前段时间大火的ChatGPT又一次让深度学习和人工智能展示在大众目光之下，深度学习的应用也从专业走向生活。那么对于动植物育种的研究者来说深度学习可以为品种驯化和选育带来什么?答案是：全基因组选择分析。

什么是全基因组选择？

全基因组选择（Genomic selection, GS）是一种利用覆盖全基因组的高密度标记进行选择育种的新方法，可通过早期选择缩短世代间隔，提高育种值（Genomic Estimated Breeding Value, GEBV）估计准确性等加快遗传进展，尤其对低遗传力、难测定的复杂性状具有较好的预测效果，真正实现了基因组技术指导育种实践。目前主要应用于动植物育种领域，辅助育种选择，减少育种成本投入，缩短育种年限。

全基因组选择育种原理：

全基因组选择的主要方法原理是把个体作为随机效应，参考群体和预测群体遗传信息构建的亲缘关系矩阵作为方差协方差矩阵，通过迭代法估计方差组分，进而求解混合模型获取待预测个体的估计育种值。而深度学习方法原理略有不同，其主要是通过非监督式学习提取数据集中的线性和非线性特征，以此完成育种值的预测。目前应用于全基因组选择的深度学习方法包括：DLGWAS、DeepGS、DNNGP等等。

全基因组选择育种优势：

▪ 全基因组选择相比传统标记辅助选择由于使用更多的性状关联标记，覆盖了更多的微效位点，对于多基因控制性状的预测结果更加准确。

▪ 估计出一套育种值预测模型后，对于候选群体不再依赖表型信息。

▪ 可以大幅缩短世代间隔、提高育种进展达20%～50%。

▪ 通过降低育种周期，减少场地占用、人工消耗等长时间的经费消耗，从而大幅减低育种成本。

全基因组选择研究思路

合作文章解读

文章题目：First genomic prediction and genome-wide association for complex growth-related traits in Rock Bream (Oplegnathus fasciatus)

期刊：Evolutionary Applications

发表时间：2022.09

条石鲷（Oplegnathus fasciatus）是东亚海洋牧场近海笼式水产养殖和鱼类放养的重要水产养殖物种。作者通过使用六个统计模型进行真实数据分析来提高育种价值准确性，并进行全基因组关联研究（GWAS），以剖析重要的生长相关性状（体重、总长度和身体深度）的遗传结构。经过位点过滤，为455条条石鲷获得了16,162个SNP的基因型。这三个性状的遗传性适中（BW为0.38，TL为0.33，BD为0.24），并且GWAS分析发现潜在的遗传结构是多基因调控的。通过使用六个统计模型（GBLUP、BayesA、BayesB、BayesC、Bayesian Ridge-Regression和Bayesian LASSO）进行育种值（GEBV）估计，发现六个模型的可预测性方面性能相似。另外研究发现，低SNP密度（基于GWAS的约1K选择的SNP）足以预测现在研究种群中三种生长相关性状的繁殖值，这将在此类先进标准繁殖种种群的基因分型成本和可预测性之间提供良好的折衷。这些序列表明，在条石鲷育种中采用基因组选择可以为选择育种候选物提供优势，以促进复杂的经济增长特征。

参考文献：

[1] Gong, J, Zhao, J, Ke, Q. et al. First genomic prediction and genome-wide association for complex growth-related traits in Rock Bream (Oplegnathus fasciatus). Evolutionary Applications. 2022; 15: 523– 536.

[2] Wang K, Abid M A, Rasheed A, et al. DNNGP, a deep neural network-based method for genomic prediction using multi-omics data in plants[J]. Molecular Plant, 2023, 16(1): 279-293.