ハイブリッド集団における優れた遺伝子型を特定するためのトレーニングセットの最適化

科学分野:

• 育種学および遺伝学
• ゲノム選択（GS）
• 量的遺伝学

背景:

• 優れたハイブリッドの特定は、商業的な育種および大規模栽培において極めて重要です。
• ゲノム選択（GS）は、マーカーデータを使用して育種価を予測しますが、トレーニングセットの最適化が精度にとって重要です。
• トレーニングセット選択のための既存の手法は、ハイブリッド集団における評価が必要です。

研究 の 目的:

• ハイブリッド集団における予測モデル構築のためのトレーニングセット最適化手法の評価と拡張。
• 最も高い真の育種価（TBV）を持つ遺伝子型の特定における、様々な手法のパフォーマンスの評価。
• 実用的な育種プログラムにおけるトレーニングセットの最適化のための柔軟なフレームワークの提供。

主な方法:

• MSPE_Ridge(v2)、CD_mean(v2)、GV_averageの3つのトレーニングセット最適化手法を調査しました。
• 最も高いTBVを持つ遺伝子型を特定するための予測パフォーマンスを評価するための3つの評価指標を開発しました。
• コムギ、トウモロコシ、イネの実際の遺伝子型データを使用してシミュレーション実験を実施しました。

主要な成果:

• GV_averageは、様々なサイズのトレーニングセット全体で高い計算効率を示し、情報量の多いトレーニングセットを生成しました。
• GV_averageは、小規模なトレーニングセットにおいてゲノム多様性を犠牲にすることがありました。
• CD_mean(v2)は、小規模なトレーニングセットにおけるゲノム多様性の維持のための、より信頼性の高い代替手段であることが証明されました。

結論:

• GV_average法は、ゲノム選択におけるトレーニングセット最適化のための計算上の利点を提供します。
• ゲノム多様性が重要である場合、特に小規模なトレーニングセットでは、CD_mean(v2)が推奨されます。
• 提案されたフレームワークは、ハイブリッド育種プログラムにおけるゲノム予測の精度を向上させます。