植物育种中的全基因组选择介绍及实践

全基因组选择(GS)是根据训练群体全基因组上的分子标记基因型和表型之间的关联构建统计模型, 进而对表型未知的育种群体做出合理的预测和选择。统计模型是GS的核心，极大地影响了基因组预测的准确度和效率。因此，如何优化模型，尽可能减少人为设定参数，与经典GS算法和深度学习模型有效结合，并融入高效可并行运算，既能保证较高准确性的同时，大大提升计算效率。

一、GS的模型

GS模型多种多样，当前使用的GS算法多为老旧的开源算法，精度不高且需编程，国外种业巨头或育种单位自研的高精度算法不会开放，而国产自研的商业级产品GSBrain作为一款模块化的全基因组选择AI平台恰巧解决了这一技术瓶颈，仅需简单拖拽连接，即可实现基因组数据的分析和可视化，功能强大，简单易用。

1) 算法涵盖全面：包括各类经典GS算法和深度学习模型，如深度学习架构VGG16、YOLO、 PAA、LinkNet、 Mask RCNN等；深度学习模型Mask RCNN、FPN、LinkNet、PSPNet、 Unet等。

2) 内置高精度算法：内置了自研的高精度全基因组选择算法GS++，预测效果更稳定、精度更高，实验结果表明，比国际开源算法提升9%~45%的精度。

为保护用户数据的隐私安全，即可本地化部署，私有云平台，保护数据隐私的同时，支持多用户通过云端访问使用。

二、GS育种的优势

1) 准确性高：全基因组选择考虑了成千上万个遗传标记，而不是仅仅几个主效基因，这使得对复杂性状的预测更为准确，尤其对于那些受多基因控制的性状。

2) 高效快捷：传统的育种方法往往需要对每一代后代进行表型评价，耗时耗力。而全基因组选择技术通过对遗传标记的分析，可以在不进行实际种植的情况下预测后代的表现，大大缩短了育种周期。

3) 早期选择：通过对幼苗阶段的遗传标记分析，全基因组选择技术可以实现早期选择，这意味着可以在植物生长的早期阶段就筛选出优良个体，节省了大量的资源。

4）广泛适用：无论是对于大田作物还是畜禽品种，全基因组选择技术都能适用，其广泛的应用前景使得这一技术成为育种领域的重要工。

三、植物育种的GS展望

1)将多性状多环境的GS与表型相结合，减少表型调查的成本，同时与系谱结合起来提升准确性。

2) 种质资源的GS应用：种质资源骨干材料选择，结合多性状、多环境选择，提高种质资源基因库，以便后续直接使用。