一、影响动物模型MBLUP评定准确性的主要因素(英文)（论文文献综述）
姜松[1]（2021）在《斑节对虾适应低鱼粉蛋白性状的遗传参数估计及分子机制解析》文中研究表明斑节对虾（Penaeus monodon）俗称草虾、虎虾等,具有单个个体大、产量高、养殖利润大等特点,是世界主要养殖的对虾品种之一,也是我国华南地区的主养对虾品种。近年来,由于鱼粉资源的全球范围内缺乏以及鱼粉价格的逐年攀升,斑节对虾养殖产业中饲料成本逐年加大,这严重压低了斑节对虾养殖的利润,制约了我国斑节对虾养殖业的发展。因此,利用遗传育种的方法,选育出适合粗饲料（饲料中含有的鱼粉蛋白较低）养殖的斑节对虾优良新品种系,对我国斑节对虾新产业的健康可持续发展有着积极的促进意义。遗传育种工作中,准确估计不同家系的育种值,是开展良种选育的基本保证。分析不同家系在不同养殖条件下的转录组特性及肠道菌群结构,估计选育家系经济性状的表型和内在分子机制相关性,是遗传育种工作中非常重要的研究内容,是开展优良品种选育的工作基础。本论文首先进行了不同含量的浓缩脱酚棉籽蛋白替代鱼粉对斑节对虾的影响试验,确定了最佳的浓缩脱酚棉籽蛋白替代鱼粉蛋白的含量;在此基础上,通过构建专门化家系,通过对家系进行生长性能的评估以及遗传参数的估计,获得优良家系;利用F1代核心育种群体,构建F2代家系并进行遗传参数评估和形态差异分析,计算了斑节对虾耐粗饲料新品系F2代的育种值并通径分析方法分析F2代表型数量性状间的相关性及其对体质量这一重要经济性状的贡献率;对筛选到的特定家系进行了不同饵料组间的转录组测序,获得了耐粗饲料性状相关基因的表达调控模式;进行了特定家系的肠道菌群分析,比较了不同饲料组间斑节对虾肠道特定菌群菌群及多样性特点。具体结果如下:（1）以斑节对虾（0.85±0.02g）为试验对象,进行8周的生长实验,研究饲料中浓缩脱酚棉籽蛋白部分替代鱼粉对斑节对虾生长性能、肌肉成分、饲料利用、肝胰腺消化酶和抗氧化能力及肠道性状的影响,以期确定斑节对虾配合饲料中浓缩脱酚棉籽蛋白替代鱼粉的适宜比例。根据斑节对虾营养需求,设计5种与对照饲料（饲料中鱼粉含量为30%）等氮等能饲料,饲料中浓缩脱酚棉籽蛋白用量分别为5%、10%、15%、20%、25%,分别替代16.67%、33.33%、50%、66.67%、83.33%的鱼粉,试验结果显示:在对虾饲料总蛋白含量充足的情况下,使用浓缩脱酚棉籽蛋白部分替代鱼粉,其生长未受到明显影响,使用20%浓缩脱酚棉籽蛋白替代鱼粉的试验组效果最好,其增重率、特定生长率、成活率、饲料干物质表观消化率、饲料系数分别为206.27±12.09%、2.01±0.14%、60.83±2.05%、62.03±5.38%、2.08±0.25%,增重率、特定生长率、存活率、饲料干物质表观消化率均与对照组差异不显着（P>0.05）,饲料系数显着低于对照组（P<0.05）。试验结果表明,使用66.67%的浓缩脱酚棉籽蛋白替代饲料中的鱼粉,斑节对虾的生长性能不受影响,这为进一步进行耐粗饲料斑节对虾新品种系的筛选奠定了数据基础。（2）利用试验一得到的最佳替代比例,制作了对照组（鱼粉含量为30%）和试验组（鱼粉含量为10%,浓缩脱酚棉籽蛋白含量为20%）两种饵料,以用36个斑节对虾家系为试验材料,开展了在两种不同蛋白水平饲料下的生长测试,试验时间为8周。结果显示:在相同饲料中,不同斑节对虾家系收获体质量存在显着差异,在绝对增重率方面,对照组和试验组两种饲料饲喂表现最优家系比最差家系分别高出97.16%和95.46%。对照组和试验组两种饲料饲喂下,斑节对虾平均存活率差异显着,分别为80.59%和77.88%。在生产性能方面,对照组和试验组中家系产量最高值比最低值分别高出100%和124.44%。10号和6号家系在不同饲料组中均排在前10%,具有较好的生产性能。试验的研究结果为耐粗饲料养殖的斑节对虾新品种选育奠定了数据和材料基础。（3）本研究建立了36个斑节对虾家系,每个家系选取150尾斑节对虾,在对照组（Diet A,鱼粉蛋白水平为30%）和试验组（Diet B,鱼粉蛋白水平为10%,浓缩脱酚棉籽蛋白水平为20%）两种饵料下混养56 d,分析体质量和存活性状的遗传参数以及G×E互作效应。斑节对虾在Diet A组的生长性能优于Diet B组。在正常鱼粉蛋白饲料组中,斑节对虾体质量遗传力估计值为0.53±0.12,在试验组中为0.39±0.09,属高遗传力;存活性状遗传力估计值分别为0.38和0.22,也表现为中高遗传力水平。两个饲料组间体质量和存活性状的G×E互作效应均表现为高度遗传相关（0.84-0.92）,G×E方差组分与加性遗传方差组分比值均小于0.5,G×E效应均不显着。研究结果表明,尽管斑节对虾的生长和存活性状在种饲料下存在一定差异,然而基因型与饵料条件的互作效应并不显着,由此认为在饲料鱼粉蛋白水平10%-30%的范围内,不需要针对不同的饵料条件建立不同的选育系。（4）采用全人工定向交尾方式,于2020年构建了15个斑节对虾第二代耐粗饲料品系的全同胞家系进行生长性状数据测定及遗传参数评估。斑节对虾生长性状的变异系数为11.52-47.53%,存在较高的遗传变异。斑节对虾F2代群体生长性状的遗传力范围为（0.25±0.03）-（0.41±0.13）,属中、高度遗传力。体长和体质量的遗传力分别为（0.38±0.11）和（0.41±0.13）。生长性状间遗传相关性的评估结果均为高度正相关,其中体质量和体长之间的遗传相关性最高,为0.99,头胸甲宽和第一腹节高的遗传相关性最低,为0.71。生长性状表型数据间均呈显着相关,属中、高度相关。综上:斑节对虾F2代群体具有较高的遗传改良潜力,采用家系选育结合个体选育可获得较好的选育效果;生长性状间呈高度遗传正相关,可选择将体长和体质量作为选育的重点性状纳入综合选择指数中,其余的生长性状通过正遗传相关可获得间接选育效果,最终提高其生产性能。（5）开展了不同鱼粉蛋白水平饵料对斑节对虾特异性家系转录组的影响研究。研究结果表明,在不同遗传背景下（家系间比较）,有586个基因差异表达,其中上调表达基因520个,下调表达基因66个。进一步分析,获得差异最显着的Top 10 GO注释条目。结果表明,差异富集基因最显着的基因群主要涉及“蛋白质转运”、“蛋白质消化吸收”、“脂质吸收”等生物过程,“钙离子结合活性”、“G蛋白偶联受体”等信号转导的相关分子功能,位于“胞外区”、“细胞连接”等细胞部位。显着富集的KEGG调控通路也多为集中在蛋白质转运相关,包括“钙通路”、“谷氨酸能突触传导”等方面。差异表达基因主要涉及信号转导通路中的相关受体、调控蛋白及亚单位,吸收渗透调节中的各类通道蛋白、转运体,应激应答设计各类调控因子及酶等。（6）利用Hi-Seq高通量测序技术及生物信息学分析等方法,构建不同鱼粉蛋白水平饵料下两个斑节对虾特异性家系肠道样品肠道菌群的基因测序文库,分析比不同鱼粉蛋白水平下斑节对虾肠道菌群生物丰富度及多样性差异。在属的水平下,不同饲料组中斑节对虾肠道菌群相对菌属分布情况存在差异,高鱼粉蛋白饲料组中斑节对虾肠道菌群相对丰度较高的菌属是醋酸杆菌（Cetobacterium）、幽门螺旋菌（Paeniclostrdium）和罗姆布茨菌（Romboutsia）等,而低鱼粉蛋白饲料组中丰度较高的菌属为肠杆菌（Enterovibrio）和假单胞菌（Plesiomonas）等。从不同家系间比较分析的结果来看,X家系斑节对虾肠道的优势菌门分别是变形菌门（58.23%）和厚壁菌门（31.75%）,其他菌门丰度较低（5.00%以下）,Y家系以拟杆菌门（57.12%）和梭杆菌门（22.54%）为主。X家系中与营养代谢和生长相关的厚壁菌门显着增加,通过提高肠道中厚壁菌门和变形菌门丰度,有望提高斑节对虾的消化吸收功能,提高对低鱼粉水平饲料的利用率。
李勇[2]（2020）在《不同SNP分型技术在猪基因组选择中效果评估及全基因组关联研究》文中指出猪肉是我国居民最为重要的动物性蛋白来源之一,提升种猪质量、选育优秀种猪决定着养猪业可持续发展的潜力。从历史角度看,常规育种手段在种猪选育方面已取得巨大的成功,然而单一技术手段的“瓶颈效应”也日趋严重。近年来,基因组选择理论的提出和技术的应用弥补了传统选育手段的不足,尤其在早期选择以及低遗传力性状的预测准确性提升方面有明显的比较优势,越来越多的育种企业开始利用基因组选择育种技术来加快选育进展。然而当前的基因组选择还存在诸多限制因素,其中最关键的是预测准确性问题,这与不同的种群结构、有效群体大小、性状的遗传特性以及标记的密度密切相关。相比奶牛而言,猪的种群结构、品种多样性以及经济性状的特征都截然不同,仅仅加大参考群数量并不能从根本上解决问题,需要从标记密度、类型等不同的技术角度来提升基因组选择的准确性。基因组测序技术的发展为人们低成本获取全基因序列水平的标记奠定了基础。更高密度的标记可以获取几乎所有的连锁不平衡信息,甚至直接利用致因变异作为性状基因组育种值评估的信息,这为解决种群结构、复杂性状的遗传评估提供了可能。本研究从基因组测序角度出发,研究不同的测序策略产生的不同密度的标记在基因组选择中的应用效果。首先选择成本低廉的简化基因组测序（RAD-seq）手段,评估其对大白猪低遗传力性状选择准确性的提升效果,同时通过与现行SNP芯片技术进行比较,阐述简化基因组技术的应用价值;其次利用高密度的低深度重测序技术来进行基因组育种值评估;最后,利用全基因关联分析和精细定位手段解析初生重、体长等重要经济性状的遗传基础,并鉴定到多个重要候选基因,为鉴定致因变异在基因组选择中的应用奠定基础。具体结果如下:1.本研究利用RAD-seq对618头大白猪进行基因分型,个体平均测序量为580M,鉴定到79,725个高质量的SNP,群体中的平均检出率为88.1%,SNP之间的平均间隔为32.5kb。为了验证RAD-seq技术在基因组选择中的有效性,本研究将618头大白猪群体按近似4:1的比例划分为参考群和验证群,在验证群表型值未知时分别考察BLUP方法和两种基因组育种值预测方法:GBLUP和SS-GBLUP对验证群育种值预测的准确性和偏向性。结果表明GBLUP对验证群个体育种值预测的准确性从BLUP的0.109（TNB）,0.067（NBA）和0.009（LW）分别提高至0.220、0.184和0.205,而SS-GBLUP的预测准确性与GBLUP几乎相同;此外,GBLUP和SS-GBLUP明显改善了育种值预测的偏向性。同时,通过对大效应位点鉴定与利用并与BLUP结果进行比较,发现预测准确性显着提升（14.1%-135.7%）。2.为了比较同一群体中不同分型方法对基因组育种值估计准确性的影响,本研究同时利用RAD-seq和60K SNP芯片对453头大白猪群体进行基因分型,个体平均测序量为1.4G。分析结果表明:利用RAD-seq获得了139,634个SNP,而60K SNP芯片分析中仅获得45,175个SNP;RAD-seq获得的SNP超过80%之间的平均间隔小于15kb,而SNP芯片相似间隔的不到20%。比较分析表明RAD-seq发现低频SNP（MAF<0.1）的可能性是SNP芯片的两倍。利用GBLUP方法对生长、繁殖、体尺、胴体等性状进行基因组育种值估计,结果表明除100kg校正日龄、100kg校正日增重外,其他性状的估计准确性在RAD-seq、SNP芯片以及两种方法的合并数据等不同处理间差异较小,如胴体性状方面的差异在16.5%以内,体尺性状的差异在20%以内,初生重性状的差异在18.5%以内。利用初生重性状精细定位获得的大效应位点进行MBLUP分析,准确性较其他处理提高42.3%-78.4%,无偏性接近于1。3.通过对1097头大白猪进行不同策略的低深度重测序分析,结果发现不同批次、不同深度之间错配率、比对率、实际深度以及覆盖度方面稳定性较好。从测序深度与基因组覆盖率的相关性看,0.5×时覆盖度约为35%,1×时约为60%,2×时约为80%。与10×的基因组测序数据相比,无论是1×还是2×的深度基因型分型准确性都超过99%。同时,将1×的数据与60K SNP芯片的数据进行比较,两者重合的位点数能达到67%,并且其余的位点都和1×的位点紧密连锁。这些结果显示1×的测序深度是成本考虑下最合适的选择。4.利用低深度重测序（1×）获得了15,506,511个SNPs,在1097头大白猪群体中开展基因组预测准确性评估,与常规BLUP相比,超高密度标记可以有效地提高窝产活仔数、初生窝重、窝产健仔数等性状的基因组预测准确性,提升范围为33.3%-128%;与抽取的60K SNP标记相比,各性状基因组预测准确性提升范围在10.5%-46.6%。5.利用RAD-seq和SNP芯片获得的合并标记信息对大白猪和长白猪初生重进行GWAS研究,鉴定到2个与猪初生重显着关联的区域,分别能解释6.36%和4.25%的表型变异;同时对RAD-seq和SNP芯片数据集分别做GWAS,结果表明第4号染色体上的区域对RAD-seq数据集有效,但对SNP芯片数据集无效;其中染色体1上的区域则相反。体长性状方面,利用RAD-seq获得的数据集鉴定到1个显着关联的区域,能解释3.69%的表型变异。分别对这些关联区域通过品种特异性的序列水平标记填充进行精细定位研究,将致因变异所在区域缩小到～100-880 kb的间隔,这些区域包含6个重要候选基因:SKOR2、SMAD2、VAV3、NTNG1、TWIST2和PER2,这些基因与生长发育、骨骼发育等重要生物学过程有关。RAD-seq和低深度测序在猪基因组选择中效果评估研究有助于推动基因组测序作为基因组育种的主要分型技术,减少对国外SNP芯片的依赖,同时逐步积累的海量全基因数据,为我国构建新的育种理论或假设奠定基础。
李斌[3]（2019）在《墨吉明对虾种群遗传结构分析及遗传参数评估与基因组选择研究》文中认为墨吉明对虾是我国南海海域主要的经济捕捞对虾,食用与经济价值高,在世界范围内具有广泛分布,渔业资源量较高,是我国对虾养殖替代品种的优质对象。本研究以墨吉明对虾新品种开发为目标,对墨吉明对虾种质资源、生长特性、选育方法等内容展开研究。主要研究内容包括:南海北部墨吉明对虾自然群体遗传结构分析,野生墨吉明对虾表型形态特征研究,墨吉明对虾人工养殖条件下生长特性研究,G1代群体遗传参数评估,家系正向育种均值选择方法探究,基于基因标记信息与系谱信息的不同选育方法育种值估计准确率的分析等六个部分。1.以我国南海北部五个墨吉明对虾地理生态群体为研究材料。利用RAD-seq测序方法获取了五个地理生态群体共75个个体的简化基因组信息,并对墨吉明对虾5个地理生态群体的遗传多样性、遗传结构及种群动态进行了分析。研究结果显示:各群体间平均核苷酸多样性指数范围为2.88×10-4～3.43×10-4,为中低水平,但中性进化区段核苷酸多样性指数显着高于平均核苷酸多样性指数。从PCA分析结果看,虽然各群体间无显着的群体分层现象,但群体内部具有部分个体呈现变异分离趋势。同时,我们通过各群体间SNP多样性指数离群分析也发现,各群体间具有大量的群体内特异变异位点。2.以收集的野生墨吉明对虾表型信息进行了墨吉明对虾形态特征分析。结果分析发现,墨吉明对虾各生态群体肥满度较高,其中,以北部湾-钦州湾虾场的墨吉明对虾肥满度最高。同时发现,墨吉明对虾具有较高的出肉率,最高可达0.68。在表型相关分析结果中发现,各生长相关表型性状与净重之间的Perason相关水平均达到了极显着相关。其中,体重、体长、头胸甲长、全长、腹节长与净重的表型相关性水平最高,相关系数分别为0.926、0.876、0.831、0.825、0.764,均为高度表型相关。3.本部分对两种不同养殖环境下墨吉明对虾的早期生长规律进行了研究。研究发现,墨吉明对虾在土塘养殖条件下与水泥池养殖条件下具有较大生长差异,土塘养殖条件下的生长速度显着快于水泥池养殖条件下的生长速度。此外发现,两种不同养殖条件下,墨吉明对虾的快速生长期均在10-50日龄养殖阶段。4.利用多性状动物模型对墨吉明对虾G1代群体的体重、体长、头胸甲长、腹节长在不同养殖环境,及不同养殖阶段下的遗传力及遗传相关进行了评估。遗传评估结果显示,所研究的墨吉明对虾G1代群体生长相关性状的遗传力估计值均为中高水平,各生长性状间均为高度遗传相关。同时也发现,30日龄下,体重性状在两种养殖条件下的遗传力差异显着性检验达到了极显着差异的水平。另外,水泥池养殖条件下30日龄、90日龄与180日龄各养殖阶段间体重性状的遗传力差异显着性检验均未达到显着差异水平。5.分别使用家系平均育种值与家系正向平均育种值两种标准进行了家系选择。两种选择方法得到的结果显示,两个群体中各家系排名均出现部分变动。在后代群体验证中发现,P群体均值略高于M群体,但两者未达到显着性差异。6.利用墨吉明对虾基因组标记信息及相关系谱信息,采用ABLUP、GBLUP、ss GBLUP、Bayes A、BayesB等方法对体重育种值估计准确率进行了比较。结果表明,基于ABLUP与ss GBLUP方法得到的育种值估计准确率显着高于GBLUP、Bayes A、BayesB三种基因组预测模型。其中,ss GBLUP方法对墨吉明对虾体重性状的育种值估计的准确率最高,为0.653±0.055。同时,在本研究中,经比较使用GWAS方法与随机抽样方法获取的不同类型的SNP数据集基于BayesB、GBLUP两种模型得到的体重性状育种值估计准确率的结果发现,GBLUP模型均优于BayesB模型。
李学武[4]（2019）在《内蒙古绒山羊毛被类型遗传规律及其对重要经济性状间接选择研究》文中提出内蒙古绒山羊是经过长期自然选择和人工选育而成的优秀地方品种。在实际生产中发现内蒙古绒山羊的毛长（自然长度）存在较大的个体差异,通过研究内蒙古绒山羊毛被类型的遗传规律及重要经济性状（产绒量、体重、毛细、毛长、绒细和绒长）和次级性状（毛细/毛长、绒细/绒长和产绒量/体重）与之的协同变化规律,进而实施重要经济性状的间接选择。有利于提高表型选择的准确性,从而消除了遗传评估时所需基础数据资料耗时长、费用高、劳动强度大等缺点。本研究数据均来源于内蒙古白绒山羊种羊场。首先,利用1990～2014年的毛长数据记录研究了毛长的表型遗传多样性及其毛被类型的遗传规律;其次,利用2008～2011年的抓绒和体重性状及实验室测定的毛长、毛细、绒长和绒细的数据记录,应用方差和回归分析确定了毛被类型对其他重要经济性状影响规律;最后,利用多性状重复力动物模型对不同毛被类型各重要经济性状和次级性状进行遗传参数估计。结果如下:1.利用Shannon-Wiener指数通过1990～2014年内蒙古绒山羊毛长数据记录对毛长表型遗传多样性进行研究分析,发现长毛型指数最高,表明内蒙古绒山羊长毛型个体的毛长性状具有较高的表型遗传多样性。且中亲优势和超亲优势随毛长的增加而增加,尤其以长毛型超亲优势为正,说明长毛型形成了稳定的超亲优势。2.利用多性状动物模型估计不同毛被类型遗传参数发现短毛型、中间型和长毛型毛长的遗传力分别为0.11、0.16和0.22,以长毛型遗传力最高,遗传相对稳定,在育种过程中容易被固定。进一步研究发现长毛型遗传进展较快,即选择长毛型可以加快毛长的遗传进展。3.以2008～2011年内蒙古绒山羊产绒量、体重、毛细、毛长、绒细和绒长性状的重复记录为研究对象,采用方差和回归分析研究得出毛被类型对各重要经济性状具有显着影响。毛细和绒细随着毛长的增加而降低,体重和绒长随毛长的增加而增加,中间型的产绒量最低。4.利用多性状重复力模型分别对不同毛被类型下各重要经济性状的遗传参数估计发现各性状遗传力随毛长的增加而增加,且以长毛型最高,说明通过对长毛型的选择有利于加快各重要经济性状的遗传进展。5.通过方差分析发现不同毛被类型对次级性状影响极显着。毛被类型在遗传评估时应该作为固定效应。各次级性状的遗传力同样随着毛长的增加而增加,说明通过对毛长的选择可以实现对其他重要经济性状的间接选择。
缪如意,李佩霖,刘喜雨,杨文杰,李星润[5]（2019）在《畜禽遗传评定方法的研究进展》文中认为畜禽的遗传评定即育种值的估计是动物育种工作中的关键步骤。育种值估计越准确则选育畜禽更有效。遗传评定方法经过了选择指数法、群体比较法、最佳线性无偏预测法等方法。而随着分子技术和计算机科学等各方面的发展畜禽遗传评定的方法也在此基础上不断进步,已发展出了以原有BLUP方法为基础在分子水平上对育种值进行评估的MBLUP法来做畜禽遗传评定。在未来科技的更高快发展下还会有更多更为高效准确改良方法用于畜禽遗传评定。
李莹雪[6]（2018）在《新疆褐牛群体亲本对于后代产奶性状的遗传效应评价》文中提出本研究以新疆乌鲁木齐种牛场新疆褐牛种公牛及所有泌乳母牛为主要研究对象,通过收集该场所有种公牛及泌乳母牛产奶量及乳成分数据,进行有效的筛选及整理后,分别从父本和母本对其后代的影响上进行具体研究。从父本方面,选取该场后代母牛数最高的前6头种公牛及其后代母牛,用SAS 8.1分析环境因素（胎次、产犊年度、产犊季节、初产月龄、产犊间隔）对其后代母牛的影响,并用DMU软件AI-REML方法对所选种公牛后代母牛进行遗传参数的估计,运用动物模型BLUP方法对种公牛及后代母牛进行育种值的估计。最终对种公牛种用价值进行总体评价,为该场提供理论依据。从母本方面,选取该场所有泌乳母牛,并建立两种动物模型,按照不加母体效应和加入母体效应,分别进行遗传参数估计和育种值的排序,最终进一步确认母体对后代产奶性状的影响程度。研究结果如下:1新疆褐牛种公牛产奶性能的种用价值评定用SAS 8.1软件最小二乘方差法分析5个因素对新疆褐牛种公牛后代母牛产奶量及乳成分的影响,结果表明:胎次、产犊季节、初产月龄对产奶量都有极显着的影响（P<0.01）;年度对乳脂率、总固体有极显着影响（P<0.01）,对乳蛋白率有显着影响（P<0.05）。季节对总固体有显着影响（P<0.01）,初产月龄对乳蛋白率有显着影响（P<0.05）。产犊间隔对乳糖率和总固体有显着效应（P<0.05）。胎次对乳脂率、乳蛋白率、乳糖率都有极显着的影响（P<0.01）,对总固体无显着影响（P<0.05）。将影响显着的因素放入模型中进行计算,利用DMU软件AI-REML算法估计各性状遗传力,用动物模型BLUP法估计个体育种值,并进行排序。产奶量、乳脂率、乳蛋白率、乳糖率、总固体的遗传力分别为0.35、0.06、0.19、0.06、0.04。根据育种值结果,00233号种公牛在这个群体中的各项育种值最高,196318号种公牛各项育种值最低,00247号种公牛各项育种值排名较前。该场可依据结果对种公牛进行有效利用。2母体效应对新疆褐牛产奶性状遗传参数及育种值的影响根据研究对象,用SAS 8.1软件最小二乘方差法分析5个因素对新疆褐牛泌乳母牛产奶量及乳成分的影响,结果表明:胎次对产奶量影响极显着（P<0.01）,对乳脂率影响显着（P<0.05）;年度对产奶量、乳脂率、总固体影响极显着（P<0.01）,对乳糖率影响显着（P<0.05）;季节对乳蛋白率、乳糖率影响显着（P<0.05）;初产月龄对产奶量影响显着（P<0.05）,产犊间隔对乳脂率及总固体影响极显着（P<0.01）,对其余性状影响不显着（P>0.05）。利用DMU软件AI-REML算法,将影响显着的效应放入两种不同模型中,对所有母牛估计产奶量和乳成分的方差组分和遗传力,及各性状的育种值,经过两种模型结果对比:不考虑母体效应的母牛产奶量遗传力为0.40,乳脂率、乳蛋白率、乳糖率和总固体的遗传力分别为0.04、0.03、0.02、0.02。当考虑母体效应,新疆褐牛母牛产奶量的遗传力为0.20,乳脂率、乳蛋白率、乳糖率和总固体的遗传力分别为0.48、0.49、0.12、0.13。说明母本影响该场后代母牛产奶性状的遗传力。且在母体效应的影响下,该场总体后代母牛产奶量育种值降低,而该场母牛总体的乳成分育种值增大。说明该场在生产中要更加注重母畜的管理,以便更加准确地对母体及后代进行遗传评估。
张剑搏[7]（2018）在《基于ASReml对高山美利奴羊早期遗传参数估计和遗传评定》文中指出为了高山美利奴羊选育提高和完整结构建设,优化现行育种规划,实施早期选育,完善早期生长性状遗传参数估计和遗传评定方案已迫在眉睫。本研究基于ASReml软件结合BLUP动物模型法,对2003年至2015年的20057只高山美利奴羊早期生长性状鉴定资料进行系统比较研究和分析,初步创建了早期生长性状的不同BLUP动物模型,估计了早期生长性状遗传力、遗传相关、表型相关及个体育种值,构建了目标性状的综合育种值模型,估计了群体年近交系数,建立了早期遗传参数估计和遗传评定方法,研究结果如下。基于建立固定效应模型,运用ASReml软件对影响高山美利奴羊早期生长性状的非遗传因素（固定效应）进行显着性检验,方差分析结果说明非遗传因素血统、性别、出生类型、出生年份、配种月份、初生月份、群别及其互作效应对高山美利奴羊早期生长性状均有极显着影响（P<0.001）。运用ASReml软件结合BLUP动物模型法、固定效应组合及20057只个体样本量,依据各模型随机效应的不同创建了4个用于估计高山美利奴羊早期生长性状遗传参数的BLUP动物模型,通过AIC和LRT对不同模型中的随机效应进行分析比较,发现适用于高山美利奴羊早期生长性状遗传参数估计的最佳动物模型是含有个体加性遗传效应和母体遗传效应两种随机效应的BLUP动物模型。基于最佳BLUP动物模型估计出了高山美利奴羊早期生长性状遗传力、遗传相关、表型相关及个体育种值。高山美利奴羊2003至2015年间的年平均近交系数为0.01273%,没有近交现象。根据高山美利奴羊早期育种目标,构建了以初生重、断奶重、断奶毛长和平均日增重为早期育种目标性状的综合育种值模型:i i i i iI=15b+24w+100s+3a,利用综合育种值对个体进行排序选择最优个体,评定出了高山美利奴羊早期生长性状的表型和遗传趋势,建立了高山美利奴羊早期生长性状遗传参数估计和遗传评定方法。通过不同数据集和固定效应组合对高山美利奴羊早期生长性状遗传参数估计的影响研究,发现未考虑固定效应间互作效应时所估计各性状的遗传力均高于考虑了固定效应间互作效应所估计出的各性状遗传力;考虑了固定效应间互作效应后所估计的母体效应的遗传力略高于未考虑固定效应间互作效应时所估计的母体效应遗传力。同时发现随着数据量的减少,固定效应数量对遗传参数估计的影响逐渐增大,而且误差也增大,遗传参数估计值偏高;相反,随着数据量的增加,固定效应数量对遗传参数估计的影响逐渐降低,误差降低,遗传参数估计值偏低。本研究结果将为品种内考虑性状本身特征、群体遗传结构及环境条件变化的基础上建立最佳固定效应组合和适宜数据量,进而为高山美利奴羊早期生长性状遗传参数准确估计和遗传评定提供参考依据。
庞潘飞[8]（2016）在《利用标记辅助最佳线性无偏差预测法选择高产仔数大白母猪的研究》文中研究说明产仔数是母猪繁殖重要的组成性状,提高母猪产仔数能够显着地提高生产效率和经济效益。然而猪的繁殖性状遗传力低,受环境因素影响较大,并且为限性性状,从而导致了传统选择效果不大。随着分子生物学以及生物信息学等新兴学科的发展与成熟,采用标记辅助选择能成功地解决这一难题。我们首先检测了武汉西湖州大白猪群（472头）4个控制猪繁殖性状候选主效基因雌激素受体基因（ESR）、促卵泡素β亚基基因（FSHβ）、钙粘蛋白类似物基因（CTNNAL1）、mi R-27a基因的基因型。结果表明:在大白猪群中4个位点上存在不同程度的多态性。我们同时对4个候选基因在猪群中的遗传效应进行了分析。结果如下:1.ESR、mi R-27a、FSHβ位点A等位基因的频率分别是0.58、0.80、0.16;CTNNAL1位点G等位基因的频率是0.67。2.通过四个候选基因与大白猪繁殖性状的关联分析发现:ESR基因BB基因型的头胎总产仔数比AA基因型高0.72头/胎（P<0.05）。FSHβ基因头胎总产仔数BB基因型比AA基因型高1.81头/胎（P<0.05）;BB基因型总胎次总产仔数比AA基因型高1.25头/胎（P<0.05）,加性效应为0.48头/胎（P<0.05）;总胎次产活仔数AB、BB基因型分别比AA基因型高1.36头/胎（P<0.05）、1.49头/胎（P<0.05）,且加性效应为0.65头/胎（P<0.05）。CTNNAL1基因经产总产仔数CG基因型比GG基因型高0.55头/胎（P<0.05）,显性效应为0.27头/胎（P<0.05）;总胎次总产仔数CG基因型显着比GG基因型高0.50头/胎（P<0.05）;总胎次产活仔数GG基因型比CC基因型高0.55头/胎（P<0.05）,加性效应为0.18头/胎（P<0.05）。mi R-27a基因对大白猪的产仔数性状没有显着性影响。3.通过四个候选基因两两合并基因型与繁殖性状的关联分析发现:ESR、FSHβ两个基因的最优基因型是AABB;ESR、CTNNAL1两个基因的最优基因型是AACG;ESR、mi R-27a两个基因的最优基因型是AAAA;FSHβ、CTNNAL1两个基因的最优基因型是BBCG;FSHβ、mi R-27a两个基因的最优基因型是BBAA;CTNNAL1、mi R-27a两个基因的最优基因型是CGAA。4.通过对四个候选基因估计育种值与繁殖性状的关联分析发现:ESR基因中B等位基因为有利等位基因,有利于头胎产活仔数估计育种值、经产总产仔数估计育种值增加和头胎死胎数估计育种值、头胎木乃伊数估计育种值、总胎次出生窝重估计育种值减少;FSHβ基因中B等位基因为有利等位基因,有利于头胎总产仔数估计育种值、经产产活仔数估计育种值、总胎次断奶仔猪数估计育种值的增加和经产木乃伊数估计育种值减少;CTNNAL1基因中G等位基因为有利等位基因,有利于头胎总产仔数估计育种值、经产产活仔数估计育种值、总胎次出生窝重估计育种值的增加和头胎死胎数估计育种值减少;mi R-27a基因中A等位基因为有利等位基因,有利于经产总产仔数估计育种值、总胎次总产仔数估计育种值、出生窝重估计育种值增加和头胎死胎数估计育种值、经产木乃伊数估计育种值减少。
甘佳,唐慧,邓由飞,王巍,易军[9]（2012）在《牛的育种值估计方法综述》文中研究表明育种值是种牛选配计划制定的基础,估计育种值是种牛选育的主要依据,育种值估计的准确程度直接影响牛群的遗传进展和选择效果。随着育种理论和实践的不断发展,育种值的估计方法也不断的发展和更新。本文综述了3种育种值估计方法的原理、优缺点及其在牛育种的应用进展。
白堃[10]（2012）在《三河牛生长曲线模拟及遗传参数估计的研究》文中认为本研究的主要目的是对三河牛、德系西门塔尔公牛与三河牛母牛杂交后代（简称德杂,DS）、法系西门塔尔公牛与三河牛母牛杂交后代（简称法杂,FS）的不同杂交后代的生长性状进行非线性模拟,并对三河牛不同月龄生长性状进行方差组分和遗传参数估计。数据收集于2007-2011年海拉尔市农牧业管理局谢尔塔拉种牛场测定记录。研究的性状包括：体长、体高、胸围和体重。本研究包括两部分内容：（一）利用SAS8.0的NLIN过程的DUD对各性状在不同的非线性模型下进行模拟,根据拟合度最大和残差平方和最小的原则选择最佳模型,绘制各性状生长曲线,揭示其生长发育规律。（二）首先,通过利用SAS8.0的GLM过程分析影响不同月龄的各生长性状的非遗传因素,并把影响显着的因素作为固定效应,在统计模型中加以考虑。然后,根据是否考虑母体遗传效应以及个体与母体效应间是否存在相关,建立3个不同的模型,通过似然比检验确定每个性状的最优模型。最后,应用WOMBAT软件的AIREML（Average Information Restricted Maximum Likelihood）算法,利用单性状动物模型和多性状动物模型分别进行方差组分和遗传参数估计。生长性状非线性模拟结果表明：三河牛及其杂种后代体高、体长、胸围、体重选择的最佳非线性模型为：Logistic、Bertalanffy、Gompertz、Bertalanffy; DS对应性状的最佳非线性模型为：Logistic、Gompertz、Gompertz、Bertalanffy; FS对应性状的最佳非线性模型为：Logistic、Brody、Logistic、Brody。对测定年份、测定季节、品种、胎次四个非遗传因素分析的结果表明,0月龄各性状仅受测定年份的影响显着,受其它三个因素影响不显着（P>0.05）。其中,体高和体长受测定年份影响显着（P<0.05）,胸围和体重受测定年份影响极显着（P<0.01）。6月龄时的体高、体长和胸围受测定年份和季节影响极显着（P<0.01）,受其它因素影响不显着（P>0.05）。体重受测定年份影响显着（P<0.05）,受季节影响极显着（P<0.01）。12月龄时的体高、胸围和体重受测定年份和季节影响极显着（P<0.01）,体长受测定年份影响显着（P<0.05）,受季节影响极显着（P<0.01）。品种和胎次对不同月龄的各性状影响均不显着（P>0.05）不同月龄各性状的方差组分估计结果表明：各个性状3个模型的似然比检验均差异不显着,然后根据残差方差较小,模型从简的原则,进行模型的选择,得出各性状受母体遗传效应影响均不大,而且残差方差差异甚微。因此均选择模型（1）作为遗传参数估计的最优模型。0月龄体重、体长、体高、胸围估计的遗传力分别为0.3297、0.3289、0.4157、0.4135,6月龄的体重、体长、体高、胸围估计的遗传力分别为0.2941、0.3424、0.4637、0.3921。12月龄的体重、体长、体高、胸围估计的遗传力分别为0.3024、0.3397、0.4665、0.3024。单一体尺性状的不同年龄阶段之间的遗传相关估计值在0.3023-0.7527之间,表型相关在0.1329-0.5719之间,体重的不同年龄阶段之间的遗传相关估计值在0.4180-0.5956之间,表型相关估计值在0.1778-0.3758之间。0月龄遗传相关估值在0.7339-0.9909之间,表型相关估值在0.6305-0.8853之间；6月龄遗传相关估值在0.7131-0.9263之间,表型相关估值在0.5682-0.7593之间；12月龄遗传相关估值在0.6226-0.9792之间,表型相关估值在0.5081-0.6736之间。
二、影响动物模型MBLUP评定准确性的主要因素(英文)（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、影响动物模型MBLUP评定准确性的主要因素(英文)（论文提纲范文）
（1）斑节对虾适应低鱼粉蛋白性状的遗传参数估计及分子机制解析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 引言 |
| 第一章 文献综述 |
| 第一节 水产动物育种值估计研究 |
| 1 育种值及其在育种中的重要性 |
| 2 育种值的估计方法 |
| 第二节 水产动物饲料蛋白质需求进展研究 |
| 1 水产饲料中动植物蛋白源替代鱼粉研究 |
| 2 饲料中蛋白质的转化效率 |
| 3 水产动物低鱼粉饲料蛋白产业未来的发展方向 |
| 第三节 高通量测序技术在水产动物研究中的应用 |
| 1 转录组学在水产生物疾病与免疫中的研究现状 |
| 2 转录组学在水产生物生殖与发育中的研究现状 |
| 3 转录组学在水产生物生长与营养中的研究现状 |
| 4 转录组学在水产生物毒理与抗逆中的研究现状 |
| 第四节 水产生物肠道菌群的研究 |
| 1 生物肠道菌群来源及其作用 |
| 2 水生生物肠道微生物组在水产养殖中的重要性 |
| 3 影响水生生物肠道微生物的因素 |
| 4 水生生物肠道微生物群的生理和免疫作用 |
| 第五节 本研究的目的与意义 |
| 第二章 浓缩脱酚棉籽蛋白替代鱼粉对斑节对虾的影响 |
| 1 前言 |
| 2 材料和方法 |
| 2.1 试验饲料 |
| 2.2 试验管理 |
| 2.3 样品采集及指标测定 |
| 2.4 数据分析 |
| 3 结果 |
| 3.1 蛋白源替代对对虾生长及饲料利用的影响 |
| 3.2 浓缩脱酚棉籽蛋白替代部分鱼粉对斑节对虾肌肉成分的影响 |
| 3.3 浓缩脱酚棉籽蛋白替代鱼粉对斑节对虾消化酶活力和抗氧化能力的影响 |
| 3.4 浓缩脱酚棉籽蛋白替代部分鱼粉对斑节对虾肠道组织的组织学影响 |
| 4 讨论 |
| 第三章 浓缩脱酚棉籽蛋白替代部分鱼粉对斑节对虾家系生长和存活的比较研究 |
| 1 前言 |
| 2 材料和方法 |
| 2.1 试验材料 |
| 2.2 试验方法 |
| 2.3 数据采集与处理 |
| 3 结果 |
| 3.1 不同饲料组中斑节对虾生长性状的表型参数 |
| 3.2 斑节对虾家系在不同饲料组中生长性能比较 |
| 3.3 斑节对虾家系存活情况 |
| 3.4 斑节对虾家系生产性能 |
| 4 讨论 |
| 第四章 浓缩脱酚棉籽蛋白替代部分鱼粉饲料下斑节对虾生长和存活性状遗传评估 |
| 1 前言 |
| 2 材料和方法 |
| 2.1 试验材料 |
| 2.2 试验方法 |
| 2.3 统计分析 |
| 3 结果 |
| 3.1 生长性状统计 |
| 3.2 不同饲料组斑节对虾体质量和存活率的遗传参数和G×E效应 |
| 4 讨论 |
| 第五章 斑节对虾耐粗饲料选育品系F2 代生长性状的遗传参数评估 |
| 1 前言 |
| 2 材料和方法 |
| 2.1 亲本交配及催产 |
| 2.2 幼体培育及标记 |
| 2.3 生长性状数据采集 |
| 2.4 数据处理及统计分析 |
| 3 结果 |
| 3.1 斑节对虾生长性状数据统计 |
| 3.2 生长性状表型相关及曲线拟合 |
| 3.3 生长性状遗传参数及相关分析 |
| 4 讨论 |
| 4.1 生长性状的遗传变异差异 |
| 4.2 生长性状的表型相关性及生长特点 |
| 4.3 生长性状的多性状遗传参数评估 |
| 第六章 不同鱼粉蛋白水平饲料组间斑节对虾转录组分析 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 斑节对虾家系构建及特异性家系的筛选 |
| 2.2 样品采集 |
| 2.3 RNA-Seq文库的制备与组装 |
| 2.4 基因的功能注释 |
| 2.5 DEGs的鉴定及富集分析 |
| 2.6 数据统计与分析 |
| 3 结果 |
| 3.1 转录组测序及组装 |
| 3.2 基因功能及Nr数据库注释 |
| 3.3 GO功能注释 |
| 3.4 KEGG富集分析 |
| 3.5 差异基因统计 |
| 3.6 重要功能基因的筛选 |
| 4 讨论 |
| 第七章 不同鱼粉蛋白水平饲料组间斑节对虾肠道菌群分析 |
| 1 前言 |
| 2 材料和方法 |
| 2.1 斑节对虾家系构建及特异性家系的筛选 |
| 2.2 样品采集 |
| 2.3 细菌总 DNA 提取及多样性分析 |
| 2.4 生物信息分析流程 |
| 3 结果 |
| 3.1 质检结果与分析 |
| 3.2 OTU聚类分析 |
| 3.3 OUT韦恩图 |
| 3.4 两个饲料组下斑节对虾肠道菌群门水平菌落结构的影响 |
| 3.5 物种丰度聚类热图 |
| 3.6 Alpha多样性分析 |
| 3.7 Beta多样性分析 |
| 3.8 组间差异统计分析 |
| 4 讨论 |
| 总结 |
| 参考文献 |
| 附录:博士期间学术成果 |
| 致谢 |
（2）不同SNP分型技术在猪基因组选择中效果评估及全基因组关联研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表(Abbreviations) |
| 1 前言 |
| 1.1 研究问题的由来 |
| 1.2 猪基因组选择研究进展 |
| 1.2.1 猪基因组选择提出背景 |
| 1.2.2 猪基因组选择研究进展 |
| 1.3 基因组选择准确性的影响因素分析 |
| 1.4 新一代测序技术在畜禽基因组育种中的应用 |
| 1.4.1 基于新一代测序的基因分型技术介绍 |
| 1.4.2 新一代测序技术在畜禽基因组育种中应用的研究进展 |
| 1.5 精细定位在猪致因突变鉴定方面的研究进展 |
| 1.6 研究的目的和意义 |
| 1.7 研究技术路线 |
| 2 第一章大白猪繁殖性状全基因组选择效果评估 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 群体背景结构与表型数据统计性描述 |
| 2.2.2 RAD-seq建库实验仪器 |
| 2.2.3 RAD-seq实验试剂及配置 |
| 2.2.4 建库实验方法 |
| 2.2.4.1 接头退火 |
| 2.2.4.2 文库构建与文库质控 |
| 2.2.5 测序数据分析方法 |
| 2.2.6 基因组育种值预测方法 |
| 2.2.6.1 BLUP育种值预测方法 |
| 2.2.6.2 GBLUP方法 |
| 2.2.6.3 SS-GBLUP方法 |
| 2.2.6.4 基于标记辅助的BLUP技术(Marker-assisted BLUP,MBLUP)方法 |
| 2.2.6.5 育种值预测的准确性与偏向性 |
| 2.3 结果与分析 |
| 2.3.1 RAD-seq测序数据统计 |
| 2.3.2 基于RAD-seq的 SNP分型 |
| 2.3.3 遗传参数估计 |
| 2.3.4 育种值估计准确性 |
| 2.3.5 育种值估计的偏向性 |
| 2.3.6 基于大效应位点的育种值计算 |
| 2.4 讨论 |
| 3 第二章RAD-seq技术和SNP芯片对大白猪全基因组选择效果比较 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.2.1 表型与系谱 |
| 3.2.2 基于BGI-seq500的RAD-seq |
| 3.2.3 RAD-seq数据分析 |
| 3.2.4 SNP芯片检测与数据分析 |
| 3.2.5 方差组分和性状遗传力估计 |
| 3.2.6 育种值估计准确性评估 |
| 3.3 结果与分析 |
| 3.3.1 基于系谱数据估计遗传力的大白猪表型统计 |
| 3.3.2 用于基因组遗传力估计和育种值准确性评估的大白猪表型统计 |
| 3.3.3 测序数据分析 |
| 3.3.4 芯片数据统计 |
| 3.3.5 RAD-seq与 SNP芯片数据比较 |
| 3.3.6 遗传力估计结果 |
| 3.3.7 育种值估计准确性评估 |
| 3.4 讨论 |
| 4 第三章:低深度重测序技术在猪基因组选择中的研究 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 表型与系谱 |
| 4.2.2 全基因组重测序建库仪器 |
| 4.2.3 全基因组重测序建库试剂 |
| 4.2.4 全基因组建库方法 |
| 4.2.5 高深度重测序数据获取及分析 |
| 4.2.6 低深度重测序 |
| 4.2.7 低深度重测序数据分析 |
| 4.2.8 填充准确性分析 |
| 4.2.9 遗传结构分析 |
| 4.2.10 基因组预测 |
| 4.2.11 育种值预测准确性 |
| 4.3 结果与分析 |
| 4.3.1 低深度重测序数据分析 |
| 4.3.2 低深度重测序准确性评估 |
| 4.3.3 群体遗传结构分析 |
| 4.3.4 基因组预测准确性 |
| 4.4 讨论 |
| 5 第四章:初生重、体长性状相关功能基因的精细定位 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.2.1 群体结构背景与表型数据统计性描述 |
| 5.2.2 RAD-seq建库测序及分析 |
| 5.2.3 SNP芯片分型及分析 |
| 5.2.4 全基因组测序数据分析 |
| 5.2.5 序列填充 |
| 5.2.6 方差组分估计和遗传力 |
| 5.2.7 全基因组关联分析 |
| 5.2.8 精细定位 |
| 5.2.9 基因功能注释 |
| 5.3 结果与分析 |
| 5.3.1 全基因组关联分析 |
| 5.3.2 精细定位 |
| 5.3.3 候选基因分析 |
| 5.4 讨论 |
| 6 总结 |
| 6.1 本研究的主要结论 |
| 6.2 本研究的创新点 |
| 6.3 本研究不足之处与进一步建议 |
| 参考文章 |
| 附录 I 实验方法与数据 |
| 附录 II 在读期间研究成果 |
| 致谢 |
（3）墨吉明对虾种群遗传结构分析及遗传参数评估与基因组选择研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略词 |
| 1 文献综述 |
| 1.1 墨吉明对虾概况 |
| 1.1.1 墨吉明对虾分类地位及形态特征 |
| 1.1.2 墨吉明对虾自然分布与生活习性 |
| 1.1.3 墨吉明对虾繁殖与世代 |
| 1.1.4 渔业状况 |
| 1.1.5 资源动态 |
| 1.2 对虾育种研究现状 |
| 1.2.1 对虾种业发展历史 |
| 1.2.2 我国对虾新品种选育进展 |
| 1.2.3 我国对虾种业现状 |
| 1.3 选择育种原理与应用 |
| 1.3.1 群体遗传学简介 |
| 1.3.2 遗传多样性分析 |
| 1.3.2.1 等位基因多样性分析 |
| 1.3.2.2 位点杂合度分析 |
| 1.3.2.3 群体间遗传分化分析 |
| 1.3.2.4 近交系数 |
| 1.3.2.5 有效群体大小 |
| 1.3.3 数量遗传学简介 |
| 1.3.2.1 数量性状的数学模型 |
| 1.3.2.2 亲属间相关 |
| 1.3.2.3 遗传力的估计 |
| 1.3.2.4 遗传相关 |
| 1.3.2.5 育种值 |
| 1.3.4 选择育种理论 |
| 1.3.3.1 个体选择 |
| 1.3.3.2 家系选择 |
| 1.3.3.3 家系内选择 |
| 1.3.3.4 综合选择 |
| 1.3.3.5 选择育种常用概念 |
| 1.4 现代育种核心技术 |
| 1.4.1 BLUP育种值估计 |
| 1.4.2 基因组选择技术 |
| 1.4.2.1 GBLUP |
| 1.4.2.2 ss GBLUP |
| 1.4.2.3 贝叶斯法 |
| 1.4.3 全基因组选育的优势与现状 |
| 1.4.4 简化基因组测序简介 |
| 1.5 研究目的与意义 |
| 2 南海北部墨吉明对虾5个地理生态群体的遗传结构与种群历史动态分析 |
| 2.1 材料与方法 |
| 2.1.1 样本收集 |
| 2.1.2 DNA提取及检测 |
| 2.1.3 RAD文库构建 |
| 2.1.4 数据处理 |
| 2.1.4.1 原始数据过滤及质量控制 |
| 2.1.4.2 过滤数据的变异检测及遗传参数评估 |
| 2.1.4.3 群体遗传结构分析 |
| 2.1.4.4 种群历史动态分析 |
| 2.2 结果与分析 |
| 2.2.1 测序数据统计 |
| 2.2.2 群体遗传参数 |
| 2.2.3 群体间遗传结构分析 |
| 2.2.4 组间SNP位点离群分析 |
| 2.2.5 连锁不平衡分析 |
| 2.2.6 种群动态历史分析 |
| 2.2.7 种群混合和迁移事件分析 |
| 2.3 讨论 |
| 2.3.1 群体遗传分化与历史动态分析 |
| 2.3.2 群体遗传多样性分析 |
| 3 野生墨吉明对虾形态学特征分析 |
| 3.1 材料与方法 |
| 3.1.1 材料与方法 |
| 3.1.2 数据测量及统计分析 |
| 3.1.3 墨吉明对虾出肉率及肥满度的测定 |
| 3.1.4 墨吉明对虾生物形态学分析 |
| 3.2 结果与分析 |
| 3.2.1 墨吉明对虾表型性状与出肉率的统计性描述 |
| 3.2.2 墨吉明对虾各性状间表型相关性分析 |
| 3.2.3 线性回归方程建立及各表型性状对净重的作用分析 |
| 3.2.4 南海北部五大虾场墨吉明对虾肥满度差异性分析 |
| 3.2.5 南海北部五大虾场墨吉明对虾体长与体重关系 |
| 3.2.6 墨吉明对虾自然群体各月份体长频数分布 |
| 3.3 讨论 |
| 4 养殖条件下墨吉明对虾早期生长规律的研究 |
| 4.1 材料与方法 |
| 4.1.1 实验群体构建 |
| 4.1.2 数据测量与统计分析 |
| 4.2 结果与分析 |
| 4.2.1 墨吉明对虾体重与体长测量值统计结果 |
| 4.2.2 土塘养殖条件下墨吉明对虾体长与体重累积生长曲线 |
| 4.2.3 水泥池养殖条件下墨吉明对虾体长与体重累积生长曲线 |
| 4.2.4 两种养殖条件下体长与体重性状累计增长曲线的比较 |
| 4.2.5 土塘养殖条件下墨吉明对虾体长与体重绝对及相对生长曲线 |
| 4.2.6 水泥池养殖条件下墨吉明对虾体长与体重绝对及相对生长曲线 |
| 4.2.7 两种养殖条件下体长生长系数的比较 |
| 4.2.8 两种养殖条件下墨吉明对虾肥满度的变化 |
| 4.2.9 墨吉明对虾体重与体长的关系 |
| 4.2.10 墨吉明对虾体重与体长的生长关系 |
| 4.3 讨论 |
| 5 墨吉明对虾G1代群体生长相关性状遗传参数评估 |
| 5.1 材料与方法 |
| 5.1.1 遗传参数评估实验群体的构建 |
| 5.1.1.1 野生亲虾来源 |
| 5.1.1.2 野生亲虾处理及家系建立 |
| 5.1.1.3 幼体培育 |
| 5.1.1.4 中间培育 |
| 5.1.1.5 家系个体标记 |
| 5.1.1.6 后期养成 |
| 5.1.2 表型数据测量 |
| 5.1.3 数据统计与分析 |
| 5.2 结果 |
| 5.2.1 生长相关性状指标的表型测量值描述统计 |
| 5.2.2 各家系间初始体长与体重的差异显着性检验 |
| 5.2.3 亲缘关系A矩阵自定义 |
| 5.2.4 遗传参数评估结果 |
| 5.2.5 遗传力Z-score检验 |
| 5.3 讨论 |
| 5.3.1 关于群体构建与自定义亲缘关系矩阵构建的依据 |
| 5.3.2 遗传力 |
| 5.3.3 遗传相关 |
| 6 墨吉明对虾家系正向育种均值选择方法探究 |
| 6.1 材料与方法 |
| 6.1.1 家系构建及培育 |
| 6.1.2 数据测量与统计分析 |
| 6.1.3 选择方法 |
| 6.2 结果与分析 |
| 6.3 后代群体验证 |
| 6.3.1 验证群体构建及培育 |
| 6.3.2 数据测量与统计分析 |
| 6.3.3 结果描述与统计 |
| 6.4 讨论 |
| 7 不同数量及不同类型的SNP数据集基于不同的预测模型对墨吉明对虾体重性状育种值估计准确率的研究 |
| 7.1 材料与方法 |
| 7.1.1 亲虾来源 |
| 7.1.2 家系建立 |
| 7.1.3 样品收集及数据测量 |
| 7.1.4 简化基因组测序 |
| 7.1.5 数据质量控制与SNP分型 |
| 7.1.6 SNP筛选 |
| 7.1.7 不同SNP数目及不同类型的数据集构建 |
| 7.1.8 育种值估计 |
| 7.1.9 不同类型及不同数量SNP数据集的遗传方差占比分析 |
| 7.1.10 交叉验证 |
| 7.2 结果与分析 |
| 7.2.1 GWAS分析结果及不同SNP数据集的阈值范围 |
| 7.2.2 不同模型育种值估计准确率比较 |
| 7.2.3 不同SNP数据集基于不同模型育种值估计准确率分析 |
| 7.2.4 各SNP数据集的遗传方差占比分析 |
| 7.3 讨论 |
| 7.3.1 不同模型对育种值估计准确率的差异 |
| 7.3.2 不同数据类型与不同标记数量对育种值估计准确率的影响 |
| 7.3.3 不同标记数量对总遗传方差解释的能力 |
| 结论 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简介 |
| 导师简介 |
（4）内蒙古绒山羊毛被类型遗传规律及其对重要经济性状间接选择研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 绒山羊种质资源 |
| 1.1.1 国外绒山羊资源 |
| 1.1.2 国内绒山羊资源 |
| 1.2 绒山羊毛被的生长规律 |
| 1.2.1 绒山羊毛囊类型 |
| 1.2.2 内蒙古绒山羊毛囊生长发育规律 |
| 1.3 影响绒山羊毛被生长的因素 |
| 1.3.1 影响绒山羊被毛生长的非遗传因素 |
| 1.3.2 遗传因素 |
| 1.4 家畜遗传评估方法的研究进展 |
| 1.4.1 统计模型 |
| 1.4.2 方差组分分析方法 |
| 1.4.3 育种值估计方法 |
| 1.5 绒山羊育种研究进展 |
| 1.5.1 早期表型选择 |
| 1.5.2 基因组选择 |
| 1.6 研究目的和意义 |
| 2 研究一 内蒙古绒山羊毛长表型遗传多样性研究 |
| 2.1 材料与方法 |
| 2.1.1 数据来源 |
| 2.1.2 统计分析方法 |
| 2.2 结果与分析 |
| 2.2.1 内蒙古绒山羊毛长分布情况及不毛被类型频率分布 |
| 2.2.2 不同毛被类型后代毛长差异性分析 |
| 2.2.3 表型多样性指数结果 |
| 2.2.4 不同毛被类型后代杂交优势 |
| 2.3 讨论 |
| 2.3.1 内蒙古绒山羊毛长表型规律分析 |
| 2.3.2 不同毛被类型后代毛长差异性分析 |
| 2.3.3 表型遗传多样性分析 |
| 2.3.4 杂交优势分析 |
| 2.4 小结 |
| 3 研究二 内蒙古绒山羊毛被类型遗传参数估计及遗传进展研究 |
| 3.1 材料与方法 |
| 3.1.1 数据来源 |
| 3.1.2 统计分析方法 |
| 3.2 结果与分析 |
| 3.2.1 毛长的表型进展 |
| 3.2.2 遗传评估结果及遗传进展结果 |
| 3.3 讨论 |
| 3.3.1 毛长表型规律分析 |
| 3.3.2 遗传参数评估结果及遗传进展分析 |
| 3.4 小结 |
| 4 研究三 内蒙古绒山羊毛被类型对重要经济性状影响的研究 |
| 4.1 材料与方法 |
| 4.1.1 数据来源 |
| 4.1.2 统计分析方法 |
| 4.2 结果与分析 |
| 4.2.1 不同毛被类型重要经济性状的表型规律分析 |
| 4.2.2 毛被类型对其他重要经济性状方差分析 |
| 4.2.3 毛被类型对其他重要经济性状的线性和非线性回归分析 |
| 4.3 讨论 |
| 4.3.1 不同毛被类型重要经济性状的表型规律分析 |
| 4.3.2 毛被类型对重要经济性状的差异性分析 |
| 4.3.3 毛被类型对重要经济性状的回归分析 |
| 4.4 小结 |
| 5 研究四 内蒙古绒山羊不同毛被类型重要经济性状的遗传参数估计的研究 |
| 5.1 材料与方法 |
| 5.1.1 数据来源 |
| 5.1.2 统计分析方法 |
| 5.2 结果与分析 |
| 5.2.1 不同毛被类型重要经济性状表型变化规律 |
| 5.2.2 不同毛被类型各重要经济性状的非遗传因素分析结果 |
| 5.2.3 遗传参数评估结果 |
| 5.3 讨论 |
| 5.3.1 不同毛被类型重要经济性状表型规律分析 |
| 5.3.2 不同毛被类型重要经济性状的非遗传因素分析 |
| 5.3.3 遗传参数估计结果分析 |
| 5.4 小结 |
| 6 研究五 内蒙古绒山羊不同毛被类型次级性状遗传规律研究 |
| 6.1 材料与方法 |
| 6.1.1 数据来源 |
| 6.1.2 统计分析方法 |
| 6.2 结果与分析 |
| 6.2.1 不同毛被类型对各次级性状的表型变化规律 |
| 6.2.2 各次级性状之间的相关性分析结果 |
| 6.2.3 毛被类型对各次级性状的回归分析结果 |
| 6.2.4 各次级性状的非遗传因素分析结果 |
| 6.2.5 不同毛被类型次级性状的遗传参数估计结果 |
| 6.3 讨论 |
| 6.3.1 不同毛被类型各次级性状表型规律分析 |
| 6.3.2 不同毛被类型对次级性状影响的统计分析 |
| 6.3.3 不同毛被类型各次级性状遗传参数估计结果分析 |
| 6.4 小结 |
| 7 结论 |
| 8 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）畜禽遗传评定方法的研究进展（论文提纲范文）
| 0 引言 |
| 1 选择指数法 |
| 2 群体遗传法 |
| 3 BLUP法 |
| 4 MBLUP方法 |
| 4.1 MBLUP方法准确性更高 |
| 4.2 MBLUP方法的发展与应用情况 |
| 5 展望 |
（6）新疆褐牛群体亲本对于后代产奶性状的遗传效应评价（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 新疆褐牛概述 |
| 1.2 动物育种及遗传评定的发展 |
| 1.3 国内外奶牛遗传育种的研究发展 |
| 1.4 亲本对后代产奶性状的遗传效应评价 |
| 1.5 研究目的与意义 |
| 第2章 新疆褐牛种公牛产奶性能的种用价值评定 |
| 2.1 材料与方法 |
| 2.2 结果与分析 |
| 2.3 讨论 |
| 2.4 小结 |
| 第3章 母体效应对新疆褐牛产奶性状遗传参数及育种值的影响 |
| 3.1 材料与方法 |
| 3.2 结果与分析 |
| 3.3 讨论 |
| 3.4 小结 |
| 第4章 结论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于ASReml对高山美利奴羊早期遗传参数估计和遗传评定（论文提纲范文）
| 摘要 |
| abstract |
| 英文缩略表 |
| 第一章 引言 |
| 1.1 高山美利奴羊培育背景 |
| 1.1.1 育种区自然生态资源条件 |
| 1.1.2 国内外细毛羊业发展趋势与需求 |
| 1.2 高山美利奴羊选育历程 |
| 1.2.1 高山美利奴羊的育种素材 |
| 1.2.2 高山美利奴羊选育过程 |
| 1.2.3 高山美利奴羊品种特性 |
| 1.3 细毛羊遗传参数估计与遗传评定的研究 |
| 1.4 遗传参数估计软件——ASReml简介 |
| 1.4.1 ASReml的原理 |
| 1.4.2 ASReml的功能和特点 |
| 1.5 本研究的目的及意义 |
| 第二章 高山美利奴羊早期生长性状非遗传因素筛选 |
| 2.1 前言 |
| 2.2 材料与方法 |
| 2.2.1 数据来源 |
| 2.2.2 数据整理 |
| 2.2.3 非遗传因素 |
| 2.2.4 统计及分析方法 |
| 2.3 结果与分析 |
| 2.4 讨论 |
| 2.5 小结 |
| 第三章 不同BLUP动物模型对高山美利奴羊早期生长性状遗传参数估计的比较 |
| 3.1 前言 |
| 3.2 材料与方法 |
| 3.2.1 试验材料 |
| 3.2.2 参数估计模型 |
| 3.2.3 不同模型比较 |
| 3.2.4 方差组分与遗传参数估计 |
| 3.3 结果与分析 |
| 3.3.1 早期性状的方差组分及其比例 |
| 3.3.2 不同BLUP动物模型的比较 |
| 3.4 讨论 |
| 3.4.1 不同BLUP动物模型估计效果的比较 |
| 3.4.2 不同BLUP动物模型对高山美利奴羊早期生长性状遗传参数的估计 |
| 3.5 结论 |
| 第四章 高山美利奴羊早期生长性状的遗传评定 |
| 4.1 前言 |
| 4.2 材料与方法 |
| 4.2.1 数据来源 |
| 4.2.2 统计及分析方法 |
| 4.2.3 早期生长性状的综合育种值 |
| 4.3 结果与分析 |
| 4.3.1 近交系数 |
| 4.3.2 早期生长性状间的遗传相关和表型相关 |
| 4.3.3 早期各生长性状的遗传评定 |
| 4.3.4 早期生长性状的表型趋势与遗传趋势 |
| 4.4 讨论 |
| 4.5 小结 |
| 第五章 不同固定效应组合和数据量对遗传参数估计的影响 |
| 5.1 前言 |
| 5.2 材料与方法 |
| 5.2.1 试验材料 |
| 5.2.2 固定效应组合 |
| 5.2.3 统计及分析方法 |
| 5.2.4 最佳固定效应组合筛选 |
| 5.2.5 遗传参数估计 |
| 5.3 结果与分析 |
| 5.3.1 不同固定效应在Data1下估计的早期生长性状遗传力 |
| 5.3.2 不同固定效应在Data2下估计的早期生长性状遗传力 |
| 5.3.3 不同固定效应在Data3下估计的早期生长性状遗传力 |
| 5.3.4 利用赤池信息准则(AIC)比较不同固定效应模型 |
| 5.3.5 利用似然比检验(LRT)比较不同固定效应模型 |
| 5.3.6 不同数据量在最佳固定效应模型下所估计的遗传力变化情况 |
| 5.4 讨论 |
| 5.4.1 不同固定效应组合下的早期生长性状遗传力 |
| 5.4.2 不同数据对高山美利奴羊早期生长性状遗传力的估计 |
| 5.5 小结 |
| 第六章 全文结论 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简历 |
（8）利用标记辅助最佳线性无偏差预测法选择高产仔数大白母猪的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 文献综述 |
| 1 引言 |
| 2 关于猪繁殖性状的遗传改良方法 |
| 2.1 利用杂交手段进行繁殖性状的改良 |
| 2.2 通过常规选择改良猪的繁殖性状 |
| 2.3 利用标记辅助选择改良猪繁殖性状 |
| 2.3.1 寻找主效基因或QTL的方法 |
| 2.3.2 影响标记辅助选择效率的因素 |
| 2.3.3 标记辅助选择的应用 |
| 3 标记辅助最佳线性无偏差预测法 |
| 4 候选基因 |
| 4.1 关于ESR基因 |
| 4.2 关于FSHβ 基因 |
| 4.3 关于mi R-27a基因 |
| 4.4 关于CTNNAL1基因 |
| 5 估计育种值研究进展 |
| 5.1 育种值的概念 |
| 5.2 育种值估计的方法 |
| 5.3 准确估计育种值的意义 |
| 5.4 育种值估计不足和今后的发展趋势 |
| 6 选题的目的与意义 |
| 第二章 材料与方法 |
| 1. 实验材料 |
| 1.1 实验样品 |
| 1.2 主要仪器和设备 |
| 1.3 主要试剂与试剂盒 |
| 1.4 常用试剂及配制 |
| 2 试验方法 |
| 2.1 猪基因组DNA的提取 |
| 2.1.1 猪血液提取基因组DNA |
| 2.1.2 猪毛发提取基因组DNA |
| 2.2 候选基因引物的设计与合成 |
| 2.3 候选基因片段序列扩增 |
| 2.4 候选基因的PCR-RFLP酶切分型 |
| 2.5 数据的处理 |
| 2.5.1 基因型遗传效应分析 |
| 2.5.2 育种值的估计 |
| 2.5.2.1 育种值估计的材料 |
| 2.5.2.2 育种值估计统计分析模型 |
| 2.5.2.3 育种值估计的统计计算方法 |
| 2.5.2.4 估计育种值与基因型的的关联分析 |
| 第三章 结果与分析 |
| 1 候选基因片段的PCR扩增结果 |
| 2 候选基因位点的PCR-RFLPs |
| 3 候选基因位点多态性分布 |
| 4 候选基因位点在试验群体中遗传效应的分析 |
| 4.1 ESR基因位点 |
| 4.2 FSHβ 基因位点 |
| 4.3 CTNNAL1基因位点 |
| 4.4 mi R-27a基因位点 |
| 5 双标记组合对繁殖性状的影响 |
| 5.1 ESR、FSHβ 两个位点合并基因型对繁殖性状的影响 |
| 5.2 ESR、CTNNAL1两个位点合并基因型对繁殖性状的影响 |
| 5.3 ESR、mi R-27a两个位点合并基因型对繁殖性状的影响 |
| 5.4 FSHβ、CTNNAL1两个位点合并基因型对繁殖性状的影响 |
| 5.5 FSHβ、mi R-27a两个位点合并基因型对繁殖性状的影响 |
| 5.6 CTNNAL1、mi R-27a两个位点合并基因型对繁殖性状的影响 |
| 6 四个候选基因繁殖性状育种值的估计 |
| 6.1 ESR基因繁殖性状的估计育种值 |
| 6.2 FSHβ 基因繁殖性状的估计育种值 |
| 6.3 CTNNAL1基因繁殖性状的估计育种值 |
| 6.4 mi R-27a基因繁殖性状的估计育种值 |
| 第四章 讨论 |
| 1 关于4个标记的遗传效应分析 |
| 1.1 单个标记的遗传效应 |
| 1.1.1 ESR在试验群体中的遗传效应 |
| 1.1.2 FSHβ 在试验群体中的遗传效应 |
| 1.1.3 CTNNAL1在试验群体中的遗传效应 |
| 1.1.4 mi R-27a在试验群体中的遗传效应 |
| 1.2 两个标记的遗传效应 |
| 1.2.1 ESR分别和FSHβ、CTNNAL1、mi R-27a基因合并基因型的遗传效应 |
| 1.2.2 FSHβ 分别和CTNNAL1、mi R-27a基因合并基因型的遗传效应 |
| 1.2.3 CTNNAL1和mi R-27a基因合并基因型的遗传效应 |
| 2 四个候选标记的繁殖性状估计育种值分析 |
| 2.1 ESR基因繁殖性状估计育种值分析 |
| 2.2 FSHβ 基因繁殖性状估计育种值分析 |
| 2.3 CTNNAL1基因繁殖性状估计育种值分析 |
| 2.4 mi R-27a基因繁殖性状估计育种值分析 |
| 第五章 小结 |
| 第六章 本研究的创新之处 |
| 参考文献 |
| 硕士期间已发表论文 |
| 致谢 |
（10）三河牛生长曲线模拟及遗传参数估计的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 三河牛概述 |
| 1.1.1 三河牛起源 |
| 1.1.2 品种特点 |
| 1.2 三河牛生产性能的评定方法 |
| 1.2.1 生长曲线函数的发展 |
| 1.2.2 生长曲线模型的种类及特点 |
| 1.2.3 生长曲线在家畜育种的作用 |
| 1.3 方差组分和遗传参数估计 |
| 1.3.1 方差组分估计方法 |
| 1.3.2 遗传参数的估计方法 |
| 1.4 动物育种的遗传评定方法 |
| 1.4.1 BLUP育种值估计的方法 |
| 1.4.2 标记辅助BLUP法(MBLUP) |
| 1.4.3 BLUP方法在国内外动物育种的应用及其优缺点 |
| 1.5 本研究的我目的与意义 |
| 2 三河牛及其杂种后代生长性状生长曲线的研究 |
| 2.1 材料与方法 |
| 2.1.1 研究材料 |
| 2.1.2 方法 |
| 2.2 结果与分析 |
| 2.2.1 三河牛杂种后代生长性状的4种非线性模型的比较及其对应参数的估计 |
| 2.2.2 三河牛德系后代生长性状的4种非线性模型的比较及其对应参数的估计 |
| 2.2.3 三河牛法系后代生长性状4种非线性模型的比较及其对应参数的估计 |
| 2.3 小结 |
| 3 三河牛及其杂种后代生长性状的遗传参数估计 |
| 3.1 材料与方法 |
| 3.1.1 研究材料 |
| 3.1.2 实验方法 |
| 3.2 结果与分析 |
| 3.2.1 影响三河牛及其杂种后代不同生长阶段生长性状的非遗传因素 |
| 3.2.2 三河牛及其杂种后代各个生长阶段方差组分分析 |
| 3.2.3 三河牛及其杂种后代遗传参数的估计 |
| 3.3 讨论 |
| 3.3.1 非遗传因素讨论 |
| 3.3.2 三河牛及其杂种后代不同月龄各生长性状的方差组分讨论 |
| 3.3.3 三河牛及其杂种后代各个性状相关性讨论 |
| 3.3.4 三河牛及其杂种后代相同月龄各个生长性状之间的相关性讨论 |
| 3.4 小结 |
| 4 总结 |
| 致谢 |
| 参考文献 |
| 作者简介 |
四、影响动物模型MBLUP评定准确性的主要因素(英文)（论文参考文献）
- [1]斑节对虾适应低鱼粉蛋白性状的遗传参数估计及分子机制解析[D]. 姜松. 上海海洋大学, 2021(01)
- [2]不同SNP分型技术在猪基因组选择中效果评估及全基因组关联研究[D]. 李勇. 华中农业大学, 2020
- [3]墨吉明对虾种群遗传结构分析及遗传参数评估与基因组选择研究[D]. 李斌. 广东海洋大学, 2019(02)
- [4]内蒙古绒山羊毛被类型遗传规律及其对重要经济性状间接选择研究[D]. 李学武. 内蒙古农业大学, 2019
- [5]畜禽遗传评定方法的研究进展[J]. 缪如意,李佩霖,刘喜雨,杨文杰,李星润. 畜禽业, 2019(05)
- [6]新疆褐牛群体亲本对于后代产奶性状的遗传效应评价[D]. 李莹雪. 新疆农业大学, 2018(05)
- [7]基于ASReml对高山美利奴羊早期遗传参数估计和遗传评定[D]. 张剑搏. 中国农业科学院, 2018(12)
- [8]利用标记辅助最佳线性无偏差预测法选择高产仔数大白母猪的研究[D]. 庞潘飞. 华中农业大学, 2016(02)
- [9]牛的育种值估计方法综述[A]. 甘佳,唐慧,邓由飞,王巍,易军. 《第七届中国牛业发展大会》论文集, 2012(总第177期)
- [10]三河牛生长曲线模拟及遗传参数估计的研究[D]. 白堃. 内蒙古农业大学, 2012(06)