慧莉，许文秀，
申请(专利权)人：中国科学院南京土壤研究所，
类型：发明
国别省市：