甘蓝类无蜡粉亮叶性状遗传规律及其利用的研究

我们于1987年从普通结球甘蓝“迎春”品种自交二代群体中,发现了无蜡粉亮叶甘蓝突变株, 经过多年对其遗传规律进行的研究,认为这一无蜡粉亮叶性状是由一对隐性纯合基因控制。利用这一性状可培育结球甘蓝及其它甘蓝类具有这同一性状的新类型、新品种,提高其品质,更可作一代杂种利用的标记性状,充分发挥一代杂种的优势。     

方差组分估计方法MIVQUE和REML的模拟比较

利用ＭｏｎｔｅＣａｒｌｏ方法,对４种数据结构进行了ＭＩＶＱＵＥ和ＲＥＭＬ两种方差组分估计方法的模拟比较。方差组分估计所用的模型为奶牛育种中常用的公畜模型,它包括场年季固定效应、公牛组固定效应和公牛随机效应。４种数据结构中最大的有１２８４７个观察值,场年季效应和公牛效应水平数分别为７７８和４７,它与北京市目前可利用的奶牛头胎产奶量记录资料相当。最小的数据结构只有２００个观察值,１４８个场年季和２０头公牛。比较指标为估计值的偏差和方差（理论的或根据１０００次重复模拟所得的经验值）。结果表明,对于较大样本的数据结构,两种方法差异很小,它们间的估计值的相关接近于１,偏差小于真值的１％,方差近似相等。对于较小样本的数据结构,ＭＩＶＱＵＥ则明显优于ＲＥＭＬ。本研究还表明,对于ＲＥＭＬ来说,类似数据结构１的样本已能满足其渐近无偏性和有效性的大样本特性。     

作物杂种后代基因型值和杂种优良的预测方法

本文提出了利用作物亲本和Ｆ１预测杂种后代基因型值和杂种优势的统计分析方法。该方法运用加性－显性遗传模型,分析双列杂交试验资料,用ＭＩＮＱＵＥ（１）法估算方差分量以及预测遗传效应值。由加性和显笥效应预测值可进一步预测Ｆ１,Ｆ２,ＢＣ１,ＢＣ２,等不同世代的基因型值,在预测Ｆ１群体平均优势和 群丛超亲优势的基础上,可以推导出其它各世代的杂种优势。提出了预测杂种后代保持超亲优热世代数的简单公式,根据杂交组合Ｆ１群体平均优势和双亲相对遗传差异,便可预测该组合能的生产上直接利用的世代数。以棉花六个品种完全双列杂交试验资料为例,分析了各组合Ｆ１和Ｆ２的 基因型值、超亲优势和保持５％超亲优势的世代数。     

相关遗传力抽样方差的估计

本文给出了单因子组和系统模型下有关相关传力及相关环境力抽样方差的估计方法。有关该参数在育种中的潜在应用其它与遗传相关之产间的相互关系也给予了一定的讨论。概括地来讲,相关遗传力具有遗传力和遗传相关的双重特征。遗传力是相关遗传力的一个特例而相关遗传力则是遗传力概念本身的扩展。用相关遗传力来表达性状间的相关遗传变异要比通常所用的遗传相关更准确一些。     

珍稀濒危植物峨眉含笑种实表型性状的空间变异特征

通过分析珍稀濒危植物峨眉含笑（Michelia wilsonii）种子与果实的表型性状特征,研究其变异规律和空间自相关性,为峨眉含笑天然种群的保护利用工作提供依据。以雅安周公山的峨眉含笑为研究对象,测定12项种实表型性状指标,采用变异系数和半方差函数,探究峨眉含笑种实的空间变异特征。结果显示：（1）峨眉含笑种实表型性状的平均变异系数为27.59%,种实的形态变异程度最小,种子性状的变异程度比果实性状更为丰富。（2）聚合果下部的种子败育率与蓇葖败育率最高,分别为18.32%和38.22%;中部的败育率最低,分别为15.05%和23.45%。（3）半方差函数模型以指数和球状模型为主,呈聚集分布。除果实长、种子纵径和种子败育率外,其余9项指标具有中高等强度的空间自相关性。（4）9项指标的各向异性比接近于1,空间异质性表现为各向同性。因此,峨眉含笑种实表型性状在中等尺度的空间范围内具有丰富的变异性。     

m~*-v幂模型在检验昆虫种群空间分布中的应用

近年来,不少学者提出了各种检验昆虫种群空间分布的模型．本文提出一种新的模型：m~*-v幂模型──m~*＝avb,m~*与v呈幂关系．实例研究验证表明该模型具有适用范围更广和可行性大的优点．同时,根据m~*-v幂模型,推导出与其相配套的序贯抽样方程、最大抽样数量公式和最适抽样单元大小等公式．     

山西五鹿山自然保护区暴马丁香群落木本植物种间联结性分析

通过方差分析,χ²检验、Pearson相关系数和Spearman秩相关系数检验,采用2×2列联表对五鹿山暴马丁香林中频度较高的34个木本植物优势种,561个种对间的关联性进行了研究.分析结果表明: 34个优势种种间总体关联性呈现不显著负关联,表明该群落处于不稳定的顶级状态.χ²检验结果中,有216个种对呈正相关,345个种对呈负相关,正负关联比为0.626; Pearson相关系数检验结果为: 149个种对呈正相关,412个种对呈负相关,正负关联比为0.362; Spearman秩相关系数检验结果为: 206个种对呈正相关,365个种对呈负相关,正负关联比为0.564; Spearman秩相关系数比Pearson相关系数的检验方法灵敏度更高.     

基于三类特征融合的O-糖基化位点预测

糖基化是蛋白质翻译后的主要修饰,O-糖基化的固定模式未知,高精度识别O-糖基化位点是机器学习面临的挑战性问题.以迄今最大的人O-糖基化位点Steentoft数据集为基础,本文首次提出了基于位置的卡方差表特征χ~2-pos,融合伪氨基酸序列进化信息Pse PSSM以及无方向的k间隔氨基酸对组分Undirected-CKSAAP表征序列,构建5个正负样本均衡的支持向量机分类器,经加权投票,独立测试准确率、Matthew相关系数及ROC曲线下面积,分别达到了89.62%、0.79、0.96,明显优于文献报道结果.χ~2-pos、Pse PSSM与Undirected-CKSAAP三种特征的融合在蛋白质糖基化、磷酸化等位点预测中有广泛应用前景.