GAPIT第4版发表！新方法将GWAS整合到基因组选择（GS/GP）中

近期，张志武&王嘉博老师在Molecular Biology and Evolution上发表GAPIT Version 4。

GAPIT 第4版的核心是将全基因组关联分析（GWAS）结果整合到基因组预测（GP）中，提出了一种称为 GAGBLUP（GWAS-Assisted Genomic BLUP） 的新方法。

研究背景

• GWAS 用于发现与性状相关的基因位点，GP（基因组预测） 用于预测育种值，两者传统上是独立进行的

• 将GWAS发现的显著标记整合到GP中可能提高预测准确性，但存在挑战：显著标记之间可能存在高度连锁不平衡（LD），导致冗余和过拟合

核心方法

提出GAGBLUP。

• 使用 QR分解 筛选GWAS鉴定的关联标记，去除高度相关的冗余标记；

• 将筛选后的显著标记作为固定效应纳入模型；

• 利用剩余标记构建亲缘关系矩阵（kinship）作为随机效应；

• 整合了7种GWAS方法：GLM、MLM、CMLM、SUPER、MLMM、FarmCPU、BLINK。

主要结果

|
方面
|
发现
|
| --- | --- |
| GWAS方法比较 |
多位点模型（BLINK、FarmCPU、MLMM）显著优于单位点模型（GLM、MLM），统计功效更高，假发现率更低
|
| 模拟数据（玉米） |
BLINK-GAGBLUP比标准GBLUP预测准确性提高超过50%
|
| 真实数据（桃） |
GAGBLUP比GBLUP提高21%，比MAS提高30%
|
| 遗传架构适应性 |
GAGBLUP在不同遗传架构下表现稳定：当因果基因数极少（<5）或极多（>100）时，其表现至少与MAS或GBLUP中较好者持平；在中间范围时优势最明显
|

关键结论

• BLINK 是表现最佳的GWAS方法，整合到GAGBLUP后效果最优；

• GAGBLUP结合了MAS（利用大效应基因）和GBLUP（利用全基因组多基因效应）两者的优势，是一种"安全"的整合策略；

• 该方法已在R包GAPIT中实现，用户只需提供表型和基因型数据即可自动完成分析。

软件可用性

• GAPIT源代码、用户手册、教程和示例数据集可在 http://zzlab.net/GAPIT 免费获取

【项目案例】7个主流基因组选择（GS）算法，直接套用你的数据发表文章

农作物前沿技术专题课程：从分子辅助到智能设计

测序进入百元时代！

欢迎加入生信AI育种交流群，一群已满，请添加小编微信拉你加入二群，请备注“姓名-单位”，方便交流~~~