【GS文獻】基因組選擇在植物分子育種應用的最新綜述（2020）

目錄

• 1. 簡介
• 2. BLUP類模型
• 3. Bayesian類模型
• 4. 機器學習
• 5. GWAS輔助的GS
• 6. 雜交育種
• 7. 多性狀
• 8. 長期選擇
• 9. 預測准確性評估
• 10. GS到植物育種
• 11. 未來展望

2020年10月張志武老師聯合多家單位的大佬撰寫的植物GS育種的最新進展，目前還只是預印版（改到第二版）。這篇綜述涉及到GS在植物領域應用的最新進展，長達48頁。不同於其他的綜述描寫空洞寬泛，這一篇特別對模型方法進行了介紹，正好解決了我的需求。缺點就是可能重點說明了他們自己開發的算法，其他模型算法介紹不夠全面。這里僅記錄要點，不當請指正。

強烈建議閱讀原文，雖然很長，但沒有太多廢話，是比較好的入門材料。
Ideas in Genomic Selection with the Potential to Transform Plant Molecular Breeding: A Review

1. 簡介

GS利用所有的基因組標記，不論是否有顯著效應。

過去的GS綜述主要描述了：

• 實施步驟；
• 訓練-測試群的關系，標記屬性；
• 計算的挑戰；
• 物種及具體生產，包括植物、動物、飼草、乳業、小麥等。

本篇綜述的主要內容：

• 提高GS准確性的方法發展：gBLUP——Bayesian——GWAS+GS；
• 影響選擇反應的三個因素：雜交育種——多性狀——長期選擇的變異保留；
• 准確性評估的陷阱及分子育種應用。

2. BLUP類模型

• BLUP針對隨機效應，BLUPE針對固定效應。
• 一般而言，隨機效應的水平數大於或等於觀測（樣本），為避免過擬合，混合線性模型MLM需要似然迭代（而非GLM模型中的最小二乘法），最大似然法在隨機效應中可以有方差結構。
• BLUP的發展：

*表型y，遺傳效應u，殘差e*

• 作物很少由於性別差異而表現不同，而且植物育種依賴於在同胞中選擇（無系譜信息），因此BLUP的方法在植物中不如家畜那樣常用，直到覆蓋全基因組的分子標記出現使之成為可能。

• 基於標記的親緣關系矩陣優於基於系譜的矩陣，因為它捕獲的是真實的kinship（包含了非系譜的部分，如孟德爾隨機抽樣和偏分離的誤差）。

• VanRaden的G矩陣：
  
  W是中心化后的基因型矩陣，P是等位基因頻率

• 直接法（左）和間接法（右）比較：
  
  直接法估計u，間接法估計標記效應g之和Mg；當K=M’且標記效應g是獨立的正態分布（如上公式）時，間接法和直接法估計的育種值是一樣的，即u=Mg。、

• ssBLUP（H矩陣）：
  
  權重w介於0-1之間，A₂₂是系譜關系矩陣，ssBLUP比單獨使用系譜的ABLUP准確性高

• 把所有的標記設為隨機效應，它們的和用來預測個體：當標記效應服從正態分布，均值為0，方差連續，模型變為嶺回歸；當方差假定為服從逆卡方分布的隨機變量，模型變為貝葉斯方法。

• rrBLUP和GBLUP預測相同。

• TABLUP：親緣關系矩陣中，不是所有的分子標記效應都相同，這些標記可根據具體性狀的GWAS估計效應結果來賦予權重。

• SUPER BLUP（sBLUP）：沿用SUPER GWAS的思路（將標記降維為bin），TABLUP可進一步細化為少數基因控制的性狀，這樣kinship構建僅僅使用的是關聯標記。

• compressed BLUP（cBLUP）：也是沿用的compressed GWAS思路，在kinship中考慮群體結構的影響，用group的遺傳效應值來代替個體的值，用個體對應的組來進行預測。

• 對於低遺傳力的性狀和有較大遺傳結構的群體，cBLUP的結果優於gBLUP和sBLUP。

3. Bayesian類模型

• n>>p的問題：如果分子標記都作為固定效應，在固定效應模型中易造成過擬合，因此將它們作為隨機效應。
• 假定分子標記效應服從正態分布，均值為0，方差分布如下：
  
• 實際情況中，很少有全部標記效應都服從同一分布的情況（RRBLUP，限制最大）。除殘差外，只有一個隨機效應。Bayes方法則有更多的參數需要求解。
• BayesA限制最小，即每個標記都有它自己的分布和不同的方差。
• 貝葉斯方法計算的挑戰原因是：大量的抽樣需要達到收斂。
• R包：BGLR，BayesR，MCMCglmm，LaplacesDemon，BMTME

4. 機器學習

親緣關系矩陣kinship在工程領域定義為”核“，kernel。
K自乘產生新的核K²=K’K，這個過程不斷迭代直到不再變化。

機器學習方法相對於傳統統計方法的優勢：

• 能處理”大p小n“的問題；
• 它是個黑箱，無需事先知道變量的分布或目標性狀的遺傳效應；
• 考慮了多個體互作或者特征間的相關性；
• 高准確性（允許重定義訓練核驗證集，交叉驗證）。

學習算法的目標是為了減少偏差和方差。

Gadient Boosting Machine（GBM）：梯度提升，弱學習算法。
隨機森林模型和GBM都是基於決策樹的集成方法。

非監督方法一般不直接應用於GS，只能提供特征。比如PCA。

深度學習不論監督和非監督都可用。convolutional neural networks(CNNs)，recurrent neural networks(RNNs)。

不少研究已經比較了機器學習模型和統計模型的結果：整體而言，標准機器學習方法較傳統統計模型優；單個方法中，GBM在復雜性狀中表現突出，GBLUP在群體結構的群體中表現最好。

對於加性模型的中低遺傳力性狀，機器學習和一般統計模型結果是一致的。但在加性和上位性效應的結果中，機器學習方法更優。

一個較大的挑戰：如何整合多點數據到預測模型中，特點是復雜遺傳與環境及管理互作（GxExM）的數據。

5. GWAS輔助的GS

結合已驗證和新發現的標記到模型可能會提升預測能力。

將GWAS顯著位點考慮進GS：

• 直接的好處：維持多世代的預測能力（打破了LD和隨機突變）；
• 間接的好處：增加已驗證突變的數量。

已驗證位點加入GS模型的方法：

• 將關聯標記當作固定效應（下圖d）；
• 將關聯標記當作另一個隨機效應（有它自己的kernel derived）（下圖e）；
• 在傳統GS模型的基因型親緣關系矩陣中賦予標記的權重（下圖c）；
• MultiBLUP方法，將染色體划為片段，每個片段構建的G矩陣分配為不同的隨機效應（下圖f）。
  

將顯著關聯信號納入GS模型的固定效應（作為協變量），將會得到一個復雜的結果：如水稻中作為固定效應，准確性增加10%；小麥中增加3-14%；但其他報道增加較小，甚至減小。

同樣地，將其作為隨機效應的結果也很復雜。

因此，單純地考慮將關聯信號納入模型不一定能提高准確性，具體表現應該和性狀的遺傳結構有關。

6. 雜交育種

低標記密度的GS雜交種應用可參考文獻：
Zhao, Y., Mette, M. F., and Reif, J. C. 2015. Genomic selection in hybrid breeding. Plant Breeding. 134(1): 1–10. DOI: 10.1111/pbr.12231
本篇綜述主要介紹高密度標記的GS在雜交種上的應用。

• 雜交種，即F1代的GS預測，主要評價雜交種在產量相關性狀的表現，必須考慮非加性效應（作物基因組中雜交位點急劇上升）。
• 玉米的商業育種流程中，訓練集：預測集=1：4，選擇top10-20%。

影響雜交種預測的幾個因素：

• 訓練群和預測群的遺傳背景需要一致。可通過父母本基因型構建進化樹來驗證。如果不一致，會出現過擬合。表型僅在一個點調查也會導致過擬合。
• 系譜關系kinship和雙親的雜交模式應該一致。否則F1的雜交表現也會表達不充分，相關性結果不好。
• 考慮GxE。包括宏觀環境和微觀環境，宏觀環境主要影響開花時間，由幾個主效基因控制光周期基因（可建模），應在最佳生態區域篩選親本；微觀環境太復雜無法准確建模，因此要將多位點性狀的表型變異考慮進BLUP算法。

雜種優勢一般認為是顯性和上位性效應（復雜等位基因/基因內/基因間互作）的結果。

為了准確預測雜交種，所有加性和非加性效應需要考慮進模型。

同時要注意雜種優勢效應的組成也是隨性狀而變化的。不同性狀的GS預測需要鑒定雜交QTL位點。

由於一般配合力GCA（加性效應的反映）和特殊配合力SCA（非加性效應的反映）可能來自不同遺傳效應，所以預測雜交種F1正確的方法是分別考慮GCA和SCA。

GCA模型就是基於gBLUP，重點在親緣關系矩陣構建。環境效應也能整合進gBLUP，作為固定效應的協變量。

SCA模型有兩種方法：一是將雜優SNPs位點作為Panel整合進gBLUP模型中（作為固定效應）；二是使用非線性模型，如Bayesian和機器學習。

雜優SNP Panel如何鑒定？可用GWAS挖掘，以MPH（mid-parent heterosis，即F1表型與雙親均值之差）作為性狀表型，Panel一般視顯著QTL的數目來定，一般根據性狀3-5 SNPs。

7. 多性狀

多性狀的選擇multi-trait genomic selection (MT-GS) 一般是因為性狀間共有某種程度的遺傳結構，在遺傳上是相關的。

對低遺傳力（伴隨高遺傳力性狀相關）或者難以測量的性狀，應用MT-GS。

MT-GS模型同樣可基於gBLUP，替換kinship即可。
也可用貝葉斯方法，是一個典型的線性回歸模型。可以擴展到多性狀-多環境的貝葉斯模型，相關R包BMTME。

除了gBLUP和貝葉斯框架的線性回歸，也可基於非線性的機器學習和深度學習，如MTDLMP模型。

8. 長期選擇

如何平衡遺傳增益和遺傳多樣性的矛盾關系？

• 提高罕見的有利等位基因，即賦予群體中低頻的優良等位基因更高的權重，避免丟失。
• 基因組最佳貢獻選擇(GOCS)
• 基於潛在后代的選擇
• 標記密度和預測模型
• 育種群體的設計

9. 預測准確性評估

交叉驗證仍是評價預測能力的最主要方法之一。兩種方法：hold，instant。

系統偏差對結果有影響，如測試集選擇，測試集和訓練集關系，GWAS在划分交叉驗證前的早期選擇。正確的交叉驗證實施步驟應該是：一開始就在整個群體中划分數據，然后GWAS只用訓練群來做。下圖是GWAS用全部數據和只用訓練群數據的比較：

測試群體的表型只在最后計算准確性的時候用，在此之前都不應該用。

10. GS到植物育種

GS的提出其實植物（Bernardo 1994）比動物（Meuwissen，2001）更早。但因為分子標記的kinship在動物遺傳評估系統中容易實施，導致gBLUP、ssBLUP等方法在動物中廣泛應用。直到高通量數據（基因型和表型）的成本下降，植物的GS才開始有了突破。

40多篇關於谷物的GS文章發表，非谷物的有7篇蔬菜，5篇克隆繁殖作物和13篇林木。這些文章基本達成共識：最好的GS模型視性狀的遺傳結構而定。

GS相比表型選擇，更便宜（實在話現在還是太貴了），利用基因型優勢能預測多性狀。

GS的植物育種不再是一個能力問題，而是如何實施的問題。

11. 未來展望

一條龍：Genomics-Phenomics- Agronomics (GPA) paradigm

表型組發展：代謝組學，高光譜成像，微型根管成像。

GPA范例表現在五個方面：

• 從親本表現預測子代潛力；
• 將預測范圍擴展到加性效應，包括顯性，上位性和遺傳-環境相互作用效應；
• 傳統農藝性狀和高通量表型之間多效性的利用；
• 通過GWAS更深入地了解農藝性狀的遺傳結構，並將這些結構集成到GS模型中；
• 新興大數據和機器學習方法（尤其是基於人工神經網絡的深度學習）在高通量、高維度
  數據的優勢。