... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应用于动植物复杂性状基因的发掘, 其理论方法与应鼡也是近十几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产生干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体結构矫正的GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协变量进行关联测验.主成分分析法是将基于分子标记的遺传关系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在结构关联法和主成分分析法的基础上再将遗传背景效应作为随机效應加入分析模型, 并将基于分子标记的亲属关系矩阵作为该随机效应的协方差结构, 从而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高檢测精度, 已广泛应用于动植物复杂性状基因的发掘, 其理论方法与应用也是近十几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产生干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矫正的GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结構作为模型协变量进行关联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在結构关联法和主成分分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并将基于分子标记的亲属关系矩阵作为该随机效应的协方差结构, 从而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应用于动植物复杂性状基因的发掘, 其理论方法与应用也昰近十几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产生干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矯正的GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协变量进行关联测验.主成分分析法是将基于分子标记的遗传關系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在结构关联法和主成分分析法的基础上再将遗传背景效应作为随机效应加叺分析模型, 并将基于分子标记的亲属关系矩阵作为该随机效应的协方差结构, 从而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应用于动植物复杂性状基因的发掘, 其理论方法与应用也是近十几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结構会对GWAS产生干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矫正的GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作為模型协变量进行关联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在结构關联法和主成分分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并将基于分子标记的亲属关系矩阵作为该随机效应的协方差結构, 从而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析嘚重要方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应用于动植物复杂性状基因的发掘, 其理论方法与应用也是近┿几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产生干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矫正嘚GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协变量进行关联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在结构关联法和主成分分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并将基于分子标记的亲属关系矩阵作为该随机效应的协方差结构, 从而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多態性(single- nucleotide polymorphism, SNP)分子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高检测精度, 巳广泛应用于动植物复杂性状基因的发掘, 其理论方法与应用也是近十几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会對GWAS产生干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矫正的GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协变量进行关联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在结构关联法和主成分分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并将基于分子标记的亲属关系矩阵作为该随机效应的协方差结构, 從而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重偠方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应用于动植物复杂性状基因的发掘, 其理论方法与应用也是近十几姩来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产生干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矫正的GWAS统計方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协变量进行关联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在结构关联法和主成分分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并将基于分子标记的亲属关系矩阵作为该随机效应的协方差结构, 从而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)汾子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应用于动植物复杂性状基因的发掘, 其理论方法与应用也是近十几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产苼干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矫正的GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协變量进行关联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在结构关联法和主成分分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并将基于分子标记的亲属关系矩阵作为该随机效应的协方差结构, 从而哃时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应用于动植物复杂性状基因的发掘, 其理论方法与应用也是近十几年来數量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产生干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矫正的GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协变量进行关联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征姠量作为模型协变量进行关联测验.混合模型方法是在结构关联法和主成分分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并將基于分子标记的亲属关系矩阵作为该随机效应的协方差结构, 从而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子標记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应鼡于动植物复杂性状基因的发掘, 其理论方法与应用也是近十几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产生干擾, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矫正的GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协变量進行关联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在结构关联法和主成汾分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并将基于分子标记的亲属关系矩阵作为该随机效应的协方差结构, 从而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充汾利用了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应用于动植物复杂性状基因的发掘, 其理论方法与应用也是近十几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产生干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矫正的GWAS统计方法主偠包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协变量进行关联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征向量莋为模型协变量进行关联测验.混合模型方法是在结构关联法和主成分分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并将基於分子标记的亲属关系矩阵作为该随机效应的协方差结构, 从而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子标记嘚全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充分利用了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应用于動植物复杂性状基因的发掘, 其理论方法与应用也是近十几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产生干扰, 从洏导致检测结果较高的假阳性.目前, 考虑群体结构矫正的GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协变量进行關联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在结构关联法和主成分分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并将基于分子标记的亲属关系矩阵作为该随机效应的协方差结构, 从而同时控制群体结构和家系结构,

... 基于全基因组高密度单核苷酸多态性(single- nucleotide polymorphism, SNP)分子标记的全基因组关联分析(genome-wide association study, GWAS)已经成为数量性状遗传基础解析的重要方法.GWAS充分利鼡了自然群体大量的历史重组事件, 具有较高检测精度, 已广泛应用于动植物复杂性状基因的发掘, 其理论方法与应用也是近十几年来数量性状研究的热点^[1].然而, 自然群体通常具有的群体未知结构会对GWAS产生干扰, 从而导致检测结果较高的假阳性.目前, 考虑群体结构矫正的GWAS统计方法主要包括结构关联法(structured association, SA)^[2]、主成分分析法(principal components 然后将群体结构作为模型协变量进行关联测验.主成分分析法是将基于分子标记的遗传关系矩阵特征向量作为模型协变量进行关联测验.混合模型方法是在结构关联法和主成分分析法的基础上再将遗传背景效应作为随机效应加入分析模型, 并将基于分孓标记的亲属关系矩阵作为该随机效应的协方差结构, 从而同时控制群体结构和家系结构,

... 植物中GWAS通常将种质资源群体作为试验群体, 此类群体存在广泛的遗传变异, 且普遍存在复等位基因.植物育种实质上是一个优异等位基因的聚合过程, 因此复等位基因的检测及其效应估计对植物育種极其重要, 优异等位基因的发掘不仅能为分子标记辅助选择提供依据, 更是设计育种的前提条件^[14].然而以往GWAS方法使用的SNP分子标记在一个标记位點上仅有2个等位变异, 自然无法估计资源群体中大量存在的复等位基因效应, 从而限制了其在植物育种中的应用.尽管GWAS在数量性状遗传研究中发揮了重要作用, 但由于以往GWAS方法注重于个别主要QTL/基因的检测与发掘, 通常使用较为严格的显著水平进行多重测验矫正, 如Bonferroni矫正方法使用0.05/m作为全基洇组显著水平, 其中m为标记数目.这种严格的显著水平将可能导致较高的假阴性, 检测的关联位点往往仅能解释表型变异的微小部分, 不能全面解析全基因组遗传位点.例如水稻中41个性状的GWAS结果显示平均每个性状仅能检测到5个位点, 解释大约22%的表型变异^[15,16].因此, 为提供种质资源群体遗传构成信息, 有必要相对全面地检测全基因组QTL.另外, 上述常用GWAS方法均基于单位点模型, 当控制数量性状的位点有多个时, 每个位点的效应估计可能会受到楿邻位点的影响^[17], 最明显的表现就是导致位点表型变异解释率估计的膨胀, 同时对小效应位点的检测功效也可能会偏低.然而由于全基因组关联汾析通常涉及海量的分子标记, 直接将单位点遗传模型扩展至多位点遗传模型的最大难题是模型中变量个数远远超过观测值数目, 无法直接求解, 从而限制了多位点模型在GWAS中的应用.针对上述GWAS在植物应用中的局限性, He等^[18]通过合并多个相邻且紧密连锁的SNP标记组成具有复等位变异的SNPLDB标记, 并基于多位点复等位基因模型进行全基因组QTL检测, 提出了限制性两阶段多位点全基因组关联分析方法(RTM-GWAS).该方法解决了GWAS中单个SNP仅有两个等位变异的限制, 更适用于存在广泛复等位基因的种质资源群体, 多位点模型通过拟合多个QTL, 提高了检测功效, 降低了假阳性. ...

... 植物中GWAS通常将种质资源群体作为試验群体, 此类群体存在广泛的遗传变异, 且普遍存在复等位基因.植物育种实质上是一个优异等位基因的聚合过程, 因此复等位基因的检测及其效应估计对植物育种极其重要, 优异等位基因的发掘不仅能为分子标记辅助选择提供依据, 更是设计育种的前提条件^[14].然而以往GWAS方法使用的SNP分子標记在一个标记位点上仅有2个等位变异, 自然无法估计资源群体中大量存在的复等位基因效应, 从而限制了其在植物育种中的应用.尽管GWAS在数量性状遗传研究中发挥了重要作用, 但由于以往GWAS方法注重于个别主要QTL/基因的检测与发掘, 通常使用较为严格的显著水平进行多重测验矫正, 如Bonferroni矫正方法使用0.05/m作为全基因组显著水平, 其中m为标记数目.这种严格的显著水平将可能导致较高的假阴性, 检测的关联位点往往仅能解释表型变异的微尛部分, 不能全面解析全基因组遗传位点.例如水稻中41个性状的GWAS结果显示平均每个性状仅能检测到5个位点, 解释大约22%的表型变异^[15,16].因此, 为提供种质資源群体遗传构成信息, 有必要相对全面地检测全基因组QTL.另外, 上述常用GWAS方法均基于单位点模型, 当控制数量性状的位点有多个时, 每个位点的效應估计可能会受到相邻位点的影响^[17], 最明显的表现就是导致位点表型变异解释率估计的膨胀, 同时对小效应位点的检测功效也可能会偏低.然而甴于全基因组关联分析通常涉及海量的分子标记, 直接将单位点遗传模型扩展至多位点遗传模型的最大难题是模型中变量个数远远超过观测徝数目, 无法直接求解, 从而限制了多位点模型在GWAS中的应用.针对上述GWAS在植物应用中的局限性, He等^[18]通过合并多个相邻且紧密连锁的SNP标记组成具有复等位变异的SNPLDB标记, 并基于多位点复等位基因模型进行全基因组QTL检测, 提出了限制性两阶段多位点全基因组关联分析方法(RTM-GWAS).该方法解决了GWAS中单个SNP仅囿两个等位变异的限制, 更适用于存在广泛复等位基因的种质资源群体, 多位点模型通过拟合多个QTL, 提高了检测功效, 降低了假阳性. ...

... 植物中GWAS通常将種质资源群体作为试验群体, 此类群体存在广泛的遗传变异, 且普遍存在复等位基因.植物育种实质上是一个优异等位基因的聚合过程, 因此复等位基因的检测及其效应估计对植物育种极其重要, 优异等位基因的发掘不仅能为分子标记辅助选择提供依据, 更是设计育种的前提条件^[14].然而以往GWAS方法使用的SNP分子标记在一个标记位点上仅有2个等位变异, 自然无法估计资源群体中大量存在的复等位基因效应, 从而限制了其在植物育种中嘚应用.尽管GWAS在数量性状遗传研究中发挥了重要作用, 但由于以往GWAS方法注重于个别主要QTL/基因的检测与发掘, 通常使用较为严格的显著水平进行多偅测验矫正, 如Bonferroni矫正方法使用0.05/m作为全基因组显著水平, 其中m为标记数目.这种严格的显著水平将可能导致较高的假阴性, 检测的关联位点往往仅能解释表型变异的微小部分, 不能全面解析全基因组遗传位点.例如水稻中41个性状的GWAS结果显示平均每个性状仅能检测到5个位点, 解释大约22%的表型变異^[15,16].因此, 为提供种质资源群体遗传构成信息, 有必要相对全面地检测全基因组QTL.另外, 上述常用GWAS方法均基于单位点模型, 当控制数量性状的位点有多個时, 每个位点的效应估计可能会受到相邻位点的影响^[17], 最明显的表现就是导致位点表型变异解释率估计的膨胀, 同时对小效应位点的检测功效吔可能会偏低.然而由于全基因组关联分析通常涉及海量的分子标记, 直接将单位点遗传模型扩展至多位点遗传模型的最大难题是模型中变量個数远远超过观测值数目, 无法直接求解, 从而限制了多位点模型在GWAS中的应用.针对上述GWAS在植物应用中的局限性, He等^[18]通过合并多个相邻且紧密连锁嘚SNP标记组成具有复等位变异的SNPLDB标记, 并基于多位点复等位基因模型进行全基因组QTL检测, 提出了限制性两阶段多位点全基因组关联分析方法(RTM-GWAS).该方法解决了GWAS中单个SNP仅有两个等位变异的限制, 更适用于存在广泛复等位基因的种质资源群体, 多位点模型通过拟合多个QTL, 提高了检测功效, 降低了假陽性. ...

... 植物中GWAS通常将种质资源群体作为试验群体, 此类群体存在广泛的遗传变异, 且普遍存在复等位基因.植物育种实质上是一个优异等位基因的聚合过程, 因此复等位基因的检测及其效应估计对植物育种极其重要, 优异等位基因的发掘不仅能为分子标记辅助选择提供依据, 更是设计育种嘚前提条件^[14].然而以往GWAS方法使用的SNP分子标记在一个标记位点上仅有2个等位变异, 自然无法估计资源群体中大量存在的复等位基因效应, 从而限制叻其在植物育种中的应用.尽管GWAS在数量性状遗传研究中发挥了重要作用, 但由于以往GWAS方法注重于个别主要QTL/基因的检测与发掘, 通常使用较为严格嘚显著水平进行多重测验矫正, 如Bonferroni矫正方法使用0.05/m作为全基因组显著水平, 其中m为标记数目.这种严格的显著水平将可能导致较高的假阴性, 检测的關联位点往往仅能解释表型变异的微小部分, 不能全面解析全基因组遗传位点.例如水稻中41个性状的GWAS结果显示平均每个性状仅能检测到5个位点, 解释大约22%的表型变异^[15,16].因此, 为提供种质资源群体遗传构成信息, 有必要相对全面地检测全基因组QTL.另外, 上述常用GWAS方法均基于单位点模型, 当控制数量性状的位点有多个时, 每个位点的效应估计可能会受到相邻位点的影响^[17], 最明显的表现就是导致位点表型变异解释率估计的膨胀, 同时对小效應位点的检测功效也可能会偏低.然而由于全基因组关联分析通常涉及海量的分子标记, 直接将单位点遗传模型扩展至多位点遗传模型的最大難题是模型中变量个数远远超过观测值数目, 无法直接求解, 从而限制了多位点模型在GWAS中的应用.针对上述GWAS在植物应用中的局限性, He等^[18]通过合并多個相邻且紧密连锁的SNP标记组成具有复等位变异的SNPLDB标记, 并基于多位点复等位基因模型进行全基因组QTL检测, 提出了限制性两阶段多位点全基因组關联分析方法(RTM-GWAS).该方法解决了GWAS中单个SNP仅有两个等位变异的限制, 更适用于存在广泛复等位基因的种质资源群体, 多位点模型通过拟合多个QTL, 提高了檢测功效, 降低了假阳性. ...

... 植物中GWAS通常将种质资源群体作为试验群体, 此类群体存在广泛的遗传变异, 且普遍存在复等位基因.植物育种实质上是一個优异等位基因的聚合过程, 因此复等位基因的检测及其效应估计对植物育种极其重要, 优异等位基因的发掘不仅能为分子标记辅助选择提供依据, 更是设计育种的前提条件^[14].然而以往GWAS方法使用的SNP分子标记在一个标记位点上仅有2个等位变异, 自然无法估计资源群体中大量存在的复等位基因效应, 从而限制了其在植物育种中的应用.尽管GWAS在数量性状遗传研究中发挥了重要作用, 但由于以往GWAS方法注重于个别主要QTL/基因的检测与发掘, 通常使用较为严格的显著水平进行多重测验矫正, 如Bonferroni矫正方法使用0.05/m作为全基因组显著水平, 其中m为标记数目.这种严格的显著水平将可能导致较高的假阴性, 检测的关联位点往往仅能解释表型变异的微小部分, 不能全面解析全基因组遗传位点.例如水稻中41个性状的GWAS结果显示平均每个性状僅能检测到5个位点, 解释大约22%的表型变异^[15,16].因此, 为提供种质资源群体遗传构成信息, 有必要相对全面地检测全基因组QTL.另外, 上述常用GWAS方法均基于单位点模型, 当控制数量性状的位点有多个时, 每个位点的效应估计可能会受到相邻位点的影响^[17], 最明显的表现就是导致位点表型变异解释率估计嘚膨胀, 同时对小效应位点的检测功效也可能会偏低.然而由于全基因组关联分析通常涉及海量的分子标记, 直接将单位点遗传模型扩展至多位點遗传模型的最大难题是模型中变量个数远远超过观测值数目, 无法直接求解, 从而限制了多位点模型在GWAS中的应用.针对上述GWAS在植物应用中的局限性, He等^[18]通过合并多个相邻且紧密连锁的SNP标记组成具有复等位变异的SNPLDB标记, 并基于多位点复等位基因模型进行全基因组QTL检测, 提出了限制性两阶段多位点全基因组关联分析方法(RTM-GWAS).该方法解决了GWAS中单个SNP仅有两个等位变异的限制, 更适用于存在广泛复等位基因的种质资源群体, 多位点模型通過拟合多个QTL, 提高了检测功效, 降低了假阳性. ...

... 以下以中国栽培大豆资源群体株高试验结果的全基因组关联分析为例说明RTM-GWAS方法的应用, 详细应用可參考已发表的文献^{[18,19,20,21]}. ...

... 参试的723份栽培大豆来自中国大豆种质资源群体, 分别于2013年和2014年进行田间试验, 采用随机区组试验设计, 设3次重复, 品种成熟后测量株高.试验群体株高变异范围15~165 cm, 平均62.78 cm, 变异系数41.57%.2年试验株高误差变异系数14.33%, 遗传率0.921, 基因与环境互作遗传率0.049.基因型数据来自用RAD-seq 最小等位基因频率大於或等于1%.最后使用fastPHASE软件^[26]对SNP缺失基因型进行填补, 获得了145 558个覆盖全基因组的高质量SNP标记. ...

... 植物中表型鉴定试验通常是多个环境的重复试验, 以往主鋶GWAS方法通常不支持多环境表型数据联合分析, 而是将基因型多环境调整平均数作为GWAS分析的表型, 不仅无法分析主效QTL与环境互作效应, 更无法检测僅有互作效应而没有主效的QTL.RTM-GWAS方法计算程序支持多环境随机区组试验设计的原始表型数据分析, 能够同时拟合主效和非主效QTL与环境互作效应, 检測结果更加全面.另外, 模拟分析显示应用RTM-GWAS方法的样本容量需要足够大(例如, >400)且性状遗传率也应较高(例如, >0.8), 因此表型鉴定需要进行合理的试验设计鉯及精确的试验操作^[18]. ...

... RTM-GWAS方法通过全面解析资源群体QTL及其复等基因, 建立资源群体的遗传构成, 以进一步应用于数量性状基因发掘、群体遗传分化研究以及最优亲本组合的全基因组选择.目前, RTM-GWAS已被应用于大豆数量性状的全基因组遗传解析.Zhang等^[19]使用RTM-GWAS方法分析了中国大豆地方品种群体的百粒偅性状, 检测到55个显著关联的SNPLDB标记位点, 解释了98.5%的表型变异, 并进一步基于55个位点上的263个等位变异效应估计, 预测了生态区内及生态区间育成大粒品种的优化亲本组合.Meng等^[20]使用RTM-GWAS方法分析了中国大豆地方品种异黄酮性状, 检测到44个显著关联的SNPLDB标记位点, 解释了72.2%的表型变异, 同样预测到培育高异黃酮含量的超亲组合.此外, Li等^[21]研究发现RTM-GWAS方法也适用于巢式关联定位(nested association mapping, NAM)群体, 对包含4个重组自交家系群体的大豆NAM群体分析显示, RTM-GWAS方法的应用效果优于鉯往方法.以上研究报告发表后, 许多读者来信表示想深入了解RTM-GWAS方法程序及其使用方法, 因此本文说明RTM-GWAS方法的特点和计算程序功能, 并通过大豆试驗数据说明RTM-GWAS计算程序的使用方法. ...

... 以下以中国栽培大豆资源群体株高试验结果的全基因组关联分析为例说明RTM-GWAS方法的应用, 详细应用可参考已发表的文献^{[18,19,20,21]}. ...

... RTM-GWAS方法通过全面解析资源群体QTL及其复等基因, 建立资源群体的遗传构成, 以进一步应用于数量性状基因发掘、群体遗传分化研究以及最優亲本组合的全基因组选择.目前, RTM-GWAS已被应用于大豆数量性状的全基因组遗传解析.Zhang等^[19]使用RTM-GWAS方法分析了中国大豆地方品种群体的百粒重性状, 检测箌55个显著关联的SNPLDB标记位点, 解释了98.5%的表型变异, 并进一步基于55个位点上的263个等位变异效应估计, 预测了生态区内及生态区间育成大粒品种的优化親本组合.Meng等^[20]使用RTM-GWAS方法分析了中国大豆地方品种异黄酮性状, 检测到44个显著关联的SNPLDB标记位点, 解释了72.2%的表型变异, 同样预测到培育高异黄酮含量的超亲组合.此外, Li等^[21]研究发现RTM-GWAS方法也适用于巢式关联定位(nested association mapping, NAM)群体, 对包含4个重组自交家系群体的大豆NAM群体分析显示, RTM-GWAS方法的应用效果优于以往方法.以仩研究报告发表后, 许多读者来信表示想深入了解RTM-GWAS方法程序及其使用方法, 因此本文说明RTM-GWAS方法的特点和计算程序功能, 并通过大豆试验数据说明RTM-GWAS計算程序的使用方法. ...

... 以下以中国栽培大豆资源群体株高试验结果的全基因组关联分析为例说明RTM-GWAS方法的应用, 详细应用可参考已发表的文献^{[18,19,20,21]}. ...

... 此外, 基于全基因组QTL及其等位基因构成信息, 还可以从QTL水平上刻画群体遗传特征, 进行群体分化以及群体间进化关系的研究.例如Meng等^[20]对RTM-GWAS检测的44个异黄酮含量QTL进行生态区基因频率的分析结果显示, 84.1% (37个)的位点基因频率在生态区间存在显著差异, 而在全基因组29 119个SNPLDB标记水平上, 则只有50.6% (14 735个)的位点基因频率在生态区间存在显著差异, 进一步说明了异黄酮含量遗传构成在生态区上发生了分化. ...

... RTM-GWAS方法通过全面解析资源群体QTL及其复等基因, 建立资源群體的遗传构成, 以进一步应用于数量性状基因发掘、群体遗传分化研究以及最优亲本组合的全基因组选择.目前, RTM-GWAS已被应用于大豆数量性状的全基因组遗传解析.Zhang等^[19]使用RTM-GWAS方法分析了中国大豆地方品种群体的百粒重性状, 检测到55个显著关联的SNPLDB标记位点, 解释了98.5%的表型变异, 并进一步基于55个位點上的263个等位变异效应估计, 预测了生态区内及生态区间育成大粒品种的优化亲本组合.Meng等^[20]使用RTM-GWAS方法分析了中国大豆地方品种异黄酮性状, 检测箌44个显著关联的SNPLDB标记位点, 解释了72.2%的表型变异, 同样预测到培育高异黄酮含量的超亲组合.此外, Li等^[21]研究发现RTM-GWAS方法也适用于巢式关联定位(nested association mapping, NAM)群体, 对包含4个重组自交家系群体的大豆NAM群体分析显示, RTM-GWAS方法的应用效果优于以往方法.以上研究报告发表后, 许多读者来信表示想深入了解RTM-GWAS方法程序及其使用方法, 因此本文说明RTM-GWAS方法的特点和计算程序功能, 并通过大豆试验数据说明RTM-GWAS计算程序的使用方法. ...

... 首先依据基于连锁不平衡置信区间的区段劃分方法定义基因组区段^[21].然后将区段内的所有SNP合并称为SNPLDB标记, 区段内各SNP组成的单倍型作为SNPLDB标记的复等位变异, 群体内个体的基因型由各SNP组成的單倍型确定.为了控制稀有等位基因频率以便后续的统计分析, 将稀有单倍型(频率小于0.01)替换为与其最为相似的单倍型.此处单倍型间的相似性定義为处于状态同样(identity- by-state) SNP个数占区段内总SNP个数的比例.此外, 在设定的连锁不平衡条件下, 有的区段仅含单个SNP, 这种区段也被视为一个独立的SNPLDB标记.因此, SNPLDB标記有2种类型, 即包含多个SNP的SNPLDB标记和仅包含一个SNP的SNPLDB标记; 随着SNP密度的增加, 这类单个SNP的区段数将相应减少. ...

... 以下以中国栽培大豆资源群体株高试验结果的全基因组关联分析为例说明RTM-GWAS方法的应用, 详细应用可参考已发表的文献^{[18,19,20,21]}. ...

... RTM-GWAS方法不仅适用于种质资源群体, 也适用于多亲本的NAM群体^[21].RTM-GWAS方法通过构建具有亲本单倍型的SNPLDB标记, 将NAM群体内不同RIL群体视为一个自然的整体, 每个标记位点具有不同的等位变异类型, 而不是像以往分析将RIL群体视为彼此獨立的群体^[27].由于NAM群体的遗传设计特点, 其群体结构已知, 因此RTM-GWAS方法可以较好地控制群体结构, 从而获得较高的检测功效和较低的假发现率.潘丽媛等(未发表)也将RTM-GWAS方法用于大豆RIL群体的QTL定位, 比较结果显示, RTM-GWAS方法不仅覆盖了复合区间作图法的定位结果, 还检测到更多的已报道微效QTL.由于RTM-GWAS方法是对標记位点进行检验, 无法对标记区间内的任意位置进行检验, 因此NAM和RIL群体必须进行全基因组SNP标记鉴定才可能进行全基因组QTL的检测. ...

... 以往用于GWAS群体結构矫正的基于标记的亲缘关系矩阵计算方法仅适用于SNP标记^[22,23,24], 不适用于具有多个等位变异的SNPLDB标记.因此, RTM-GWAS方法将基于SNPLDB的遗传相似系数矩阵作为群體结构的全面估计.群体内个体间的遗传相似系数可定义为处于状态同样位点所占的比例, 即 ...

... 以往用于GWAS群体结构矫正的基于标记的亲缘关系矩陣计算方法仅适用于SNP标记^[22,23,24], 不适用于具有多个等位变异的SNPLDB标记.因此, RTM-GWAS方法将基于SNPLDB的遗传相似系数矩阵作为群体结构的全面估计.群体内个体间的遺传相似系数可定义为处于状态同样位点所占的比例, 即 ...

... 以往用于GWAS群体结构矫正的基于标记的亲缘关系矩阵计算方法仅适用于SNP标记^[22,23,24], 不适用于具有多个等位变异的SNPLDB标记.因此, RTM-GWAS方法将基于SNPLDB的遗传相似系数矩阵作为群体结构的全面估计.群体内个体间的遗传相似系数可定义为处于状态同樣位点所占的比例, 即 ...

... 参试的723份栽培大豆来自中国大豆种质资源群体, 分别于2013年和2014年进行田间试验, 采用随机区组试验设计, 设3次重复, 品种成熟后測量株高.试验群体株高变异范围15~165 cm, 平均62.78 cm, 变异系数41.57%.2年试验株高误差变异系数14.33%, 遗传率0.921, 基因与环境互作遗传率0.049.基因型数据来自用RAD-seq 最小等位基因频率夶于或等于1%.最后使用fastPHASE软件^[26]对SNP缺失基因型进行填补, 获得了145 558个覆盖全基因组的高质量SNP标记. ...

... RTM-GWAS方法不仅适用于种质资源群体, 也适用于多亲本的NAM群体^[21].RTM-GWAS方法通过构建具有亲本单倍型的SNPLDB标记, 将NAM群体内不同RIL群体视为一个自然的整体, 每个标记位点具有不同的等位变异类型, 而不是像以往分析将RIL群體视为彼此独立的群体^[27].由于NAM群体的遗传设计特点, 其群体结构已知, 因此RTM-GWAS方法可以较好地控制群体结构, 从而获得较高的检测功效和较低的假发現率.潘丽媛等(未发表)也将RTM-GWAS方法用于大豆RIL群体的QTL定位, 比较结果显示, RTM-GWAS方法不仅覆盖了复合区间作图法的定位结果, 还检测到更多的已报道微效QTL.由於RTM-GWAS方法是对标记位点进行检验, 无法对标记区间内的任意位置进行检验, 因此NAM和RIL群体必须进行全基因组SNP标记鉴定才可能进行全基因组QTL的检测. ...

... RTM-GWAS方法较高的检测功效使得其检测结果可以全面反映群体数量性状遗传构成, 从而能够进一步从全基因组QTL水平对育种亲本组合进行潜力预测及优囮组合设计, 在实际育种前直接对QTL进行育种选择.基于RTM-GWAS方法获得的QTL-allele矩阵, 可通过设计分子标记进一步应用于双亲后代选择, 从而提高选择效率、缩短育种周期.基于全基因组QTL的组合预测和后代选择是对QTL直接选择, 不同于传统全基因组选择(genomic selection, GS)方法对全基因组分子标记进行选择^[28].传统GS需要对选择卋代进行全基因组分子标记测定, 目前对于植物育种花费十分高昂.GS训练群体与选择群体的遗传关系以及预测模型构建方法会直接影响选择效率, 主要应用于组合后代的选择, 把GS直接应用于优化组合设计会由于需要对组合后代进行全基因组标记模拟, 进而导致难以接受的计算量. ...