基因组选择在猪杂交育种中的应用

基因组选择是指在全基因组范围内通过基因组中大量的标记信息估计出个体全基因组范围的育种值,可进一步提升育种效率和准确性,目前在猪纯繁育种中得到广泛应用。但有研究表明,现有的基因组选择方法在猪杂交育种上的应用效果并不理想,在跨群体条件下预测准确性极低。杂交作为养猪业中最为广泛的育种手段之一,通过结合基因组选择理论进一步提升猪的生产性能,具有重要的经济和研究价值。本文综述了基因组选择的发展及其在猪育种中的应用现状,并结合国内外猪杂交育种的方式,分析了目前基因组选择方法在猪杂交育种应用方面的不足,旨在为未来基因组选择在猪杂交育种中的合理应用提供参考。     

基因组选择及其应用

品种选育在农业生产中占有十分重要的地位,育种值估计是品种选育的核心。随着遗传标记的发展,尤其是高通量的基因分型技术,使得从基因组水平估计育种值成为可能,即基因组选择。文章将基因组选择的方法分为两类:一是基于估计等位基因效应来预测基因组估计育种值(GEBV),如最小二乘法,随机回归-最佳线性无偏预测(RR-BLUP)、Bayes、主成分分析等方法;二是基于遗传关系矩阵来预测GEBV,通过采用高通量标记构建个体间的遗传关系矩阵,然后用线性混合模型来预测育种值,即GBLUP法,并以这两种分类简要介绍了基因组选择各种方法的大致原理。影响基因组选择准确性的因素主要有标记类型和密度、单倍型长度、参考群体大小和标记-数量性状基因座(QTL)连锁不平衡(LD)大小等;在基因组选择的各种方法中,一般说来Bayes方法和GBLUP方法具有较高的准确性,最小二乘法最差;GBLUP计算速度快,能够将标记和系谱结合起来,因而比其他方法更具优势。尽管基因组选择取得了很大进展,但在理论方面还面临着一些挑战,如联合育种、长期选择的遗传进展及如何解析与性状有关和无关的标记等。基因组选择在一些动植物育种上已经开始应用,在人类遗传倾向预测和进化动力学研究中也有潜在的应用前景。基因组选择在个体间亲缘关系的量化上有了突破,比传统方法更加精确,因此,基因组选择将会是动植物育种史上革命性的事件。     

生物医学数据分析中的深度学习方法应用

生物医学数据的积累速度史无前例,为生物医学研究带来机遇的同时,也让传统数据分析技术面临巨大挑战.本文综述了深度学习方法应用在生物医学数据分析中的最新研究进展.首先阐述了深度学习方法,列举深度学习方法的主要实现模型,随后总结了目前生物医学数据分析中的深度学习方法应用情况,分析了在数据处理、模型构建和训练方法等方面共有问题的解决方法,最后给出了深度学习方法应用于生物医学数据分析时可能存在的问题及建议.     

基因组选择技术在农业动物育种中的应用

基因组选择(genomic selection, GS)是畜禽经济性状遗传改良的重要方法。随着高密度SNP芯片和二代测序价格的下降,GS技术越来越多被应用于奶牛、猪、鸡等农业动物育种中。然而,降低全基因组SNP分型成本、提高基因组育种值(genomic estimated breeding value,GEBV)估计准确性仍然是GS研究的主要难题。本文从全基因组SNP分型策略和GEBV估计模型两个方面进行了综述,并对目前GS技术在主要畜禽品种中的应用现状进行了介绍,以期为GS在农业动物育种中的深入开展提供借鉴和参考。     

深度学习方法在生物质谱及蛋白质组学中的应用

深度学习是近年来机器学习领域最热门的研究方向,尤其是在图像及语音识别、自然语言处理、自动驾驶等方面取得了突破性进展．生物质谱是当今生命科学领域重要的研究工具,尤其在蛋白质组学、代谢组学、生物制药等领域发挥着关键作用．近年来,基于深度学习方法的发展,以生物质谱为核心的蛋白质组学大数据分析将迎来发展新契机．本文综述了深度学习方法在生物质谱数据解析及蛋白质组学研究方面的最新应用．     

计算生物学分析在基因组编辑研究中的应用

基因组编辑是对基因组遗传信息进行定向改造的技术,其中CRISPR/Cas系统是目前应用最广泛的基因组编辑新技术。将先进的高通量测序以及相关计算生物分析应用于基因编辑研究,可进一步优化基因编辑效率和精度等检测流程,实现对全基因组功能基因筛选的监测。同时,利用基于生物信息及机器学习和深度学习等新方法,可对向导RNA(gRNA)的高效设计和实现对编辑效果的预测。本文将对计算生物学分析在CRISPR/Cas基因编辑系统的应用及研究进展等进行概述。     

深度学习在野生动物保护中的应用

野生动物是重要的生物资源之一,但是人类活动的增加和自然环境的恶化严重威胁着野生动物的生存。而深度学习已经成为人工智能领域重点研究方向之一,被广泛应用于各个学科领域,其灵活性使得它在野生动物保护中的图像识别、监测和音频识别等方面展现出了巨大的潜力。本文介绍了几种常见的深度学习算法,综述了不同深度学习模型在野生动物保护中的应用,分析了目前存在的问题及挑战,包括有限的训练数据、环境条件的多变性以及野生动物行为的复杂性等。在未来利用深度学习保护野生动物,除了要解决数据获取和利用、图像的抗干扰等方面的挑战外,还需开发更加稳健和高效的深度学习模型,以满足野生动物保护的特殊需求。     

家畜基因组选择研究进展

近年来,随着基因芯片技术的发展与育种技术的进步,动植物的基因组选择成为研究热点。在家畜育种中,基因组选择凭借其准确性高、世代间隔短和育种成本低等优势被应用于各种经济动物的种畜选择中。本文详细介绍了基因分型技术和基因组育种值估计方法(最小二乘法、RR-BLUP法、GBLUP法、ssGBLUP法、贝叶斯A法、贝叶斯B法等),并对这些育种方法选用的标记范围、准确性以及计算速度进行了比较,总结了我国和其他国家基因组选择在种畜选择中的应用情况及存在的问题,展望了目前国内外在基因组选择上的最新研究动态及进展,以期为其他育种工作者进一步了解基因组选择提供参考。     

深度学习在蜜蜂研究中的应用

实现对蜜蜂蜂群的实时动态监测,有助于养蜂业的数字化与智能化发展,对大幅提升养蜂管理水平具有重要意义。深度学习作为人工智能的一种新的研究方向,目前已被广泛应用于昆虫分类学、行为学、害虫生物防治等领域。随着深度学习检测算法的迅速发展,基于深度学习的蜜蜂蜂群监测技术不断涌现,为智能化养蜂提供了可能。为促进深度学习在蜜蜂领域的进一步应用,本文梳理了深度学习在蜜蜂的物种识别、行为跟踪监测、蜂群健康监测和蜂巢监测等方面的研究进展,分析了深度学习技术在蜜蜂蜂群监测研究及应用中存在的一些问题和未来发展方向,为深度学习在蜜蜂领域的应用提出了建议。     

深度学习在药物活性预测研究中的应用

药物从研发到临床应用需要耗费较长的时间，研发期间的投入成本可高达十几亿元。而随着医药研发与人工智能的结合以及生物信息学的飞速发展，药物活性相关数据急剧增加，传统的实验手段进行药物活性预测已经难以满足药物研发的需求。借助算法来辅助药物研发，解决药物研发中的各种问题能够大大推动药物研发进程。传统机器学习方法尤其是随机森林、支持向量机和人工神经网络在药物活性方面能够达到较高的预测精度。深度学习由于具有多层神经网络，模型可以接收高维的输入变量且不需要人工限定数据输入特征，可以拟合较为复杂的函数模型，应用于药物研发可以进一步提高各个环节的效率。在药物活性预测中应用较为广泛的深度学习模型主要是深度神经网络（deep neural networks，DNN）、循环神经网络（recurrent neural networks，RNN）和自编码器（auto encoder，AE），而生成对抗网络（generative adversarial networks，GAN）由于其生成数据的能力常常被用来和其他模型结合进行数据增强。近年来深度学习在药物分子活性预测方面的研究和应用综述表明，深度学习模型的准确度和效率均高于传统实验方法和传统机器学习方法。因此，深度学习模型有望成为药物研发领域未来十年最重要的辅助计算模型。     

选择方向强化学习的神经网络模型

提出了神经网络模型的一种选择方向强化学习规则,定义并导出了新模型与Hopfield模型两种不同的筛选曲线,由此表明新模型对相关图样的分辨力优于Hopfield模型。在微机上模拟了由100个神经元构成的网络,结果显示新模型具有重复记忆这一神经生理学特点。定义并分行了记忆强度因子,模拟结果表明记忆强度因子愈大的记忆态,联想性能愈好,学习周期愈短。     

基因组育种值估计的贝叶斯方法

基因组育种值估计是基因组选择的重要环节,基因组育种值的准确性是基因组选择成功应用的关键,而其准确性在很大程度上取决于估计方法。目前研究和应用最多的基因组育种值估计方法是贝叶斯(Bayes)和最佳线性无偏预测(BLUP)两大类方法。文章系统介绍了目前已提出的各种Bayes方法,并总结了该类方法的估计效果和各方面的改进。模拟数据和实际数据研究结果都表明,Bayes类方法估计基因组育种值的准确性优于BLUP类方法,特别对于存在较大效应QTL的性状其优势更明显。由于Bayes方法的理论和计算过程相对复杂,目前其在实际育种中的运用不如BLUP类方法普遍,但随着快速算法的开发和计算机硬件的改进,计算问题有望得到解决;另外,随着对基因组和性状遗传结构研究的深入开展,能为Bayes方法提供更为准确的先验信息,从而使Bayes方法估计基因组育种值准确性的优势更加突出,应用将会更加广泛。     

植物全基因组选择技术的研究进展及其在玉米育种上的应用

全基因组选择技术通过全基因组中大量的单核苷酸多态性标记（SNP）和参照群体的表型数据建立 BLUP 模型估计出每一标记的育种值,称为估计育种值（GEBV）,然后仅利用同样的分子标记估计出后代个体育种值并进行选择。该文就近年来国内外有关影响基因组选择效率的主要因素——参考群体的类型与大小、模型的建立方法、标记的类型及其数目、性状遗传力,以及对基因组选择效率的影响等方面的研究进展进行综述,并介绍了全基因组选择技术在玉米育种上应用概况以及对未来的展望。     

应用深度学习分割光学显微镜下的细胞图像

目的 为了在细胞培养过程中便捷地分析细胞的数目和形态.方法 本文将深度学习应用到细胞识别中,实现了一种可以通过普通光学显微镜拍照,并直接在培养皿中进行细胞识别计数的方法.结果 通过构建U-Net网络结构,并对贴壁细胞和悬浮细胞图像进行标记训练,来实现贴壁细胞和悬浮细胞的分割计数.同时,用该算法绘制细胞生长曲线以及计算抑...     

鸡基因组计划及在遗传学研究中的应用

鸡,以其独特的生物学特性,成为研究许多生物学问题的重要模式生物。而在长期选育中形成的肉鸡和蛋鸡两大品系则是研究许多遗传性状的分子机制的理想模型。鸡基因组计划的完成,极大推动了以鸡作为模式生物的研究与开发工作。本文重点介绍了鸡基因组学的研究进展,和利用基因组相关信息对鸡的不同品系的数量性状进行遗传学研究的方法策略;并阐明了以鸡作为模式生物,利用基因组学的信息进行发育和遗传学研究的广阔前景。     

RNAi 在植物功能基因组中的应用

植物生物学后基因组时代的主要目标就是确定植物基因组中所有基因所具有的功能。解决这个问题的一个最直接的方法就是还原或者敲除某个在正常条件下其功能能表达出一定的可观察到的表型的特殊基因。对于这方面的研究,插入突变技术就是一个可用的工具,但是基因的随机性,致死敲除,无标记的突变体都大大地限制了这种技术的利用。RNm技术可以克服以上那些难题。它已经被广泛地应用在线虫的功能基因组上,并且所获得的有效资源还被广泛地用于植物功能基因组的分析。     

一种基于代谢网络分析最小化基因组的方法及其在大肠杆菌中的应用

最小生命体的合成是合成生物学研究的重要方向。最小化基因组的同时而又不对细胞生长产生影响是代谢工程研究的一个重要目标。文中提出了一种从基因组尺度代谢网络模型出发,通过零通量反应删除及对非必需基因组合删除计算获得基因组最小化代谢网络模型的方法,利用该方法简化了大肠杆菌经典代谢网络模型iAF1260,由起始的1 260个基因简化得到了312个基因,而最优生物质生成速率保持不变。基因组最小化代谢网络模型预测了在细胞正常生长的前提下包含最少基因的代谢途径,为大肠杆菌获得最小基因组的湿实验设计提供了重要参考。     

基因组分析方法在微生物分类学中的应用

细菌分类学始于19世纪后半叶,当时主要是以表型标记和生理生化特性为基础的简单分类,之后DNA-DNA分子杂交、16S rRNA基因序列分析方法的出现给微生物分类带来了极大的便利。尽管如此,这些分类学方法仍然存在一些局限性,而基因组时代的到来,为微生物分类带来了新思路。本文主要介绍了5种基于全基因组数据的微生物分类方法,包括平均核苷酸同源性分析、核心基因组分析、最大唯一匹配指数分析、K串组分矢量法和基因流动性分析,并论述了这些方法在微生物分类学中的应用。     

玉米不利相关性状的全基因组选择

全基因组标记可能有助于打破目标性状基因与不利性状基因连锁。本研究的目标是确定:(1)是否可以使用全基因组分子标记将性状效应划分为独立的和相关联的部分;(2)对独立部分的选择是否比对整个性状的选择具有更大的效果。本研究比较了一个标准的全基因组选择模型(对照模型)和一个针对性状的独立部分的全基因组选择模型(独立模型)。本研究在2个双亲玉米群体中进行了4次全基因组选择。在群体1中,独立模型(与对照模型相比)第4轮对选择的响应为:产量1.01 mg/hm~2 (1.38 mg/hm~2),水分-0.89 g/kg(-8.21 g/kg),株高7.73 cm (19.00 cm)。在群体2中,产量为0.19 mg/hm~2 (-0.30 mg/hm~2),水分为-4.78 g/kg(-7.79 g/kg),株高为-3.34 cm (-7.66 cm)。在全基因组选择的每一轮中,独立模型和对照模型的反应无显著差异(p0.05)。这是因为独立部分所占的性状变异比例较低(r~214%)。本研究结果表明,将数量性状分成相关和独立的部分是不可行的。     

菌落PCR在大规模基因组测序中的应用

一种利用菌落直接PCR扩增DNA并用于测序的实验方法.通过对引物的设计和菌液浓度控制,使PCR反应后的内容物对测序干扰减到最小.与传统的测序过程比较,它省去了抽提模板DNA一步,节省了大量时间和实验成本.另外此方法可对BAC亚克隆库构建时由连接转化过程中导致的假阳性起筛选和鉴定作用.采用该法成功测定了籼稻（Oryza sativa indica）广陆矮4号的L3173号BAC DNA全长序列（约100 kb）,GenBank登录号：AL512542.