畜禽基因组选择中贝叶斯方法及其参数优化策略

• 作者: 孙少华 张路培 朱波 李俊雅 牛红 王延晖 陈燕 高会江 高雪
• 来源期刊: 中国农业科学
• 关键词: 基因组选择 贝叶斯方法 参数优化
• 年，卷（期）: 2014,（22）
• 所属期刊栏目: 畜牧?兽医?资源昆虫
• 页码范围: 4495-4505
• 页数: 11页
• 语种: 中文
• DOI: 10.3864/j.issn.0578-1752.2014.22.015

摘要

品种选育在畜禽育种中占十分重要的地位，基因组选择作为畜禽育种的新兴技术手段而备受关注。其优点为可以缩短世代间隔，加快遗传进展，可以不依赖于表型进行选择。2001年，Meuwisen提出基因组选择的概念后，基因组选择首先应用于奶牛育种，至2014年8月，国际公牛组织已有34个成员国在其国家奶牛育种群中应用基因组选择。随着基因组选择的不断推广应用，提高基因组育种值估计准确性的问题有待于解决，当前对基因组选择方法的研究和探讨正在不断深入，有效的模型及算法对提高基因组育种值估计的准确性具有重大现实意义。至今已有17种贝叶斯方法相继被提出，本文简要介绍了基因组选择中的经典 BayesA 和 BayesB 方法，其中BayesA假设所有位点都有效应，BayesB假设部分位点有效应，且这部分有效应的位点所占的比例很小，它们的假设模型和算法都不相同。Meuviwisen提出经典贝叶斯方法后，其它贝叶斯方法犹如雨后春笋般涌出，这些新方法的提出，都是基于经典贝叶斯方法原理，对假设模型和算法进行适当改进，以期对模型中的参数进行优化。如BayesC方法在BayesB的基础上对模型中的π值进行优化，BayesCπ和 BayesDπ是在BayesC的基础上进行改进，这两种方法假设各位点的效应方差是相同的，而 BayesC 假设各位点的效应方差是不同的，BayesDπ又是在 BayesCπ基础上对效应方差服从尺度逆卡方分布中的尺度参数进行优化。Bayes Lasso的思想和BayesA一样，不同之处在于它假设标记效应服从另一种分布-拉普拉斯分布，所以标记效应的后验分布也随之改变。BayesRS方法假设各位点的效应方差是按占一定比例的总遗传方差分配的。其它的贝叶斯方法也都是在前人研究的基础之上对模型中的先验假设进行变换和模型中的参数进行优化，以期寻找最适合群体的假设模型和参数。目前广泛应用的贝叶斯算法仍是经典贝叶斯算法以及BayesCπ，这是由于它们计算结果的稳定性和较高的基因组育种值估计准确性。在这3种贝叶斯算法中，基因组育种值估计准确性基本上是BayesB＞BayesCπ＞BayesA，但某些性状计算的基因组育种值准确性结果并非如此。相对于经典贝叶斯方法，参数优化过程在一定程度上提高了基组育种值估计的准确性。总之，在经典贝叶斯方法的基础上，贝叶斯方法的改进算法及其参数优化策略围绕着以提高基因组育种值估计的准确性为目的，通过生物遗传算法与实际的群体情况相结合，寻找最适的假设模型和参数优化策略，丰富和拓展了基因组选择算法，并能使得基因组育种值更具参考价值。由于中国的动物育种历程与国外育种差距甚远，利用基因组选择可以加快畜禽育种进程，进而还可以培养新品系，丰富遗传资源。同时对基因组选择在中国的方法研究及应用进行了介绍,面对基因组选择的种种优点，全基因组选择育种技术势在必行。此外，文章还探讨了畜禽基因组选择中贝叶斯方法及其参数优化策略存在的主要问题和今后研究的热点，以期为获得更加可靠和快捷的基因组选择算法提供参考。