重测序-全基因组选择(GS)
- 格式：pdf
- 大小：7.00 MB
- 文档页数：3
首页 科技服务 测序指南 基因课堂 市场活动与进展 文章成果 关于我们
全基因组选择1. Meuwissen T H, Hayes B J, Goddard M E.Prediction of total genetic value using genome-wide dense marker maps[J]. Genetics, 2001, 157(4): 1819 1829. 阅读原文>>
2. Haberland A M, Pimentel E C G, Ytournel F, et al. Interplay between heritability, genetic correlation and economic weighting in a selection index with and without genomic information[J]. Journal of Animal Breeding and Genetics, 2013, 130(6): 456-467. 阅读原文>>
3. Wu X, Lund M S, Sun D, et al. Impact of relationships between test and training animals and among training animals on reliability of genomic prediction[J]. Journal of Animal Breeding and Genetics, 2015, 132(5): 366-375. 阅读原文>>
4. Goddard M E ,Hayes BJ. Genomic selection [J]. Journal of Animal Breeding and Genetics,2007,124:323:330. 阅读原文>>
5. Heffner E L, Sorrells M E, Jannink J L. Genomic selection for crop improvement [J]. Crop Science, 2009, 49(1): 1-12. 阅读原文>>
参考文献
全基因组选择简介
Meuwissen等[1]在2001年首次提出了基因组选择理论(Genomic selection , GS)，即利用具有表型和基因型的个体来预测只具有基因型不具有表型值动植物的基因组育种值(GEBV)。
例如，提高奶牛的产奶量一直是奶牛研究者的研究重点，传统育种的方法需要牛生长至成年后，才能进行产奶量的测定，再进行后续的育种进程。
如果在犊牛刚出生时就可以通过某种技术预测出其产奶量，就可以大大的减少育种时间，节省大量的育种成本。
全基因组选择（GS）利用覆盖全基因组的高密度分子遗传标记进行标记辅助选择，可以在奶牛的幼年时期就预测出其生产性状和营养性状，快速筛选出具有优良性状的奶牛或者种公牛，加速育种的进程。
全基因组选择技术参数
提供领先的基因组学解决方案
Leading Edge Genomic Services & Solutions
动植物重测序变异检测BSA性状定位遗传图谱群体进化全基因组关联分析Hi-C测序
人类基因组测序全基因组测序外显子测序目标区域测序单细胞基因组测序
动植物基因组测序全基因组survey 全基因组 de novo
测序泛基因组测序组装变异检测
微生物基因组测序16S/18S/ITS等扩增子测序细菌基因组 de novo 测序真菌基因组 de novo 测序微生物重测序宏基因组测序
建库测序建库测序
诺禾致源微信文章精彩阅读 >>
版权所有：北京诺禾致源科技股份有限公司
转录调控测序 真核有参转录组测序医学转录组测序真核无参转录组测序比较转录组与泛转录组测序原核转录组测序宏转录组测序单细胞转录组测序LncRNA测序circRNA测序small RNA测序ChiP-seq RIP-seq
全基因组甲基化测序
GS
重测序新产品发布
群体大小
参考群体的选择十分重要，表型信息及固定效应信息记录需要准确完整。
此外，选择出
的参考群体要满足内部亲缘关系比较远，数量达到1000个以上[2]。
候选群体最好与参考群体的亲缘关系较近，这样可以保证育种值预测的准确性[3]。
测序策略
测序深度：平均每个样本≥10×；测序平台：Illumina HiSeq PE150测序；
全基因组选择技术优势
全基因组选择与传统的分子标记辅助选择相比，具有很多优势[5]：
能够在得到物种个体DNA的时候即对其进行育种值评估，可以缩短世代间隔，加快遗传进展并且降低经济投入。
全基因组范围内的标记能够解释尽可能多的遗传变异，可以对遗传效应进行较为准确的检测和估计。
能够较准确的评估遗传力较低、难测定的性状或测定费用较高的性状。
通过基因组选择的方式，即使单个标记的效应很微小，导致遗传变异的所有遗传效应也都能够被SNP标记捕获， 所以比传统的基于系谱和表型数据的最佳线性无偏模型得到更高的可靠性。
a b c d
1. Meuwissen T H, Hayes B J, Goddard M E.Prediction of total genetic value using genome-wide dense marker maps[J]. Genetics, 2001, 157(4): 1819 1829. 阅读原文>>
2. Haberland A M, Pimentel E C G, Ytournel F, et al. Interplay between heritability, genetic correlation and economic weighting in a selection index with and without genomic information[J]. Journal of Animal Breeding and Genetics, 2013, 130(6): 456-467. 阅读原文>>
3. Wu X, Lund M S, Sun D, et al. Impact of relationships between test and training animals and among training animals on reliability of genomic prediction [J]. Journal of Animal Breeding and Genetics, 2015, 132(5): 366-375. 阅读原文>>
4. Goddard M E ,Hayes BJ. Genomic selection [J]. Journal of Animal Breeding and Genetics,2007,124:323:330. 阅读原文>>
5. Heffner E L, Sorrells M E, Jannink J L. Genomic selection for crop improvement [J]. Crop Science, 2009, 49(1): 1-12. 阅读原文>>
参考文献
全基因组选择简介
Meuwissen等[1]在2001年首次提出了基因组选择理论(Genomic selection , GS)，即利用具有表型和基因型的个体来预测只具有基因型不具有表型值动植物的基因组育种值(GEBV)。
例如，提高奶牛的产奶量一直是奶牛研究者的研究重点，传统育种的方法需要牛生长至成年后，才能进行产奶量的测定，再进行后续的育种进程。
如果在犊牛刚出生时就可以通过某种技术预测出其产奶量，就可以大大的减少育种时间，节省大量的育种成本。
全基因组选择（GS）利用覆盖全基因组的高密度分子遗传标记进行标记辅助选择，可以在奶牛的幼年时期就预测出其生产性状和营养性状，快速筛选出具有优良性状的奶牛或者种公牛，加速育种的进程。
全基因组选择技术参数
群体大小
参考群体的选择十分重要，表型信息及固定效应信息记录需要准确完整。
此外，选择出
的参考群体要满足内部亲缘关系比较远，数量达到1000个以上[2]。
候选群体最好与参考群体的亲缘关系较近，这样可以保证育种值预测的准确性[3]。
测序策略
测序深度：平均每个样本≥10×；测序平台：Illumina HiSeq PE150测序；
全基因组选择技术优势
全基因组选择与传统的分子标记辅助选择相比，具有很多优势[5]：
能够在得到物种个体DNA的时候即对其进行育种值评估，可以缩短世代间隔，加快遗传进展并且降低经济投入。
全基因组范围内的标记能够解释尽可能多的遗传变异，可以对遗传效应进行较为准确的检测和估计。
能够较准确的评估遗传力较低、难测定的性状或测定费用较高的性状。
通过基因组选择的方式，即使单个标记的效应很微小，导致遗传变异的所有遗传效应也都能够被SNP标记捕获，
所以比传统的基于系谱和表型数据的最佳线性无偏模型得到更高的可靠性。
a b c d
全基因组选择GS
重测序新产品发布。
