目录 1. 前言 2. BLUP方法 ABLUP GBLUP ssGBLUP RRBLUP 3. 贝叶斯方法 BayesA BayesB BayesC/Cπ/Dπ Bayesian Lasso 4. 机器学习 支持向量机 集成学习 深度学习 5. 其他模型 RKHS GWAS-assisted GS 非加性效应 多变量模型 多组学 6. 小结 参考资料 1. 前言 在介绍GS模型之前,我们有必要先来了解一下混合线性模型(Mixed Linear Model,MLM).混合线性模型是一种方差分量模

目录 1. 优势杂交育种预测 2. GS育种原理与模型算法 岭回归和LASSO回归 贝叶斯方法 GBLUP和RRBLUP 偏最小二乘法 支持向量机/支持向量回归 其他方法 3. 模型预测能力验证 4. 局限性 基于数学建模的杂交种预测的一些假设: 影响因素 5. 展望 1. 优势杂交育种预测 杂交育种:选育优良纯合亲本,再进行亲本配组. 杂种优势与亲本间的遗传差异有关,前人通过遗传标记计算亲本间的遗传距离.但遗传距离和杂种优势的相关性只能在一定程度上定性地评价杂交组合的表现,并不能定量地预测表现

全基因组选择(Genomic selection, GS)是一种利用覆盖全基因组的高密度标记进行选择育种的新方法,可通过早期选择缩短世代间隔,提高育种值(Genomic Estimated Breeding Value, GEBV)估计准确性等加快遗传进展,尤其对低遗传力.难测定的复杂性状具有较好的预测效果,真正实现了基因组技术指导育种实践. 原理 常规育种手段主要利用性状记录值.基于系谱计算的个体间亲缘关系,通过最佳线性无偏估计(best linear unbiased predication

目录 1. GS概况 2. GS模型 1)直接法 GBLUP 直接法的模型改进 ①单随机效应 ②多随机效应 2)间接法 间接法模型 基于间接法的模型改进 3. GS模型比较 模型比较结论 4.问题及展望 文献来源: 尹立林, 马云龙, 项韬, 朱猛进, 余梅, 李新云, 刘小磊, 赵书红. 全基因组选择模型研究进展及展望[J]. 畜牧兽医学报, 2019, 50(2): 233-242. 华中农大赵书红老师于2019年发表在< 畜牧兽医学报>上的综述,主要针对动物. 1. GS概况 2009年

目录 1. 免费开源包/库 1.1 R包 1.2 Python库 2. 成熟软件 3. WEB/GUI工具 前面我们已经介绍了基因组选择的各类模型,今天主要来了解一下做GS有哪些可用的软件和工具.基因组选择处在热门研究阶段,每年都有不少新工具开发出来,可分析的软件非常之多,为了便于大家更加清晰地了解,这里我将它们分为免费开源包/库.成熟软件.WEB/GUI工具三类,用户使用难度依次降低. 1. 免费开源包/库 R和Python语言作为开源软件的代表,在数据分析领域有着不可替代的优势.近几年大部分

目录 1. 理论 2. 实操 2.1 rrBLUP包简介 2.2 实操 3. 补充说明 关于模型 关于交叉验证 参考资料 1. 理论 rrBLUP是基因组选择最常用的模型之一,也是间接法模型的代表.回顾一下,所谓间接法是指:在参考群中估计标记效应,再结合预测群的基因型信息将标记效应累加,最终获得预测群的个体估计育种值.而直接法则是指:将个体作为随机效应,参考群体和预测群体遗传信息构建的亲缘关系矩阵作为方差协方差矩阵,通过迭代法估计方差组分,进而求解混合模型获取待预测个体的估计育种值.简言之,直接

目录 什么是基因组选择? 基因组选择技术的发展 基因组选择的原理和流程 基因组选择的模型 基因组选择的展望 参考资料 什么是基因组选择? 基因组选择(Genomic Selection,简称GS)这一概念由挪威生命科学大学的Theo Meuwissen 教授于2001年提出.它是一种利用覆盖全基因组的高密度分子标记进行选择育种的新方法,可通过构建预测模型,根据基因组估计育种值(Genomic Estimated Breeding Value, GEBV)进行早期个体的预测和选择,从而缩短世代间隔

目录 1. 简介 2. BLUP类模型 3. Bayesian类模型 4. 机器学习 5. GWAS辅助的GS 6. 杂交育种 7. 多性状 8. 长期选择 9. 预测准确性评估 10. GS到植物育种 11. 未来展望 2020年10月张志武老师联合多家单位的大佬撰写的植物GS育种的最新进展,目前还只是预印版(改到第二版).这篇综述涉及到GS在植物领域应用的最新进展,长达48页.不同于其他的综述描写空洞宽泛,这一篇特别对模型方法进行了介绍,正好解决了我的需求.缺点就是可能重点说明了他们自己开发

目录 1. GS/GP在植物育种中的角色 2. GP模型应用 3. GP模型的准确性 4. 植物育种的GS展望 5. 小结 Genomic SelectioninPlant Breeding: Methods,Models,and Perspectives 国际玉米小麦改良中心(CIMMYT)José Crossa 2017年发表在<Trends in Plant Science>上的综述. 1. GS/GP在植物育种中的角色 过去的植物育种主要借助分子标记辅助选择法(MAS)来进行表型选择(

中国农业大学等多家单位2017年合作发表在<遗传>杂志上的综述,笔记之. 作者中还有李宁院士,不胜唏嘘. 1.概述 GS的两大难题:基因组分型的成本,基因组育种值(genomic estimted breeding value, GEBV)的准确性. 基于个体的基因组估计育种值GEBV比传统基于系谱的估计育种值(estimted breeding value, EBV)准确性更高. GS实施示意图: 基于单点SNP标记的GEBV估计方法 一类基于估计等位基因效应来计算GEBV: ①最小二乘法

目录 1.GS研究 2.数量遗传发展 GS应用主要在国外大型动物和种企,国内仍以学术为主.近期整理相关学术文献,了解到一些相关研究人员,记录下备忘查询,但不可能全面. 1.GS研究 Theo Meuwissen(挪威生命科学大学) GS概念提出者,号称"基因组选择之父",贝叶斯方法为主,但是做动物的,所以可略过. https://www.researchgate.net/scientific-contributions/Theo-H-E-Meuwissen-2120554457 Ign

综述:Genomic Selection in the Era of Next Generation Sequencing for Complex Traits in Plant Breeding 要点: MAS仅对数量较少的主效QTL有效,而GS适用于大量微效QTL控制的复杂数量性状.GS根据分布在整个基因组中的大量标记信息来估计个体的遗传价值,而不是像MAS中那样基于少量标记. GS由Meuwissen(2001)等人提出,一开始应用于动物,最近才应用作物育种.主要是因为NGS的成本下降(尤

目录 说明 1.前言 2.植物GS瓶颈 3.提高GS预测的准确性 4.GS与现代育种技术结合 5.GS开源育种网络 说明 Enhancing Genetic Gain through Genomic Selection: From Livestock to Plants 这篇是徐云碧老师2019年发表在<Plant Communications>上的综述.徐老师是农科院作科所以及CIMMYT的分子育种专家,著有<分子数量遗传学>和<分子植物育种>,提出环境型.遗传增益等

目录 GS两步走 示例 缩短周期和成本 分类 杂交类型 试验研究 选择响应 选择的强度 选择的周期 预测能力 数据分析的注意事项 GS实施 优缺点 GS的成功 展望 GS两步走 示例 缩短周期和成本 分类 杂交类型 试验研究 选择响应 选择的强度 选择的周期 预测能力 数据分析的注意事项 GS实施 优缺点 GS的成功 展望 本课件来自Jose Osorio的报告(2013IIIinois Corn Breeders' School)

目录 简介 GS示例代码 简介 R包sommer内置了C++,运算速度还是比较快的,功能也很丰富,可求解各种复杂模型.语法相比于lme4包也要好懂一些. 建议查看文档:vignette("v1.sommer.quick.start") 混合线性模型关键在于协方差结构的建立,有以下几类: 复合对称(Compound Symmetry,CS),所有方差相等,所有协方差也相等,对应于单变量方法.但是对于不同尺度的变量是无意义的. 方差组分(Variance Components),每个方差都

目录 1.GWAS模型 1.1卡方检验 1.2 相关性系数的t检验 1.3 一般线性模型GLM 1.4 混合线性模型MLM 1.5 压缩混合线性模型CMLM 1.6 SUPER 1.7 FarmCPU 1.8 Blink 2.GS模型 2.1 MAS 2.2 GBLUP 2.3 GBLUP的扩展(ssBLUP,sBLUP,cBLUP) 2.4 rrBLUP 2.5 rrBLUP的扩展(Bayes类) 2.6 BLUP vs Bayes 3.GWAS和GS模型比较 最近看了不少统计基因组方面的资料

Linear Model Selection and Regularization 此博文是 An Introduction to Statistical Learning with Applications in R 的系列读书笔记,作为本人的一份学习总结,也希望和朋友们进行交流学习. 该书是The Elements of Statistical Learning 的R语言简明版,包含了对算法的简明介绍以及其R实现,最让我感兴趣的是算法的R语言实现. [转载时请注明来源]:http://www

目录 2010年1月:大豆基因组首次发表(Nature) 2010年12月:31个大豆基因组重测序(Nature Genetics) 2014年10月:野生大豆泛基因组(Nature Biotechnology) 2015年2月:大豆在驯化和改良过程中遗传多态性明显降低(Nature Biotechnology) 2017年8月:GWAS解析大豆重要性状网络(Genome Biology) 2018年8月:中国国审大豆品种中黄13的基因组完成(Science China Life Science

目录 前言 四个SNP集 hapmapSNPs tagSNPs fixedSNPs barcodeSNPs hapmapSNPs的指标统计 tagSNPs的群体结构验证 tagSNPs的遗传多样性 tagSNPs用于GS fixedSNPs验证 barcodeSNPs指纹图谱 barcodeIndel SR4R数据库 前言 王向峰老师2020年发表在<Genomics Proteomics Bioinformatics>(IF=6.597)上的文章.对于做数据分析的人来说,如何挖掘公共数据,如

InterProScan 5.18-57.0 安装和使用,目前最新版的interproscan 引用自 每日一生信--interproscan安装及使用(终结版)原文官网:http://code.google.com/p/interproscan/wiki/Introduction 配置要求:至少2 cores and 4 GB of RAM, 这样才能同时分析5 - 10 sequences . 软件要求: Linux, 32 bit or 64 bit (64 bit recommended