1、水稻雜種優(yōu)勢的利用是提高水稻產量的重要途徑，親本的選配則是雜交種選育的關鍵和難點。目前親本的選配主要依賴于育種家的經驗，存在很大的不確定性且需耗費大量的精力進行田間表型鑒定。與傳統(tǒng)的育種技術相比，分子設計育種能夠實現從“經驗育種”到定向高效的“精確育種”的轉變，大幅提高育種效率。其中基因組選擇(genomic selection，GS)概念的提出為我們預測雜交種的表現提供了可能。從理論上來說，如果已經獲得了親本全基因組標記信息，那么只需

2、要對較少的雜交種進行表型鑒定，就能利用GS對更多尚未開展田間實驗的雜交種進行表型預測，其有效性最終可由表型預測的準確性決定。為提高水稻雜交種表型預測的準確性，本研究將基于120份已完成測序的水稻品種的全基因組SNP以及經過田間鑒定的575(115×5)份雜交種8個性狀的表型數據開展GS方法的比較研究，方法包括基因組最佳線性無偏預測(genomic best linear unbiased prediction，GB LUP)、最小絕對壓

3、縮和選擇算子(least absolute shrinkage and selection operation，LASSO)、Bayes B、偏最小二乘(partial least square，PLS)、支持向量機(support vectormachine，SVM)和再生希爾伯特空間(reproducing kernel Hilbert space，RKHS)共6種。按照重復20次的10倍交叉驗證方法探討不同方法對各個性狀的預測能力

4、以及標記數量對性狀預測能力的影響，最后利用“3K水稻基因組項目”中的3023份水稻資源的全基因組標記信息，將575份雜交種作為訓練群體，選擇最佳方法預測本研究中120份水稻材料與3K項目中的水稻品種可能產生的所有雜交種的表型。研究結果如下:
　　1)參考水稻品種日本晴基因組，獲取120份水稻品種的SNP標記，共計2561889個，與同樣參考日本晴基因組的“3K水稻基因組項目”中經過篩選的6572189個SNP標記進行比對，挑選出基

5、因組中位置相同的2395866個SNP標記(all SNP)，同時與“3K水稻基因組項目”中根據LD篩選出的996009個SNP標記比對，挑選出116482個共同的SNP(core SNP)。采用GBLUP方法對兩套不同數目的SNP標記進行預測準確性比較，發(fā)現利用116482個SNP標記和2395866個SNP標記進行預測的準確性幾乎一致。因此，為提高運算效率，在比較各種GS方法時將基于116482個SNP標記開展。利用基因組上的all

6、 SNP標記使用GBLUP進行預測，然后不斷減少SNP標記數目，從中發(fā)現使用2k以上個SNP標記對預測準確性影響不大。
　　2)研究發(fā)現不同方法的預測能力存在極顯著差異，6種方法中GBLUP和LASSO兩種方法的預測力較好，而SVM和PLS方法的預測力較差。此外，不同性狀的預測能力也存在極顯著差異，8個性狀中千粒重的預測力最高，有效穗數和單株實粒重的預測力最低，表現出性狀遺傳力越高其預測能力越大的趨勢。另外，我們還發(fā)現，不同方法可

7、能適應不同性狀的現象。
　　3)經預測，在120×3023個可能雜交種中，單株實粒重最高的100個雜交種的平均單株實粒重比所有雜交種平均單株實粒重提高35.5％，千粒重、有效穗數、株高、一次枝梗、二次枝梗、主穗實粒數和穗長等7個性狀值最大的100個雜交種的平均值比所有雜交種的相應性狀值的平均數則分別提高22.4％、29.7％、43.4％、33.1％、59.7％、85.3％和19％。
　　本研究結果可以為使用GS方法進行水稻雜