[发明专利]用于选择基因渗入标志组的方法

说明书

发明领域

本公开涉及植物育种。更具体地，本公开涉及应用一种改进的系统来鉴定和选择对感兴趣的性状基因渗入非常有用的植物遗传标志的集合。

发明背景

杂交植物育种的发展已经使得显著提高作物生产的质量和数量成为可能。产量和理想性状(如对疾病和昆虫的抗性、对炎热和干旱的耐性)组合的改善，以及植物组成的变化，都至少部分地是由于植物杂交过程才成为可能的。杂交过程依赖来自雄性亲代植物的花粉贡献于雌性亲代植物，由此产生杂种。

玉米杂种的开发需要纯合近交系的开发、这些品系之间的杂交、以及对杂交的评估。谱系育种和轮回选择是用于从种群中发展近交系的两种育种方法。育种程序将来自两种或多种近交系、或广泛基础的不同来源的理想性状组合成育种池，从育种池通过自交和对理想表型的选择来开发新的近交系。杂交玉米品种由两种这样的近交系杂交获得，每一种近交系可能具有一种或多种在另一近交系中不存在的理想性状，或对另一近交系补全的性状。使新的近交植物与其他近交系杂交，且对来自这些杂交的杂种进行评估以确定哪些是理想的。第一代的杂交后代被称为F₁。所述F₁杂种通常与其近交亲本相比更加有活力。这种杂种活力称为杂交优势，通常导致，例如植物生长增强和产量增加。因此，在杂种开发中通常只寻求F₁杂种。

为促进标志辅助的基因渗入，高信息量的标志(例如，在轮回亲本和供体亲本之间呈多态性的SNP标志)在性状渗入的各目标群体中都是理想的。鉴定有信息量的标志的子集可以看作一个组合性问题。解答在理论上很容易实现，需要对每一个可能的组合进行评估，但在计算上是不可行的。举例来说，现有的利用256个标志的标志集合性状的基因渗入应用需要从业者评估1.2x10²⁷⁹个标志组合方可穷尽式地寻找所有的可能组合，且随者标志集合中包含的标志增多，该数字会呈指数增长。

蚁群算法(ACA)是一种群体智能算法，其模拟真实蚁群在寻找通向食物源的最佳路径中的交流。参见，例如Dorigio et al.(1999)Artificial Life5(2):137-72。在自然界，蚂蚁在地面上放置化学信息素来形成路线，供其他蚂蚁追踪。最初，蚂蚁从巢穴随机分散以寻找食物，并在找到食物后返回。找到通向食物源的最快路径的蚂蚁穿越巢穴与找到的食物源之间距离的速度更快，在该过程中放置信息素的更多。随所述信息素水平的积累，更多蚂蚁优先地选择较短路径而非具有较少信息素的较长路径，由此在该过程中放置进一步更多的信息素。如前所述，蚁群的自然生物学行为描述了正反馈系统的基本要素，由此蚁群中的所有蚂蚁最终均将选择从巢穴至食物源的最佳路径。

具有大样本空间的蚁群优化算法(ACO)技术方案已被证明是通信网络路径(Dorigio et al.(1999),同上、疾病鉴定(Ressom et al.(2007)Bioinformatics23(5):619-26)、疾病分类(Robbins et al.(2007)Math.Med.Biol.24:413-26)以及家畜基因分型(Spangler et al.(2009)Anim.Genet.40:308-14)的有效技术。

发明概述

本文描述的是用于确定植物育种用的遗传标志集合的系统和方法，该方法包括多个向量，每一个向量储存一种可能的方案或“路径”。该方法利用一种称为“信息素函数”的自适应概率密度函数(PDF)将这些向量(称为“蚂蚁”)间的通信模型化。在实施方案中，蚂蚁利用该函数从感兴趣的植物物种的基因组中选择遗传标志的子集。随后可利用从多个感兴趣的植物提供的遗传信息评估该遗传标志的子集。基于该选出的子集的性能，可以更新信息素函数，使得能产生理想方案的特征更有可能在未来的迭代中被蚂蚁选出。

在特定的实施方案中，适用ACA来鉴定能产生最佳基因组分析覆盖率的标志组。在特定的实施方案中，适用ACA来鉴定能产生最佳连锁不平衡覆盖率的标志组。

在一些实施方案中，使用SNP基因分型系统(例如，基因分型系统)提供来自感兴趣的植物的基因信息。

前文和其他特征随下文多个实施方案的详述变得更加清楚，随后是附图的参考。

附图简述

图1a-y包括可在计算机上执行以实现特定实施方案的蚁群优化的程序代码。