本發明涉及植物雜交種預測方法技術領域內一種基于貝葉斯模型整合親本表型的雜交種預測方法，首先對親本材料進行基因分型和田間表型鑒定，并由親本基因型推斷出雜交種基因型；構建雜交種訓練群體并進行田間鑒定；建立整合親本表型的BayesB模型，對雜交種表型進行預測，采用十倍交叉驗證對該模型的準確性進行評價。本發明的雜交種表型預測方法中，通過構建貝葉斯模型整合親本表型的雜交種預測方法來預測雜交種表型數據，從而提高雜交種預測的準確性，進一步提高育種效率，降低成本，并對提高作物產量等相關性狀的準確預測提供了理論參考和實踐依據。

技術領域

本發明涉及植物雜交種預測方法技術領域，特別涉及一種基于貝葉斯模型整合親本表型的雜交種預測方法。

背景技術

水稻為世界上大部分人口提供了主要食物來源。提高水稻產量對于保障全球的糧食安全具有重要的意義。研究表明利用雜種優勢能大幅提高水稻產量，如何從大量的水稻品種中選出最適的親本組合是雜交種育種的關鍵和難點，目前親本的選配主要依賴于育種家的經驗，既有很大的不確定性又需要耗費大量的精力進行田間表型鑒定。隨著分子生物學技術的發展，利用高密度的分子標記結合表型數據，已經能夠精確定位某些復雜性狀的數量性狀位點(Quantitative trait locus,QTL)，利用QTL的共分離標記對相關性狀進行標記輔助選擇(marker assisted selection，MAS)已經應用于水稻品種的改良。然而MAS的選擇周期較長，并且依賴于QTL定位的準確性，目前已被證實具有顯著表型貢獻的QTL數量有限，同時定位到的QTL僅能解釋部分的表型變異，大量的微效QTL不能被鑒定，這些極大地限制了MAS在水稻育種中的應用。

全基因組選擇(genomic selection,GS)的提出克服了這些限制，GS由Meuwissen等在2001年首次提出，它是根據訓練群體基因組上的分子標記基因型和表型信息，建立標記基因型和表型之間的關聯，在全基因組范圍內同時估計出所有標記的遺傳效應，進而對表型未知的候選群體做出合理的預測。與MAS相比，GS育種技術無需鑒定與目標性狀顯著相關的位點，即使單個位點的效應很小，導致表型變異的全部遺傳效應也都能夠被高密度的遺傳標記捕獲，并且能夠在得到個體基因型時即對其育種值進行評估，可大大縮短育種周期，提高育種效率，實現從經驗育種到基因組精準育種的飛躍，特別是在玉米、水稻等作物的雜交種育種中，由于雜交種的基因型可以由親本基因型進行推斷，通過對少數親本自交系進行全基因組分型，即可獲得這些自交系間所有可能雜交種的基因型，因此GS的優勢更加突出。

盡管GS的應用可大幅提高育種效率，它仍存在一定局限性，由于基因組預測難以捕獲基因的復雜互作及其下游調控，對于一些復雜性狀，尤其是對受環境影響較大的產量性狀而言，基因組預測的準確性往往還比較低。目前已有一些學者在GS的基礎上，利用親本的轉錄組和代謝組數據結合部分雜交種的表型數據預測未知雜交種的表型。盡管預測的準確性有一定程度的提升，但是耗費了巨大的鑒定成本。在農作物育種研究中，表型至關重要，然而，目前的雜交種預測均忽視了親本表型這一重要信息。相比于其他組學信息，親本表型易于鑒定且成本較低。因此，本發明擬建立整合親本表型的雜交種預測方法，為水稻雜交種表型的精準育種奠定理論基礎。

發明內容

本發明針對現有技術中雜交種基因組預測時忽視親本表型信息這一問題，提供一種基于貝葉斯模型整合親本表型的雜交種預測方法，通過在基因組預測中整合親本表型，優化雜交種預測模型，采用交叉驗證對預測結果的準確性進行評價，從而提高雜交種預測的準確性，降低育種成本。

本發明的目的是這樣實現的，一種基于貝葉斯模型整合親本表型的雜交種預測方法，其特征在于，包括如下步驟：

第一步，獲取親本的表型數據和基因型數據，由親本基因型數據推斷雜交種的基因型數據；

第二步，隨機構建雜交種的訓練群體，田間獲取訓練群體的表型數據；

第三步，基于訓練群體構建加-顯效應貝葉斯統計模型和加-顯效應整合親本表型貝葉斯統計模型，以預測雜交種的表型數據；