2.3 基因组选择：把整个圃搬进模型

2.3 基因组选择：把整个圃搬进模型

本节摘要：基因组选择（GS）是数量性状的正确解法：不再逐个找主效基因，而是用参考群体训练全基因组模型，对只有基因型、没有表型的候选个体直接预测育种值（GEBV）。本节讲清它的数学直觉、参考群体构建、准确率评估，以及它为什么同时提升选择强度与缩短世代间隔。

一个思想实验：测产之前先预测

假设你要从三千份候选株系里挑两百份晋级。产量鉴定一季只能测几百份，且成本随重复数上升。传统做法只能先按系谱与少数表型粗筛。基因组选择的提议是：我们过去十年积累了四千份"既有基因型又有产量数据"的材料（参考群体），用它们训练一个模型，学习"哪种标记组合对应高产"；然后给三千份候选测基因型（便宜、苗期就能做），模型直接报出每份的预测育种值——播种之前，晋级名单的初稿已经在桌上。表型鉴定从"筛子"变成"验证器"，只测模型最看好的那批。循环的筛选拍被整体前置，这是 GS 对循环结构最深刻的改动。

数学直觉：收缩估计为什么有效

GS 的标准模型在 1.3 节的分解式上展开：表型向量等于标记效应之和加残差。问题是标记数（几万）远大于样本数（几千），普通回归无解。破局的一步是承认"单个标记效应都很小"，给所有效应套上一个"往零收缩"的约束（岭回归 / GBLUP 框架），让估计变稳定。用一个玩具算例感受：

3 个候选个体，2 个标记（真实场景是几万个标记）：
标记编码（0/1/2）:
  个体A:  m1=0, m2=2
  个体B:  m1=1, m2=1
  个体C:  m1=2, m2=0
训练得到（收缩后的效应估计）: b1 = +0.30, b2 = -0.10

GEBV = Σ 标记编码 × 效应:
  A: 0×0.30 + 2×(-0.10) = -0.20
  B: 1×0.30 + 1×(-0.10) = +0.20
  C: 2×0.30 + 0×(-0.10) = +0.60   → 晋级优先
另一条等价路线（GBLUP）: 用标记算个体间基因组关系矩阵，
  育种值按亲缘关系"分摊"——两种算法在数学上等价，殊途同归。
​

两条路线的直觉：RR-BLUP 说"每个标记贡献一点"，GBLUP 说"跟候选亲缘关系近的参考个体，其表型信息权重大"。理解到这一层，读 GS 论文时看到 GBLUP、贝叶斯变量选择、机器学习变体，就知道它们是在"如何分配权重"上做不同假设。

图：参考群体、候选群体与循环的关系

准确率与验证：别让模型裸奔

GS 的命门是预测准确率 r（GEBV 与真实育种值的相关）。它决定 GS 版的选择响应：把 2.1 节公式里的 h² 换成 r 量级的"有效遗传力"。评估准确率的标准动作是交叉验证：把参考群体随机分折，留一折当"伪候选"（模型没见过其表型），预测后与实测算相关，重复多次取平均。汇报模型时只报训练集拟合优度是外行行为——几万参数的模型拟合训练集毫无难度，泛化才算数。

影响准确率的因素按重要性排：参考群体规模与候选群体的亲缘远近（近期同代个体最准）、性状遗传力、标记密度、模型与性状遗传架构的匹配度（显性与上位丰富的性状，线性模型吃亏）。工程上的含义：GS 项目要先问"参考群体跟我的候选群体是不是一个世界"——跨群体、跨世代应用时准确率衰减是常态，模型定期用新数据重训是制度而不是选项。

GS 改写循环的三个账本项

把 GS 放回第 1.1 节的账本，它动了三行：

• 世代间隔：不必等成株期表型，苗期基因型即可初选，配合温室加代或 DH，世代间隔显著缩短。奶牛育种的全球实践是教科书案例——后裔测定体系被年轻公牛基因组评估体系整体替代，遗传进展速度翻倍以上。
• 选择强度：候选容量不再被田间鉴定能力卡住，可从几千份里选，i 上升。
• 筛选成本结构：表型鉴定从全员普测变成对高分候选的验证，参考群体的表型采集变成长期投资（这是第 4 章"数据引擎"在品种线的基础设施）。

⚠️ 常见坑：拿 GS 报告直接选"最高分"而不看不确定度。极端预测值往往也是估计方差最大的区域，稳妥做法是按 GEBV 与可靠性加权排序，或对顶端个体保留实测验证位。

常见追问

参考群体要多大才够？ 没有魔法数字，但有经验区间：主要作物的实用参考群体常从数千个体起步，性状遗传力越低、群体结构越复杂，需要的规模越大。比总量更重要的是三个质量维度：表型年份与地点的覆盖（环境代表性）、与候选群体的亲缘接近程度（2.3 节反复强调的衰减律）、以及系谱与基因型数据的完整对齐。一个小而准的参考群，常常跑赢一个大而杂的。

GEBV 相同的两个个体选谁？ 看三个附加信息：一是预测可靠性（模型对该个体的置信度，与亲缘关系远近挂钩）；二是多样性价值（与现有骨干亲本的遗传距离——极端近亲的候选即使分高，杂交组合的潜力也有限，这呼应 1.2 节的多样性逻辑）；三是实际 Constraints（种子量、育性、配合力记录）。把这三个维度做成排序的次级键，是育种软件里"单列表排名"与"真实决策"之间的差距所在。

GS 与 MAS 能在一个项目里共存吗？ 不仅共存，而且互补得很好：主效抗病基因用标记做前景选择（保证关键抗性不丢），数量性状用 GEBV 做全局排序（决定谁晋级），两者在晋级规则里加权合成——本质上这就是 2.1 节选择指数思想的分子时代版本：不同性状用不同精度的信息源，最后在同一张账本上会师。

再多说一句成本账：GS 的边际成本结构对中小项目尤其友好——基因型分型的单价随通量持续下降，而表型鉴定的成本相对刚性；因此"便宜基因型＋好模型"替代"昂贵多年表型"的经济性逐年改善。判断你的项目该不该上 GS，最直接的办法是算两套方案的每年遗传增益除以年成本（2.1 节的口径），而不是跟风技术名词。

本节要点回顾

• 核心转变：从"找关键基因"到"让模型消化全基因组微小效应"，数量性状的预测问题被统计方法绕开。
• 两种等价直觉：标记效应求和（RR-BLUP）与亲缘关系分摊（GBLUP），同一数学对象的两面。
• 三群体结构：参考群体供训练、候选群体吃预测、实测数据回流更新；亲缘远近决定准确率上限。
• 验证纪律：交叉验证是唯一可信的准确率来源，跨群体应用要重新评估。
• 账本影响：世代间隔、选择强度、成本结构同时改善，奶牛育种的实践是标杆。

无论 MAS 还是 GS，改动都还停留在"利用现有变异"。下一节的基因编辑直接在图纸上落笔——变异不够，就写一个出来。