为全面揭示基因组选择(genomic selection,GS)技术在作物遗传育种中的现状和应用潜力,以“基因组选择”“作物育种”“深度学习”“统计模型”为关键词,在Web of Science、中国知网等数据库中检索相关文献共253篇,系统总结基因组选择技...为全面揭示基因组选择(genomic selection,GS)技术在作物遗传育种中的现状和应用潜力,以“基因组选择”“作物育种”“深度学习”“统计模型”为关键词,在Web of Science、中国知网等数据库中检索相关文献共253篇,系统总结基因组选择技术的理论基础、方法演进、模型优化、应用实例等方面的进展和面临的挑战,重点分析采用多组学融合、神经网络等具体方法以提升基因组选择技术辅助育种的预测准确性。结果表明:基因组选择技术已从传统表型选择理论拓展至整合高通量基因组数据的现代育种实践,基因组选择模型亦由早期的以最佳线性无偏预测模型为(BLUP)核心的线性模型统计方法逐步演变为贝叶斯模型(Bayes model)、正则化方法、多性状预测、多环境反应规范模型和机器学习与深度学习模型,特别是在复杂性状预测中展现出显著优势。同时,大豆等重要作物已成为基因组选择辅助育种应用的典型代表,涵盖模型训练、训练群体优化及基因型-环境互作建模等方面。GS的突破有赖于多组学数据整合、环境-基因互作建模、可解释性算法、多模态深度学习框架,以及面向育种实践的大规模训练集构建等。可见,GS正逐步形成支撑新一代智能化育种体系的关键技术支柱,在耕地资源紧张与气候变化背景下,为实现作物遗传增益与可持续育种提供重要的支点。展开更多
文摘为全面揭示基因组选择(genomic selection,GS)技术在作物遗传育种中的现状和应用潜力,以“基因组选择”“作物育种”“深度学习”“统计模型”为关键词,在Web of Science、中国知网等数据库中检索相关文献共253篇,系统总结基因组选择技术的理论基础、方法演进、模型优化、应用实例等方面的进展和面临的挑战,重点分析采用多组学融合、神经网络等具体方法以提升基因组选择技术辅助育种的预测准确性。结果表明:基因组选择技术已从传统表型选择理论拓展至整合高通量基因组数据的现代育种实践,基因组选择模型亦由早期的以最佳线性无偏预测模型为(BLUP)核心的线性模型统计方法逐步演变为贝叶斯模型(Bayes model)、正则化方法、多性状预测、多环境反应规范模型和机器学习与深度学习模型,特别是在复杂性状预测中展现出显著优势。同时,大豆等重要作物已成为基因组选择辅助育种应用的典型代表,涵盖模型训练、训练群体优化及基因型-环境互作建模等方面。GS的突破有赖于多组学数据整合、环境-基因互作建模、可解释性算法、多模态深度学习框架,以及面向育种实践的大规模训练集构建等。可见,GS正逐步形成支撑新一代智能化育种体系的关键技术支柱,在耕地资源紧张与气候变化背景下,为实现作物遗传增益与可持续育种提供重要的支点。
