李亚男，陈建国

(湖北大学生命科学学院，湖北 武汉 430062)

0 引言

全基因组选择(genomic selection，GS)是利用分布在整个基因组上的分子标记来估算育种值的一种高效、经济的方法.它实质上是估计所有基因或染色体片段的联合效应，并结合这些效应来预测基因组估计的育种值(genomic estimated breeding value，GEBV)[1].由于GEBV的计算可以不依赖系谱记录和表型信息，这就为早期选择提供了可能，可以大幅度缩短育种年限，提高遗传进展，降低育种成本[2-3].

许多统计方法都可用于全基因组选择，包括贝叶斯方法(贝叶斯B)，最佳线性无偏预测(BLUP)，以及正则化线性模型(岭回归、Lasso回归和弹性网络)等[4].但是对于预测农作物的性状而言没有一种方法是完美的，它们各有各的特点，而预测的效果取决于模型的性质与性状的特点和遗传结构.影响全基因组选择(GS)模型预测精度的因素很多，这些因素是以复杂的方式相互关联的，包括模型性能、样本大小和亲缘关系、标记密度、基因效应、遗传力和遗传结构，以及连锁不平衡(LD)在标记与数量性状基因座(QTL)之间的分布等[5].

GS在动物育种中已经得到了广泛应用，但在作物育种中的应用起步较晚.目前提出的大多数全基因组预测方法都需要使用者具备编程能力，例如R语言，Matlab等，这对于实际育种工作者来说是非常大的挑战.统计软件JMP的算法源于SAS，特别强调以统计方法的实际应用为导向，交互性、可视化能力强，使用方便，尤其适合非统计专业的数据分析人员使用[6].在JMP中有专业……