全基因组与基因组的区别？

一、全基因组与基因组的区别？

全基因组和基因组一个意思，只不过针对的问题有些不同。

全基因组一般都是说测序测全部的，而基因组一般只是说大小多少，几倍体，跟要测的内容没多大关系，一般都会说要测全基因组，全外显子等等，有没有不是全的？也有，比如RAD，GBS等都只是测基因组的一部分。

基因是基因组的一部分，一般来讲，在基因组上能编码蛋白的一段序列叫做基因，往大方向说其实有时候不编码蛋白的也叫基因，只不过是在测序行业不同人的观念不同所导致的。

基因是一段有序的核苷酸序列，其编码一个对应的产物执行相应的功能；基因组是一个特定物种的所有的基因的集合。

二、全基因组育种优点？

全基因组选择的思想最早由Meuwissen教授等于2001年提出，在专业上可以这么来定义——“利用覆盖全基因组的高密度分子标记，结合表型记录或系谱记录对个体育种值进行估计，其假定这些标记中至少有一个标记与所有控制性状的突变处于连锁不平衡状态。”

　　全基因组选择可以简单地理解为最新、最准确的育种技术，涉及育种芯片、大数据、高性能计算等，是育种技术里新一代的“高、精、尖”技术。

全基因组选择的思想最早由Meuwissen教授等于2001年提出，在专业上可以这么来定义——“利用覆盖全基因组的高密度分子标记，结合表型记录或系谱记录对个体育种值进行估计，其假定这些标记中至少有一个标记与所有控制性状的突变处于连锁不平衡状态。”

　　全基因组选择可以简单地理解为最新、最准确的育种技术，涉及育种芯片、大数据、高性能计算等，是育种技术里新一代的“高、精、尖”技术。

三、全基因组测序和宏基因组测序区别？

全基因组测序是对未知基因组序列的物种进行个体的基因组测序。

而宏基因组也称微生物环境基因组，是指生境中全部微小生物遗传物质的总和。它包含了可培养的和未可培养的微生物的基因，目前主要指环境样品中的细菌和真菌的基因组总和。而所谓宏基因组学 (或元基因组学， metagenomics) 就是一种以环境样品中的微生物群体基因组为研究对象。

两者为生物不同概念测序方法，所指含义不同，意义也不一样。

四、全基因组概念由谁提出？

全基因组概念是由基因组这个术语由德国汉堡大学植物学教授Hans Winkler于1920年创建。

研究基因组的科学称为基因组学。

五、全基因组育种技术流程？

在选择育种历史中，经历了从经验育种到育种理论和方法的探索，有选择学说，纯系学说，回交育种、轮回育种、诱变育种、单粒传、理想株型；再到标记辅助选择育种，探索了各种各样的标记，比如扩增片段长度多态性标记辅助选择(aflp)、微卫星标记辅助选择(ssr)和单核苷酸多态性标记辅助选择(snp)。随着测序技术的发展，测序的通量越来越高，成本越来越低，加之计算机运算能力不断提升，这为全新育种技术的发展创造了技术条件，兴起了基因组选择(genomicselection，gs)育种浪潮。

基因组选择育种能有效的解决难测量性状、运气成分大，耗时长、技术难度高等因素的限制，加快育种的步伐。基因组选择育种是利用覆盖全基因组的高密度分子遗传标记进行的标记辅助选择的一种育种方式。

目前比较出名的基因组选择(gs)分析功能软件是ipat软件，ipat软件界面比较友好，但是ipat只有三种gs模型，分别为基因组最佳线性无偏估计(gblup)、岭回归最佳线性无偏估计(rrblup)、贝叶斯岭回归(brr)。

然而，对于有快速育种需求的公司来说，现有的基因组选择分析的效率低，分析结果的准确性也相对较低，无法满足需求。

技术实现要素：

本发明的主要目的在于提供一种全基因组选择育种的方法和装置，以解决现有技术中的分析结果准确性低的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种全基因组选择育种的方法，该方法包括：获取训练群体中与目标表型显著关联的标记；根据训练群体及标记，利用多种全基因组选择预测模型计算育种群体中每个个体的基因组估计育种值；按照基因组估计育种值从高到低的顺序，选择在多个全基因组选择预测模型中均排在前预定数量的个体作为育种材料。

进一步地，多种全基因组选择预测模型包括：基因组最佳线性无偏预测模型、岭回归最佳线型无偏估计模型、贝叶斯套索模型、贝叶斯a模型、贝叶斯b模型、贝叶斯c模型及贝叶斯岭回归模型中的至少4种。

进一步地，多种全基因组选择预测模型包括岭回归最佳线型无偏估计模型、贝叶斯套索模型、贝叶斯a模型、贝叶斯b模型、贝叶斯c模型及贝叶斯岭回归模型中的至少3种时，利用多种全基因组选择预测模型计算育种群体中每个个体的基因组估计育种值包括：利用训练群体中的目标表型与标记之间的显著关联性，对多种全基因组选择预测模型进行精确度评估，得到满足精确度要求的一个或多个全基因组选择预测模型；利用满足精确度要求的一个或多个全基因组选择预测模型，计算得到各标记的效应值；利用各标记的效应值计算得到育种群体中每个个体的基因组估计育种值。

进一步地，获取训练群体中与目标表型显著关联的标记包括：对训练群体来源于基因芯片或基因组重测序的测序数据进行全基因组关联分析，从而获得与目标表型显著关联的标记。

进一步地，从测序数据进行全基因组关联分析从而获得与目标表型显著关联的标记包括：对测序数据进行综合分析，综合分析表型分布分析、群体结构分析、连锁不平衡分析以及亲缘关系分析；根据综合分析的结果进行全基因组关联分析，从而获得与目标表型显著关联的标记。

进一步地，对测序数据进行综合分析，并根据综合分析的结果进行全基因组关联分析，从而获得与目标表型显著关联的标记包括：检测测序数据中数量性状的表型是否符合正态分布或者偏态分布，并剔除偏离杠杆值的极端表型；通过主成分分析或者群体结构分析计算训练群体中群体结构，并将群体结构作为固定效应加入全基因组关联分析模型中；通过衰减距离对全基因组的标记进行连锁不平衡过滤，去除存在多重共线性的效应的标记；通过计算训练群体中各个体间的亲缘距离，并将亲缘距离作为随机效应加入全基因组关联分析模型；利用全基因组关联分析模型计算数量性状的表型中与全基因组的标记之间的关联性，从而选择得到与目标表型存在显著关联的标记；优选地，全基因组关联分析模型为混合线性模型。

为了实现上述目的，根据本发明的一个方面，提供了一种全基因组选择育种的装置，该装置包括：获取模块、育种值估计模块及选择模块，获取模块用于获取训练群体中与目标表型显著关联的标记；育种值估计模块用于根据训练群体及标记，利用多种全基因组选择预测模型计算育种群体中每个个体的基因组估计育种值；选择模块用于按照基因组估计育种值从高到低的顺序，选择在多个全基因组选择预测模型中均排在前预定数量的个体作为育种材料。

进一步地，多种全基因组选择预测模型包括：基因组最佳线性无偏预测模型、岭回归最佳线型无偏估计模型、贝叶斯套索模型、贝叶斯a模型、贝叶斯b模型、贝叶斯c模型及贝叶斯岭回归模型中的至少4种。

进一步地，多种全基因组选择预测模型包括岭回归最佳线型无偏估计模型、贝叶斯套索模型、贝叶斯a模型、贝叶斯b模型、贝叶斯c模型及贝叶斯岭回归模型中的至少3种时，育种值估计模块包括：模型精确度评估模块，用于利用训练群体中的目标表型与标记之间的显著关联性，对多种全基因组选择预测模型进行精确度评估，得到满足精确度要求的一个或多个全基因组选择预测模型；效应值计算模块，用于利用满足精确度要求的一个或多个全基因组选择预测模型，计算得到各标记的效应值；育种值估计子模块，用于利用各标记的效应值计算得到育种群体中每个个体的基因组估计育种值。

进一步地，获取模块包括：全基因组关联分析模块，用于对训练群体来源于基因芯片或基因组重测序的测序数据进行全基因组关联分析，从而获得与目标表型显著关联的标记。

进一步地，全基因组关联分析模块包括：综合分析模块，用于对测序数据进行综合分析，综合分析表型分布分析、群体结构分析、连锁不平衡分析以及亲缘关系分析；全基因组关联分析子模块，用于根据综合分析的结果进行全基因组关联分析，从而获得与目标表型显著关联的标记。

进一步地，全基因组关联分析模块包括：表型分布分析模块，用于检测测序数据中数量性状的表型是否符合正态分布或者偏态分布，并剔除偏离杠杆值的极端表型；群体结构分析模块，用于通过主成分分析或者群体结构分析计算训练群体中群体结构，并将群体结构作为固定效应加入全基因组关联分析子模块中；连锁不平衡分析模块，用于通过衰减距离对全基因组的标记进行连锁不平衡过滤，去除存在多重共线性的效应的标记；亲缘关系分析模块，用于通过计算训练群体中各个体间的亲缘距离，并将亲缘距离作为随机效应加入全基因组关联分析子模块；全基因组关联分析子模块，用于计算数量性状的表型中与全基因组的标记之间的关联性，从而选择得到与目标表型存在显著关联的标记；优选地，全基因组关联分析分析子模块为混合线性模块。

为了实现上述目的，根据本发明的一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任一种全基因组选择育种的方法。

为了实现上述目的，根据本发明的一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行任一种全基因组选择育种的方法。

应用本发明的技术方案，本发明综合多个模型进行基因组估计育种值计算，并利用多个模型结果共定位，并选择出在所有的模型中都具有高育种值的个体作为育种材料，大大提高结果的精确性。此外，本申请的方法可以从多种模型中寻找出最佳模型预测最佳育种材料，从而提高了基因组选择育种结果的准确性。本发明的方法能适应大部分的材料背景，填补了在超级计算机中基因组选择分析上的空白，提高育种选择的效应，促进育种的进展。

六、全基因组学是什么？

基因组学（genomics）的概念最早于1986年由美国遗传学家Thomas H. Roderick提出。基因组学是对生物体所有基因进行集体表征、定量研究及不同基因组比较研究的一门交叉生物学学科。基因组学主要研究基因组的结构、功能、进化、定位和编辑等，以及它们对生物体的影响。

七、全基因组和转录组区别？

基因组：以生物体所有的核酸为研究对象，狭义的基因组定义为生命体的全套DNA，广义的基因组则包含DNA、mRNA、lncRNA等参与到基因表达调控的所有核酸序列。其主要研究手段为基因测序，以华大基因为代表。转录组通常可认为是基因组的简化研究手段，即所有转录本的集合。

蛋白组：生物体基因组所编码的全套蛋白质。鉴于蛋白质表达的时空特异性，各组织器官或者特定亚细胞结构器（如线粒体、叶绿体），甚至是外泌蛋白，也可以成为一个蛋白组。所以蛋白质组是信号转导、分子发育最为直接的手段。其主要研究手段为生物质谱，在国内以牟合蛋白为典型。

代谢组：生物体内源性代谢物质的动态整体，通常只涉及相对分子质量约小于1000的小分子代谢物质。因其与蛋白质组一样可以很好的指针细胞、机体的生命活动状态，所以常常被用作临床生物标志物的筛选。目前，代谢组的研究也只能借助生物质谱完成。

八、全基因组测序有什么意义？

关于这个问题，全基因组测序可以帮助人们更好地了解生物的基因组结构和功能，从而促进许多领域的研究和应用，包括：

1. 了解基因组变异：全基因组测序可以帮助科学家更好地了解生物基因组中的变异，包括单核苷酸多态性（SNP）、插入/缺失、倒位等，这些变异对个体的遗传特征和疾病易感性有着重要的影响。

2. 精准医疗：基于全基因组测序的个体化医疗可以根据个体基因组特征制定更加精准的诊疗方案，提高治疗效果和预防疾病的风险。

3. 进化研究：全基因组测序可以帮助研究者了解物种的进化历程和基因家族的起源和演化，从而更好地理解生命的起源和演化。

4. 植物和动物育种：全基因组测序可以帮助育种者更好地了解植物和动物基因组的特征和变异，从而更好地选育出具有优良性状的新品种。

5. 生物多样性保护：全基因组测序可以帮助研究者更好地了解生物多样性，从而更好地保护和管理生态系统。

九、全基因组关联分析的对象？

全基因组关联分析是应用基因组中数以百万计的单核苷酸多态性(single nucleotide polymorphism，SNP)为分子遗传标记，进行全基因组水平上的对照分析或相关性分析，通过比较发现影响复杂性状的基因变异的一种新策略。

全基因组关联分析（Genome-wide association study）是指在人类全基因组范围内找出存在的序列变异，即单核苷酸多态性（SNP），从中筛选出与疾病相关的SNPs

分析原理

基于无关个体的关联分析

病例对照研究设计：主要用来研究质量性状，即是否患病。基于随机人群的关联分析：主要用来研究数量性状

基于家系的关联研究

在研究基于家系的样本时，采用传递不平衡检验（TDT）分析遗传标记与疾病数量表型和质量表型的关联可以排除人群混杂对于关联分析的影响，但其在发现阳性关联的检验方面不如相同样本量的病例对照研究有效。

FBAT是运用十分广泛的基于家系的统计分析工具，能够分析质量性状及数量性状、调整混杂因素、分析基因-环境相互作用、分析单倍型、调整多重比较等。

单体型分析研究的必要性：多位点单体型分析能够发现单体型-疾病表型之间的关联，这种关联要明显强于单个位点-疾病表型之间的关联。单体型分析能够发现非TagSNPs与疾病之间的因果关系。

十、全基因组关联分析结果解读？

采用小样本数量进行第一阶段的全基因组范围SNP基因分型，统计分析过后一般能够筛选少量阳性SNPs，之后的第二阶段再在更大数量的样本中对这些阳性SNPs进行基因分型，最后整合两个阶段的结果进行分析。

研究证明DNApool和微阵列试剂盒均能够降低基因分型的工作量，能够进行低成本高效益的SNP筛选。