过完元宵节，才算过完年，满血复活，新的一年，多多研究模型，提升自己！下面这篇文献，是利用MAS和GS结合的模型，很有启发性。特别是对于育种群体，非常有用！

1. 文献

❝
https://www.researchgate.net/publication/312212609_Using_markers_with_large_effect_in_genetic_and_genomic_predictions
❞

2. 概念

2.1 MAS

Marker-assisted selection：分子标记辅助选择

该方法是使用少量的分子标记，这些标记和QTL紧密关联，根据标记的分型，进行选择。效果有限，而且不同群体，差别较大。

2.2 GWAS

全基因组关联分析

2.3 BLUP

动物模型中，运用系谱构建亲缘关系矩阵，对个体进行BLUP育种值的计算。

2.4 MA-BLUP

首先运行GWAS得到显著性的SNP，然后将其放到BLUP的模型中作为固定因子。

2.5 GBLUP

通过分子标记信息构建亲缘关系G矩阵，对个体进行GBLUP育种值的计算。

2.6 MA-GBLUP

首先运行GWAS，得到显著性SNP，然后将其放到GBLUP模型中作为固定因子。

2.7 Bayesian模型（BVS）

主要是应用贝叶斯类的方法，进行基因组选择。

3. 主要结论

3.1 BLUP VS MA-BLUP

MA-BLUP相对于BLUP方法，准确性提高0.021~0.124

❝
飞哥总结：可以看到，这种方法，对于某个群体特定性状，有显著性位点或者QTL时，可以显著的提升评估的准确性，这种MAS + BLUP的方法，对于育种群体，具有很好的实践性。具体实践，可以对某个育种群体，进行GWAS的分析，得到显著性的位点，然后对于后续的群体中，只需要少数的位点分型，加入到BLUP的模型中，就可以提升预测的准确性，操作性强，性价比高。
❞

3.2 GBLUP VS MA-GBLUP

MA-GBLUP 比GBLUP提升了0.003~0.043的准确性。

3.3 MA-BLUP VS GBLUP

在样本数较小，和参考群和候选群关系较远时，MA-BLUP比GBLUP还要好

3.4 MA-GBLUP VS BVS

本文中，BVS比MA-GBLUP稍好，但是MA-GBLUP更具有操作性，特别是针对大群体（运行速度快！）

方法

4.1 数据

四个品种：大白（Large White），地方种（Dutch Landrace）,挪威长白（Norwegian Landrace）和杜洛克（Duroc）性状：乳头数（Number of teats）

「数据汇总：」

4.2 模型

平均值
性别
场年
加性效应（随机因子）
窝别效应（随机效应）

4.3 GWAS模型

采用混合线性模型。

整体均值
X是0,1，2的基因型分析（固定因子）
加性效应

「软件」ASReml软件

「SNP解释的百分比」

分母，是不考虑SNP固定因子的模型，所有的方差组分之和
分子，是每个SNP的替换效应，然后根据公式计（）算而来

「补充知识」

❝
基因替换的平均效应（average effect of the gene substitution），群体内等位基因之间相互替换所引起的遗传效应称之为基因替换的平均效应。
❞

a = 加性效应
d = 显性效应

❝
需要指出的是，用最下二乘法的原理可以证明，基因替换的平均效应是基因型值对个体基因含量（某种等位基因的个数）的直线回归系数，即：个体的基因含量没改变一个单位所引起的基因型值的平均改变量。而个体基因型值的预测值则为该个体的育种值。
❞

❝
飞哥注：延伸，GWAS中SNP的效应值，为基因型0-1-2的回归系数，按照上面的定义，也可以作为基因的替换效应，下图的解释中，作为SNP的回归系数（效应值），解释为替换效应（substitution effect），所以某个SNP解释表型的百分比，就可以容易计算了。
❞

4.4 BLUP，MA-BLUP，GBLUP，MA-GBLUP

这四个模型，基本一致。

BLUP：系谱计算的A矩阵，放到混线性模型中
MA-BLUP：系谱计算的A矩阵，另外加大效应SNP为固定因子
GBLUP：SNP构建G矩阵，放到混线性模型中
MA-GBLUP：：SNP构建G矩阵，另外加入大效应SNP为固定因子

这些模型，都是在ASReml完成分析。

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。